在工业读数、票据识别、仪表监控这类场景里数字识别检测一直是一个很常见的需求。从早期的 OCR 方案到传统图像处理再到基于深度学习的检测模型方案一直在更新但真正落地时需要考虑的问题却不少模型怎么选、数据集怎么做、外围系统怎么串起来以及识别结果如何进一步分析。本文将围绕“数字识别检测系统”这条主线完整梳理基于 YOLOv8/v10/v11/v12/26 多个版本模型的选型对比、数据集准备、模型训练、后端推理服务封装、前端展示以及集成千问 / DeepSeek 大语言模型做智能分析的全栈实践。读完本文后你可以搭建一套可运行的端到端数字识别系统也能够根据实际场景在多个 YOLO 版本之间做出合理选型。1. 项目背景与系统架构设计1.1 数字识别检测系统的典型场景数字识别检测系统和传统的“识别图片里的数字”并不完全一样。传统 OCR 通常关注整行文字或字符序列而数字识别检测系统更强调两件事一是把数字区域从复杂背景中定位出来二是对每个数字进行正确分类。实际场景通常包括水电气表读数拍照识别。工业仪表盘数值自动读取。快递单号、票据金额区域检测。停车场车牌中的数字部分识别。电子屏幕和 LED 数字识别。这类场景共同的特点是背景复杂、数字字体不统一、光照条件不稳定。直接用 OCR 工具往往不够稳定而基于 YOLO 系列的目标检测模型可以同时完成“定位 分类”因此成为项目首选的算法底座。1.2 为什么选择 YOLO 系列模型YOLOYou Only Look Once是目标检测领域最经典的一类单阶段检测算法核心思想是把目标检测转换成回归问题一次前向传播同时预测边界框和类别。相比两阶段检测器YOLO 系列在速度和工程落地方面优势明显。对于数字识别这类类别数量有限、目标尺寸较小的任务YOLO 系列的优势突出实时性强适合摄像头实时采集场景。模型体积可大可小n/s/m/l/x 多个尺寸版本灵活选择。部署生态成熟支持 ONNX、TensorRT、OpenVINO 等导出格式。社区活跃预训练权重、教程、标注工具链都相对完整。1.3 系统整体架构一个完整的数字识别检测系统不应该只包含一个训练好的模型还需要有数据管线、推理服务、业务展示和智能分析模块。整体架构可以分为四层层级功能技术选型数据层图像采集、标注、增强LabelImg / Roboflow / OpenCV算法层数字定位与分类YOLOv8/v10/v11/v12/26服务层推理接口封装、结果返回FastAPI / Flask应用层页面展示、结果分析HTML JavaScript / Vue 大模型 API本文的实战部分会依次实现数据层到应用层的完整链路并在算法层做多版本对比在应用层接入千问和 DeepSeek让系统不仅能识别数字还能对识别结果做进一步解释和整理。2. 环境准备与依赖安装2.1 运行环境要求在做实验之前先确认本机的运行环境。本文的示例环境以常见配置为例重点演示思路版本可根据实际情况调整操作系统Windows 10 / 11、Ubuntu 20.04 或 macOS。Python 版本3.9 到 3.11YOLO 系列训练对 Python 版本有兼容性要求建议优先用 3.10。GPU可选。训练阶段有 NVIDIA GPU 会明显更快没有 GPU 也可以用小模型 CPU 完成跑通流程。CUDA如果使用 GPU建议提前安装 CUDA 11.8 或 12.x并安装对应版本的 PyTorch。2.2 创建项目目录先创建一个项目目录后续所有代码和配置都放在这个目录下保持结构清晰mkdir digit-detection-system cd digit-detection-system项目结构规划如下digit-detection-system/ ├── dataset/ │ ├── images/ │ ├── labels/ │ └── data.yaml ├── models/ ├── scripts/ │ ├── train.py │ ├── detect.py │ └── llm_analysis.py ├── backend/ │ └── main.py ├── frontend/ │ └── index.html └── requirements.txt2.3 安装 Python 依赖核心依赖是ultralytics它会集成 YOLOv8、YOLOv10、YOLO11 等模型的训练与推理能力。除此之外还需要 FastAPI、Uvicorn、OpenCV 等库。创建requirements.txtultralytics fastapi uvicorn python-multipart opencv-python pillow numpy openai requests在命令行执行安装pip install -r requirements.txt安装完成后可以在 Python 中验证 ultralytics 是否可用import ultralytics print(ultralytics.__version__)如果希望使用 GPU 训练建议到 PyTorch 官网选择适合本机 CUDA 版本的安装命令例如pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121不同机器的硬件环境差异较大安装时请以实际环境为准。CPU 环境也可以运行只是训练耗时更长。3. YOLOv8/v10/v11/v12/26 模型对比与选型3.1 各版本核心特性梳理YOLO 系列经过多个版本的迭代每个版本都有其侧重点。这里先整理一张宏观对比表再逐一分析。版本设计特点适用场景备注YOLOv8模块化设计、C2f 结构、Anchor-Free通用目标检测生态成熟ultralytics 官方集成YOLOv10无 NMS 推理、双标签分配策略端到端部署追求低延迟部署友好YOLO11改进 C3k2 模块、轻量化边缘设备、轻量需求ultralytics 官方维护YOLOv12注意力机制引入复杂背景下的特征提取需要关注版本兼容性YOLO26YOLO26迭代较新、结构持续优化前沿研究和精度优先场景资料相对较少需要说明的是YOLO 社区版本迭代速度很快不同版本的权重名称、模型结构、训练超参都有差异。本文不会把某个版本的性能数据写死因为具体精度和速度受数据集影响很大。建议在实际项目中以你安装的 ultralytics 版本所支持的模型文件为准。3.2 架构差异与性能权衡YOLOv8 是目前最稳妥的通用选择。它引入了 Anchor-Free 检测头和 C2f 特征提取模块在训练稳定性和部署生态上都有明显优势。对于大多数数字识别场景YOLOv8n 或 YOLOv8s 就已经能够取得不错的效果。YOLOv10 的最大变化是去掉了 NMS非极大值抑制步骤推理过程更加简洁。它采用双标签分配策略和一致性匹配度量在减少冗余预测框的同时提升效率。如果系统对推理延迟敏感比如嵌入式设备或实时视频流YOLOv10 值得优先尝试。YOLO11 是 ultralytics 官方推出的新版本继续走轻量化和模块化路线模型体积控制得更好。对于部署在树莓派、Jetson 这类低算力设备上的数字识别需求YOLO11 是一个合适的选择。YOLOv12 引入了注意力机制在特征提取阶段可以建模更丰富的上下文信息。面对一些数字区域被遮挡、背景噪声强的场景YOLOv12 在理论上具有优势但训练成本和推理耗时也会相应增加。YOLO26 是目前较新的模型版本迭代时间较短资料和预训练权重相对有限。如果不是做学术对比实验我更建议把它放在验证阶段先用成熟版本跑通业务链路再逐步替换验证。3.3 模型选型建议选型没有一个绝对的答案核心取决于三个因素数据量、推理硬件、精度要求。业务情况推荐版本快速落地追求稳定YOLOv8n 或 YOLOv8s低延迟端到端部署YOLOv10n边缘低算力设备YOLO11n背景极度复杂允许更多算力YOLOv12s 或更大模型想对比不同代际算法效果同一数据集上跑 v8/v10/v11/v12/26 的对比实验模型尺寸同样重要。通常 n 系列最轻量m 和 l 系列精度更高。对于数字识别这种类别数只有 10 类的任务不建议一上来就用 x 系列训练慢且容易过拟合性价比不高。4. 数字识别数据集准备与模型训练4.1 数据集格式说明YOLO 系列训练使用的数据集格式是统一的。每一张图片对应一个同名的 txt 标签文件标签文件中的每一行表示一个目标class_id x_center y_center width height坐标和宽高值都是相对图片尺寸归一化后的浮点数。对于数字识别class_id 就是 0 到 9 十个类别。图片目录和标签目录要保持对应关系例如dataset/images/和dataset/labels/。建议再划分训练集和验证集常见做法是在data.yaml中通过train和val字段指定路径。4.2 准备数据集与配置文件本文以数字识别为例不依赖特定商业数据集。你可以使用公开数字检测数据集也可以用 LabelImg 或 Roboflow 标注自己的数字图片。为了保证模型泛化能力建议图片中包含不同字体、不同颜色、不同光照条件的数字。标注完成后的目录结构dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yaml创建dataset/data.yamltrain: ../dataset/images/train val: ../dataset/images/val nc: 10 names: 0: zero 1: one 2: two 3: three 4: four 5: five 6: six 7: seven 8: eight 9: nine这里有一点需要特别注意train和val路径是相对执行训练脚本时的工作目录来解析的。如果报数据集路径找不到建议改成绝对路径或者在训练脚本中先切换工作目录。4.3 编写训练脚本创建scripts/train.pyfrom ultralytics import YOLO def main(): # 根据 ultralytics 版本选择基础权重 # 常见可选yolov8n.pt、yolov10n.pt、yolo11n.pt model YOLO(yolov8n.pt) model.train( datadataset/data.yaml, epochs100, imgsz640, batch16, device0, # 0 表示第一张 GPUCPU 可设为 cpu patience20, # 连续 20 轮没有提升则提前停止 projectruns/detect, namedigit_v8, exist_okTrue, ) if __name__ __main__: main()epochs训练轮数。数据量少时可以适当降低例如 50 到 100 轮。imgsz输入图片尺寸。数字目标通常较小不建议设太低。batch根据显存调整。显存不足时减小 batch例如设为 8 或 4。patience早停策略避免无效训练。deviceGPU 可用时优先用 GPU。如果要切换不同模型版本只需替换YOLO(yolov8n.pt)中的权重文件名。不过需要检查当前 ultralytics 版本是否支持对应权重可以通过以下方式查看from ultralytics import YOLO model YOLO(yolov10n.pt) print(model)如果权重不存在命令行会自动尝试下载远程下载失败时则需要手动配置离线权重文件。4.4 模型评估与导出训练完成后ultralytics 会在runs/detect/digit_v8/目录下生成训练结果包括权重文件、训练曲线和验证集的预测结果图片。执行评估命令from ultralytics import YOLO model YOLO(runs/detect/digit_v8/weights/best.pt) metrics model.val(datadataset/data.yaml) print(metrics.box.map)metrics.box.map表示 mAP0.5:0.95 的平均精度数值越高越好。对于数字识别任务如果 mAP 偏低可以优先检查以下因素标注框是否准确贴合数字区域。图片中数字目标是否太小。训练集和验证集的分布是否一致。数据和标签路径是否正确。如果模型效果满足要求可以导出为 ONNX 格式便于后续部署model.export(formatonnx, imgsz640)5. 基于 FastAPI 的检测服务封装5.1 创建 FastAPI 应用模型训练完成后下一步是把它封装成 HTTP 接口方便前端页面和其他系统调用。FastAPI 是一个轻量且高性能的 Python Web 框架适合快速搭建推理服务。创建backend/main.pyimport io import cv2 import numpy as np from fastapi import FastAPI, File, UploadFile from ultralytics import YOLO app FastAPI(title数字识别检测系统) # 加载训练好的模型 model YOLO(runs/detect/digit_v8/weights/best.pt) CLASS_NAMES { 0: 0, 1: 1, 2: 2, 3: 3, 4: 4, 5: 5, 6: 6, 7: 7, 8: 8, 9: 9, } app.post(/detect) async def detect_digits(file: UploadFile File(...)): # 读取上传图片 image_bytes await file.read() image_array np.frombuffer(image_bytes, dtypenp.uint8) image cv2.imdecode(image_array, cv2.IMREAD_COLOR) if image is None: return {code: 400, message: 图片读取失败请上传有效图片} # 执行推理 results model.predict(sourceimage, conf0.5, verboseFalse) detections [] for result in results: boxes result.boxes if boxes is None: continue for box in boxes: x1, y1, x2, y2 box.xyxy[0].tolist() conf float(box.conf[0]) cls_id int(box.cls[0]) detections.append({ class_id: cls_id, class_name: CLASS_NAMES.get(cls_id, unknown), confidence: round(conf, 4), bbox: [round(x1, 2), round(y1, 2), round(x2, 2), round(y2, 2)], }) # 按置信度从高到低排序 detections.sort(keylambda item: item[confidence], reverseTrue) return { code: 0, message: success, total: len(detections), detections: detections, }5.2 启动服务在项目根目录执行uvicorn backend.main:app --host 0.0.0.0 --port 8000启动成功后可以在浏览器访问http://127.0.0.1:8000/docs查看 FastAPI 自动生成的接口文档。这里可以直接测试/detect接口选择一张包含数字的图片上传返回结果会包含每个数字标签的名称、置信度和边界框坐标。5.3 本地调用接口验证用 Python 脚本快速验证import requests url http://127.0.0.1:8000/detect with open(test.jpg, rb) as f: response requests.post(url, files{file: f}) print(response.json())预期结果会输出类似下面的 JSON{ code: 0, message: success, total: 5, detections: [ {class_id: 1, class_name: 1, confidence: 0.98, bbox: [120.0, 240.0, 135.0, 260.0]}, {class_id: 2, class_name: 2, confidence: 0.96, bbox: [140.0, 240.0, 155.0, 260.0]} ] }这里有一点需要注意模型在 640x640 的输入尺寸下推理返回的坐标是相对原始图片尺寸的。前端展示时可以直接使用这些坐标不需要额外转换因为ultralytics内部已经做了坐标映射。6. 前端识别页面开发6.1 页面功能设计为了让系统具备最基本的前后端交互能力可以写一个轻量级的 HTML 页面。功能包括上传图片、预览图片、调用后端接口、展示识别结果。创建frontend/index.html!DOCTYPE html html langzh-CN head meta charsetUTF-8 meta nameviewport contentwidthdevice-width, initial-scale1.0 title数字识别检测系统/title style body { font-family: Arial, sans-serif; margin: 40px; background: #f5f6fa; } .container { max-width: 800px; margin: 0 auto; background: #fff; padding: 30px; border-radius: 8px; box-shadow: 0 2px 8px rgba(0,0,0,0.1); } .upload-area { border: 2px dashed #ccc; padding: 20px; text-align: center; margin: 20px 0; } .preview { max-width: 100%; margin-top: 20px; } .result { margin-top: 20px; } table { width: 100%; border-collapse: collapse; margin-top: 10px; } th, td { border: 1px solid #ddd; padding: 8px; text-align: center; } .btn { background: #2d8cf0; color: #fff; border: none; padding: 10px 24px; border-radius: 4px; cursor: pointer; font-size: 16px; } .btn:disabled { background: #aaa; cursor: not-allowed; } /style /head body div classcontainer h2数字识别检测系统/h2 div classupload-area input typefile idimageInput acceptimage/* / /div img idpreview classpreview alt图片预览 styledisplay: none; / button classbtn iddetectBtn disabled开始识别/button div classresult idresult/div /div script const imageInput document.getElementById(imageInput); const preview document.getElementById(preview); const detectBtn document.getElementById(detectBtn); const resultDiv document.getElementById(result); let selectedFile null; imageInput.addEventListener(change, function (event) { selectedFile event.target.files[0]; if (!selectedFile) { return; } preview.src URL.createObjectURL(selectedFile); preview.style.display block; detectBtn.disabled false; resultDiv.innerHTML ; }); detectBtn.addEventListener(click, async function () { if (!selectedFile) { return; } detectBtn.disabled true; resultDiv.innerHTML p识别中请稍候.../p; const formData new FormData(); formData.append(file, selectedFile); try { const response await fetch(http://127.0.0.1:8000/detect, { method: POST, body: formData }); const data await response.json(); let html h3识别结果/h3; if (data.code ! 0) { html p data.message /p; } else if (data.total 0) { html p未检测到数字/p; } else { html p共检测到 data.total 个数字/p; html tabletrth数字/thth置信度/thth坐标 (x1, y1, x2, y2)/th/tr; data.detections.forEach(function (item) { html tr; html td item.class_name /td; html td item.confidence /td; html td item.bbox.join(, ) /td; html /tr; }); html /table; } resultDiv.innerHTML html; } catch (error) { resultDiv.innerHTML p请求失败 error.message /p; } finally { detectBtn.disabled false; } }); /script /body /html6.2 跨域问题处理如果直接用浏览器访问frontend/index.html然后调用http://127.0.0.1:8000/detect会触发跨域限制。解决方式有两种一种是直接通过python -m http.server起一个静态服务然后在浏览器访问该服务地址但跨域问题依然存在。更推荐的方式是在 FastAPI 中配置 CORS 中间件。修改backend/main.pyfrom fastapi.middleware.cors import CORSMiddleware app.add_middleware( CORSMiddleware, allow_origins[*], allow_methods[*], allow_headers[*], )在生产环境中allow_origins应该改成具体的前端域名不建议长期使用通配符。当前开发阶段为了调试方便可以先放开。7. 集成大语言模型千问 / DeepSeek 智能分析7.1 为什么要引入大语言模型传统的数字识别系统返回的结果只是“检测到哪些数字”但业务方往往还需要更深层的理解。例如这张仪表图片中的读数是多少多个数字区域中哪些是有效读数、哪些是噪声是否可以根据识别结果直接生成结构化报表这些需求如果靠写规则来实现代码会非常繁琐且难以覆盖各种边界情况。引入大语言模型LLM之后可以把模型的检测结果交给 LLM 进行二次加工让系统具备一定的语义理解能力。千问Qwen和 DeepSeek 是目前国内开发者接入较多的两类大模型服务官方都提供了兼容 OpenAI 接口格式的调用方式。7.2 DeepSeek API 接入示例创建scripts/llm_analysis.py以 DeepSeek 为例import os from openai import OpenAI def analyze_with_deepseek(detections, image_desc仪表盘图片): # 推荐使用环境变量管理 API Key不要硬编码到代码仓库中 api_key os.environ.get(DEEPSEEK_API_KEY, sk-xxx) client OpenAI( api_keyapi_key, base_urlhttps://api.deepseek.com ) # 把检测结果整理成文本 sorted_detections sorted(detections, keylambda item: item[bbox][0]) digit_sequence .join([item[class_name] for item in sorted_detections]) prompt f 这是一张{image_desc}的检测结果。 按从左到右顺序识别出的数字序列是{digit_sequence} 检测详情{detections} 请完成以下任务 1. 判断这个数字序列是否是合理的读数。 2. 如果合理给出最终读数。 3. 如果不合理请说明可能的原因。 response client.chat.completions.create( modeldeepseek-chat, messages[ {role: system, content: 你是一个数字识别分析助手擅长解读视觉检测结果。}, {role: user, content: prompt} ], temperature0.2, max_tokens1024 ) return response.choices[0].message.content调用方式detections [ {class_name: 1, confidence: 0.98, bbox: [100, 200, 115, 220]}, {class_name: 2, confidence: 0.95, bbox: [120, 200, 135, 220]}, ] result analyze_with_deepseek(detections) print(result)这里有一个较好的实践先把检测框按 x 坐标排序再拼成数字序列。因为数字读数的顺序通常是从左到右这个预处理能让 LLM 的分析更准确。7.3 千问 API 接入示例千问Qwen通过阿里云百炼平台提供服务也支持 OpenAI SDK 兼容模式。接入方式如下import os from openai import OpenAI def analyze_with_qwen(detections, image_desc仪表盘图片): api_key os.environ.get(DASHSCOPE_API_KEY, sk-xxx) client OpenAI( api_keyapi_key, base_urlhttps://dashscope.aliyuncs.com/compatible-mode/v1 ) digit_sequence .join([item[class_name] for item in detections]) prompt f请解读以下数字识别结果{digit_sequence}检测详情{detections} response client.chat.completions.create( modelqwen-plus, messages[ {role: user, content: prompt} ], temperature0.2 ) return response.choices[0].message.content这里需要注意DeepSeek 和千问的 base_url 不同模型名称也不同。DeepSeek 的常见对话模型是deepseek-chat千问在兼容模式下可以使用qwen-plus或qwen-turbo。实际使用时建议阅读官方最新文档确认模型名称和计费方式。7.4 把 LLM 分析结果融合到检测链路在 FastAPI 接口中可以把检测结果同时返回并把原始检测数据传入 LLM 分析函数从而构建一个完整的智能识别链路。修改backend/main.py新增一个可选参数app.post(/detect) async def detect_digits( file: UploadFile File(...), use_llm: bool False, llm_provider: str deepseek ): ... if use_llm: if llm_provider deepseek: analysis analyze_with_deepseek(detections) else: analysis analyze_with_qwen(detections) return { code: 0, message: success, total: len(detections), detections: detections, analysis: analysis, } return {...}通过use_llm参数区分普通识别和增强识别避免每次都调用大模型接口减少不必要的成本开销。在实际项目中可以只在用户点击“智能分析”时才触发 LLM 调用。8. 常见问题与排查思路在开发数字识别检测系统的过程中有几个问题出现频率较高。下面整理成表格方便对照排查。问题现象常见原因解决思路训练时提示找不到数据集data.yaml中的路径是相对路径而当前工作目录不对切换工作目录到项目根目录或使用绝对路径训练时显存不足batch 设置过大调小 batch例如从 16 改为 8或使用 imgsz480模型下载失败网络不稳定或权重版本不存在手动下载对应权重文件放到项目目录检查权重名推理结果为空置信度阈值设置过高把conf从 0.5 调整为 0.25观察是否出现检测框数字框之间重叠严重NMS 阈值设置不合理调整iou参数例如 0.45检测速度很慢模型尺寸过大或 CPU 推理换用 n 系列模型或导出 ONNX 降低耗时跨域请求被拦截前端和后端端口不同在 FastAPI 中配置 CORS 中间件LLM 接口报 401API Key 无效或环境变量未设置检查DEEPSEEK_API_KEY/DASHSCOPE_API_KEY是否正确LLM 接口返回超时网络波动或 prompt 过长精简 prompt增加超时时间例如timeout60除了表格中的问题还有两类问题容易被忽略一是数据集类别不平衡。如果训练集中数字 0 和 1 的样本远多于其他数字模型会对高频类别过拟合导致低频类别识别率下降。缓解方式是做数据增强或在采集阶段尽量平衡各类别数量。二是训练集和验证集数据泄漏。如果同一张图片既出现在训练集又出现在验证集评估结果会虚高部署到真实环境后效果会大幅下降。因此划分数据集时最好按图片文件维度进行划分而不是按标注目标维度随机划分。9. 最佳实践与工程建议9.1 数据集层面数字识别任务看起来简单但泛化能力往往取决于数据质量。建议在采集阶段覆盖不同的字体、颜色、旋转角度、光照条件并适当引入合成数据。合成数据可以用 Python Pillow 生成模拟不同字体的数字图片这能显著提升模型的泛化能力。标注框不需要太精细但要确保框内完整包含数字且没有过多背景。框过大会引入噪声框过小会截断数字笔画这两种情况都会影响训练效果。9.2 模型选择层面优先建议在同一个数据集上跑通 v8n、v10n、v11n 三个轻量模型的对比实验。不要直接拿最大模型训练因为数字检测的类别数只有 10 个模型参数量过大反而容易过拟合。先验证轻量级模型能否达到业务精度要求再决定是否扩大模型尺寸。9.3 推理服务层面FastAPI 后端代码不要写成纯脚本式的单文件。建议把模型加载、图像预处理、推理、结果解析拆分成独立模块方便单元测试和后续扩展。模型初始化只做一次不要在每次请求时重复加载。生产环境建议增加镜像上传大小限制和无操作超时时间避免大图或慢请求拖垮服务。同时通过压测工具验证接口的吞吐量根据业务峰值调整部署实例数。9.4 大模型集成层面调用大模型 API 时需要注意几个问题API Key 必须通过环境变量或密钥管理服务保存不要上传到代码仓库。Prompt 中尽量避免传入大量无效的检测框只保留置信度较高的检测结果减少 token 消耗。大模型分析结果存在一定的不确定性适合作为辅助判断不适合作为唯一决策依据。如果业务要求严格的数值读数准确率应把 LLM 分析定位为“解释和整理”而不是替代检测模型做最终判断。9.5 日志与监控建议在推理接口中记录关键日志包括请求耗时、检测框数量、置信度分布、命中样本 ID 等字段。当线上出现误检问题时这些日志能够帮助快速定位是模型问题还是数据问题。大模型接口调用也需要记录 token 消耗和耗时方便成本分析。10. 总结与下一步扩展本文从零开始搭建了一个数字识别检测系统覆盖了 YOLOv8/v10/v11/v12/26 多个版本模型的对比分析、数据集准备、模型训练、FastAPI 推理服务、前端展示以及千问和 DeepSeek 大语言模型集成。整个链路由数据层、算法层、服务层和应用层组成每一层都有对应的代码示例和配置说明如果你想尽快跑通 Demo可以直接按照第 2 节到第 6 节的步骤操作如果你更关心多版本选型逻辑建议重点阅读第 3 节如果你希望系统具备智能分析能力可以直接参考第 7 节的接入方式。做这个项目时我最大的体会是数字识别本身并不复杂真正复杂的是把检测模型、业务逻辑和语义分析高效地串联起来。很多问题不是在模型训练阶段出现的而是在接口设计、数据规范、跨域访问、大模型调用这些工程细节中暴露出来的。下一步可以考虑的方向有三个对 YOLOv8/v10/v11/v12/26 在自定义数字数据集上做完整的量化对比实验记录每个版本的 mAP、推理耗时和模型体积输出一份适合自己业务的选型报告。把推理结果通过 ONNX 或 TensorRT 部署到边缘设备比如 RKNN、Jetson 平台探索低算力环境下的实时数字识别。在当前系统上扩展更多视觉任务比如仪表分类、指示灯状态识别让同一个全栈架构同时服务多种业务。如果你在实际开发中遇到报错或者有更好的方案欢迎在评论区带上你的错误信息和场景一起讨论。后续我也会继续更新多版本 YOLO 的对比实验数据以及大模型辅助数字识别的进阶玩法。