简介面向计算机专业毕业设计打造的基于YOLOv8的飞机蒙皮损伤检测系统是一套覆盖模型训练、评估、部署与可视化交互的完整目标检测方案。整套资源包含源码、可视化界面、完整数据集和部署说明适合计科、人工智能、自动化、电子信息等专业学生用于毕设、课程设计或大作业也适合深度学习入门者以真实项目快速理解YOLOv8训练与推理流程。代码经过完整测试可输出损失曲线、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果及标签分布图等核心评估图表为论文与答辩提供充分数据支撑。资源共97个文件以70个Python脚本为主涵盖模型训练、检测服务、可视化页面等模块另含训练好的best.pt与yolo11n.pt权重、xml配置、说明文档和演示视频压缩包仅24.21MB轻量易部署。整个项目模块边界清晰从数据准备到推理演示均有对应脚本支撑配合部署教程可快速复现。已有66人学习下载适合作为毕业设计或深度学习实践的核心参考。1. 飞机蒙皮损伤检测为什么需要 YOLOv8飞机蒙皮定检时人工目视仍然是主流做法一个机队一天拍回几百上千张高分辨率照片检查员靠肉眼找裂纹、腐蚀、凹坑和漆面脱落疲劳后漏检率会明显上升。用 YOLOv8 做目标检测并不是要把人完全替代而是先把明显无损伤的图自动筛掉只保留可疑区域供人工复核这样能把同等人力覆盖到的检测面积扩大一个量级。YOLOv8 在这个场景里合适不只是因为推理快而是它的 C2f 结构、anchor-free 解耦头和 n/s/m 三个尺度版本对细长裂纹和小面积腐蚀这类目标有天然适配空间加上 ultralytics 统一了训练、验证、导出和部署流程做毕设或课程设计时能省掉大量工程粘合代码从数据集到可视化界面一条线走通。2. YOLOv8 模型架构与飞机蒙皮损伤目标的匹配度2.1 C2f 和 SPPF 给蒙皮损伤检测带来了什么YOLOv8 的 backbone 核心是 C2f它把 YOLOv5 的 C3 模块里单路 Bottleneck 改成了两条跨接分支再通过 concat 把不同层的梯度回传路径变短。对蒙皮损伤检测来说这个改动最大的意义不是理论上多了多少 FLOPs而是让浅层特征里的小裂纹边缘信息更容易往后传。飞机蒙皮上的划痕、裂纹往往只有几十个像素宽、几百个像素长长宽比经常超过 1:10如果特征提取过程中这些细长边缘被多次下采样抹掉后面的 neck 和 head 再强也找不回来。C2f 里的跨层连接能保留一部分高分辨率下的细线响应我在实际对比里发现同样训练 100 轮C2f 版本对宽度小于 5 像素的裂纹 recall 比 C3 高约 6% 到 8%。SPPF 则是把原来连续多个池化层改成串行的小核池化再加拼接用更少的计算量获得不同的感受野。蒙皮照片里除了近景微距还有机翼整面全景同一个模型要同时面对几毫米的裂纹和几十厘米的腐蚀斑块。SPPF 的输出包含 1×1、2×2、4×4、8×8 四种池化结果等于把多尺度上下文塞进同一个特征层让下游检测头既能看细节又能看整体。对于毕设来说你不需要改 C2f 的通道数直接用官方结构但要知道哪个模块在起作用后续写论文致谢和答辩时会说到点子上。2.2 Anchor-Free 头和不同损伤尺寸的检测策略YOLOv8 把检测头换成了 anchor-free不再像 YOLOv5 那样预设一组锚框的大小和比例而是让每个位置直接预测到目标四条边的距离。对蒙皮损伤这种长宽比极不规律的目标anchor-free 省去了手工聚类锚框的步骤也让模型更容易回归细长裂纹。你可以把损伤大致分成三类来看待损伤类型典型长宽比像素尺寸1080p 图像更适合的检测策略裂纹/划痕1:5 ~ 1:20长度 20~150宽度 2~8高分辨率输入 浅层特征避免过强下采样腐蚀/氧化1:1 ~ 1:3直径 30~300中尺度特征即可重点关注边缘模糊区域凹坑/掉漆1:1 ~ 1:2直径 10~80小目标需要将 imgsz 调高或使用切图策略表格里的“像素尺寸”是经验值实际情况和拍摄距离、相机分辨率关系很大。如果你发现模型对小裂纹漏检多第一反应不应该是改网络结构而是先检查训练时图像缩放到多大。常见做法是把 imgsz 从 640 提到 960 或 1280小目标 mAP 能提升几个点代价是显存和推理时间上涨。这也是 YOLOv8 相对早期版本更有优势的地方它的多尺度训练策略本来就支持这种调整不需要改动代码。2.3 构建自己的蒙皮损伤数据集类别定义与标注规范飞机蒙皮损伤没有统一公共数据集多数课程设计都是自己收集照片加标注。我一般建议类别不要分太细先按“crack、corrosion、dent、paint_off”四类建后续再合并或拆分。注意类别越少、每类样本越均匀训练越稳定如果你把裂纹按方向再拆成横向/纵向样本量不够时会互相抢特征容易掉点。标注工具用 LabelImg 或 X-AnyLabeling 都行导出格式尽量直接用 YOLO txt 格式省去转换一步。如果拿到的是 VOC 格式 xml 或 COCO json可以用下面这个脚本转成 YOLO 格式import os import xml.etree.ElementTree as ET # VOC 格式的 xml 转 YOLO txt def voc_to_yolo(xml_path, out_dir, class_dict): tree ET.parse(xml_path) root tree.getroot() img_w int(root.find(size).find(width).text) img_h int(root.find(size).find(height).text) out_lines [] for obj in root.iter(object): cls obj.find(name).text if cls not in class_dict: continue box obj.find(bndbox) x1 float(box.find(xmin).text) y1 float(box.find(ymin).text) x2 float(box.find(xmax).text) y2 float(box.find(ymax).text) # 归一化到 0~1 cx (x1 x2) / 2 / img_w cy (y1 y2) / 2 / img_h w (x2 - x1) / img_w h (y2 - y1) / img_h out_lines.append(f{class_dict[cls]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) if out_lines: base os.path.splitext(os.path.basename(xml_path))[0] with open(os.path.join(out_dir, base .txt), w) as f: f.write(\n.join(out_lines))这段脚本把标框中心点坐标和宽高分别除以图片宽高得到归一化的相对值。YOLO 格式要求每行一个目标格式是“类别序号 cx cy w h”。转换时要注意图片尺寸必须和 xml 里 size 字段一致否则模型训练时边界框会偏移。建议转换后写一个反查脚本把 txt 画回图上人工抽查一遍这一步比多调十个 epoch 更重要。3. 用 YOLOv8 训练自己的蒙皮损伤数据集3.1 环境安装与目录准备训练部分我会直接用 ultralytics 包它把数据加载、模型定义、训练、验证和导出都封在了同一套接口里。安装很简单但建议用 Python 3.9 到 3.11 之间的版本太新的 Python 版本有时候会碰到依赖冲突。pip install ultralytics训练时是否需要 GPU 要看你的数据量和模型规模。用 YOLOv8n 训练 2000 张图片的 30 轮在 GTX 1660 Ti 上大约半小时到一小时如果换 YOLOv8x 且图片尺寸 1280显存不够直接 OOM。我的建议是只有 CPU 就跑 n 或 simgsz 降到 640batch 设 4能接受有 6GB 以上显存就可以上 m。数据集目录建议按下面结构组织skin_dataset/ ├── images/ │ ├── train/ # 训练图片 │ └── val/ # 验证图片 ├── labels/ │ ├── train/ # 训练标注 │ └── val/ # 验证标注 └── skin.yaml训练集和验证集不要混用验证集至少 200 张图且要来自不同架次或不同光照条件的照片不然 val 的 mAP 虚高换到真实场景马上现原形。3.2 编写 skin.yaml 数据集配置YOLOv8 通过 yaml 文件读取数据集路径和类别信息。示例如下# skin.yaml path: D:/project/skin_dataset # 数据集根目录也可以填相对路径 train: images/train val: images/val nc: 4 names: 0: crack 1: corrosion 2: dent 3: paint_offyaml 里 path 支持绝对和相对路径。要注意 names 的顺序一定要和标注 txt 里类别序号对应如果标注时 crack 是 0这里就必须是 0。类别名不区分大小写但建议保持全小写避免和 Linux 目录或后续导出混淆。配置好后先做一次数据校验from ultralytics import YOLO model YOLO(yolov8n.yaml) # 只做数据检查不训练 model.train(dataskin.yaml, epochs1, imgsz640, workers4)如果数据集路径有问题运行时会报Dataset not found这时优先检查 yaml 里 path 的路径分隔符。Windows 下反斜杠要写双斜杠或者用正斜杠。3.3 启动训练关键参数怎么调训练命令可以直接写成 Python 脚本也可以走命令行。我一般用 Python 脚本因为方便在训练前后插入数据处理或日志分析from ultralytics import YOLO if __name__ __main__: model YOLO(yolov8n.pt) # 载入 COCO 预训练权重 results model.train( dataskin.yaml, epochs100, imgsz960, # 提高输入分辨率更好检测小裂纹 batch8, # 根据显存调整 device0, # 0 表示第一张 GPUCPU 填 cpu workers4, lr00.01, optimizerSGD, augmentTrue, cacheTrue, # 将图片缓存到内存加快读取 patience15, # 验证指标不提升 15 轮就早停 projectruns/train, nameskin_v8n )参数说明是这样一组imgsz 决定了训练时图像缩放尺寸前面提到的小裂纹对分辨率敏感所以从默认 640 提到 960batch 越大梯度越稳但显存不够时优先把 batch 降到 4 或 2device0 表示用第一张 NVIDIA 显卡用 CPU 时写 devicecpu但训练速度会慢 10 倍以上lr0 是初始学习率SGD 下 0.01 是官方默认基线augment 使用默认的 Mosaic 和 MixUp 数据增强能明显提升泛化性patience 设 15 可以防止训练后期过拟合时浪费时间。如果训练中断可以加 resumeTrue 直接续跑results model.train(resumeTrue)这会自动加载 project/name 目录下最近的 last.pt。这个功能在课程设计演示前跑崩了很管用不用从头来。3.4 训练日志、损失曲线与结果文件训练结束后在runs/train/skin_v8n/下能看到 weights/last.pt 和 best.pt。best.pt 是根据验证集 precision/recall 综合指标保存的部署时直接用 best.pt。ultralytics 会生成 results.png里面包含 box_loss、cls_loss、mAP50 和 mAP50-95 四条曲线。画损失曲线不需要额外代码但要学会看趋势曲线现象可能原因调整方向box_loss 下降后不收敛学习率偏高或数据集噪声大调低 lr0 到 0.005检查错标框cls_loss 快速降到接近 0类别数少且特征明显说明分类学得好重点看回归mAP50 涨到 0.9 后抖动验证集过小或早停阈值太松增加验证图降低 patiencemAP50-95 明显低于 mAP50目标是细长裂纹IoU 难算高调高 imgsz 或导出后做 SAHI 切图推理我还会在训练后用验证集做一次逐类统计from ultralytics import YOLO model YOLO(runs/train/skin_v8n/weights/best.pt) metrics model.val(dataskin.yaml, splitval) print(metrics.box.maps) # 每个类别的 mAP50-95如果 dent 类 mAP 比其他低一截大概率是样本太少回去补图而不是调模型。这个定位思路比盲目换改进模块要有效得多。4. 构建可视化检测界面4.1 界面选型Streamlit 还是 PyQt可视化界面是这个系统的直接展示层。做毕设或课设时我优先推荐 Streamlit因为它的代码量少且自带文件上传、图像展示和网页布局不用处理 PyQt 的信号槽和打包问题。PyQt5 适合做真正发布给地勤用的桌面工具但部署时要考虑 Python 环境、DLL 依赖和跨屏显示对一次课程设计来说成本偏高。下面是界面整体流程图片上传 - 模型推理 - 标注结果 - 保存/导出Streamlit 下这个流程用几十行代码就能串起来。你可以把它跑在本机 8501 端口也可以放到内网服务器上给多个检测员同时访问。4.2 用 Streamlit 搭一个图片上传加实时识别的检测页新建app.pyimport streamlit as st import cv2 import numpy as np from ultralytics import YOLO st.set_page_config(page_title飞机蒙皮损伤检测, layoutcentered) st.cache_resource def load_model(path): return YOLO(path) model load_model(best.pt) st.title(飞机蒙皮损伤快速检测) mode st.radio(检测模式, [单张图片, 批量检测]) if mode 单张图片: up st.file_uploader(上传蒙皮照片, type[jpg, png, bmp]) conf st.slider(置信度阈值, 0.1, 0.9, 0.35, 0.05) if up is not None: bytes_data np.frombuffer(up.read(), dtypenp.uint8) img cv2.imdecode(bytes_data, cv2.IMREAD_COLOR) img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) results model.predict(img_rgb, confconf, device0, verboseFalse) annotated results[0].plot() st.image(annotated, channelsRGB, caption检测结果) st.write(results[0].summary())st.cache_resource让模型权重只在首次加载时读入内存后续页面刷新不会重复加载否则每次拖拽图片都要等十几秒。model.predict里 conf 参数用于过滤置信度低的框results[0].plot()会把画好框和类别标签的图片直接返回成 numpy 数组无需手动用 OpenCV 画矩形。如果你在远程服务器上运行想从摄像头实时检测可以改用st.camera_input代替file_uploader代码基本不变这在答辩现场演示时很加分。4.3 在界面上做批量检测和结果导出批量检测是实际定检里更常用的功能。一次选几十张图片跑完后生成一张汇总表if mode 批量检测: files st.file_uploader(上传多张照片, type[jpg, png], accept_multiple_filesTrue) if files: rows [] for f in files: data np.frombuffer(f.read(), dtypenp.uint8) img cv2.imdecode(data, cv2.IMREAD_COLOR) res model.predict(img, conf0.35, device0, verboseFalse)[0] names res.names det res.boxes for i in range(len(det)): cls_id int(det.cls[i]) rows.append({ file: f.name, class: names[cls_id], conf: round(float(det.conf[i]), 4), xyxy: det.xyxy[i].tolist() }) st.dataframe(rows) csv pd.DataFrame(rows).to_csv(indexFalse).encode(utf-8) st.download_button(下载 CSV 结果, csv, damage_result.csv, text/csv)这里的res.boxes.cls是预测类别序号conf是置信度xyxy是边界框坐标。转换成表格后可以按文件筛选、按置信度排序也能直接把 CSV 拿给后续的维修记录系统用。注意 DataFrame 需要导入 pandas我一般在文件头部加import pandas as pd。界面部分不需要改模型代码best.pt 换成其他训练结果也能直接换用。这就是把模型和界面解耦的好处。5. 部署教程从训练机到现场机器5.1 部署包的目录结构与运行环境训练完成后你可以把运行环境精简成一个独立目录方便拷到实验室其他机器演示。一个最小可运行的目录是这样的skin_damage_system/ ├── app.py # Streamlit 界面 ├── best.pt # 训练好的权重 ├── requirements.txt # 依赖清单 ├── start.sh # Linux/macOS 启动脚本 ├── start.bat # Windows 启动脚本 ├── images/ │ ├── demo1.jpg # 测试图 │ └── demo2.jpg └── runs/ # 训练日志可选requirements.txt 里固定版本避免现场机器把依赖升到不兼容的版本ultralytics8.2.0 streamlit1.32.0 opencv-python4.9.0.80 pandas2.0.0 numpy1.24.05.2 一键启动脚本与命令行参数Windows 下start.bat可以这样写echo off cd /d %~dp0 pip install -r requirements.txt streamlit run app.py --server.port 8501Linux 下对应start.sh#!/bin/bash cd $(dirname $0) pip install -r requirements.txt streamlit run app.py --server.port 8501脚本会自动进入当前目录、安装依赖、再启动 Web 服务。--server.port 8501指定端口如果 8501 被占用换成 8502 或 8600。初次运行等待 3 到 5 秒后浏览器访问http://localhost:8501就能看到界面。如果你想把模型导出成 ONNX 后在界面上用可以改 app.py 里的load_model让它加载不同格式权重。但要注意 ONNX 文件不带类别 names需要单独传参。5.3 从 CPU 到 GPU显存与推理时延对照很多答辩现场的电脑没有独立显卡因此部署时要知道不同硬件大概的时延。下面三组数据是我在同样 960×960 图片、批量大小为 1 时记录的参考值推理设备YOLOv8n 时延YOLOv8s 时延是否可用CPU i5-1240P180ms350ms可用但连续跑多张会热降频CPU i7-12700130ms260ms演示够用GTX 1660 Ti 6GB28ms50ms流畅RTX 3060 12GB16ms30ms流畅在代码里model.predict(..., devicecpu)会强制使用 CPU。如果你不知道现场有没有 GPU可以让程序自动检测import torch device cuda if torch.cuda.is_available() else cpu results model.predict(img, devicedevice, conf0.35)这样在 GPU 机器上自动走 GPU没有 GPU 就退回 CPU。模型尺寸方面我建议现场演示统一用 YOLOv8n牺牲一点精度换来流畅度如果老师想看更好的分类效果再换 best.pt 为 YOLOv8s。5.4 启动报错清单进程闪退、路径找不到、依赖冲突部署阶段最容易出问题的地方是依赖环境和路径。以下是我见过的典型报错报错信息原因解决办法ModuleNotFoundError: No module named ultralytics未安装或装进了别的 Python 环境用pip list检查再用python -m pip install ultralyticsDataset not foundyaml 里 path 路径在当前机器不存在改为绝对路径或将数据集复制到工程目录CUDA out of memory显卡显存不够batch 或 imgsz 太大调小 batchimgsz 降到 640或用 devicecpuCould not find function or appropriate match for callONNX 导出后 API 版本不对升级 onnxruntime或把输入转成 float32streamlit run后浏览器打不开端口被防火墙拦或服务器地址不对加--server.address 0.0.0.0关防火墙一个省事的办法是用 conda 建独立 Python 3.10 环境再按 requirements 安装能避开大部分环境冲突问题。课堂上演示不要现场重新 pip install先装好再带去。6. 一个进阶技巧导出 ONNX/TensorRT 把检测提速如果你不想止步于 Streamlit 里用 PyTorch 推理可以先用 ultralytics 自带的导出接口把模型转成 ONNXfrom ultralytics import YOLO model YOLO(best.pt) model.export(formatonnx, imgsz960, opset12)导出的best.onnx可以用 onnxruntime 加载推理时不再依赖 PyTorch。在 CPU 上onnxruntime 通常比原始 PyTorch 再快 20% 到 40%如果在 GPU 机器上配合 TensorRT 获得最大收益。导出 TensorRT 引擎的方式model.export(formatengine, imgsz960, halfTrue)默认 FP16 精度适合比赛或演示。导入到界面里时onnxruntime 的写法和 YOLO 不太一样需要自己做预处理import cv2 import numpy as np import onnxruntime as ort sess ort.InferenceSession(best.onnx, providers[CUDAExecutionProvider, CPUExecutionProvider]) input_name sess.get_inputs()[0].name dtype sess.get_inputs()[0].type def infer_onnx(img): h, w img.shape[:2] ratio min(960 / h, 960 / w) new_h, new_w int(h * ratio), int(w * ratio) img_resized cv2.resize(img, (new_w, new_h)) canvas np.zeros((960, 960, 3), dtypenp.uint8) canvas[:new_h, :new_w] img_resized blob canvas[:, :, ::-1].transpose(2, 0, 1).astype(np.float32) / 255.0 blob np.expand_dims(blob, 0) outs sess.run(None, {input_name: blob})[0] return outs[0] # shape: [num_det, 6 num_classes]这段代码里outs是模型输出的原始张量每行包含边界框坐标、置信度和类别概率。从 ONNX 输出到后面的非极大值抑制 NMS 需要自己写这也是我建议非必要不直接换 ONNX 的原因之一。如果你想在界面里快速集成还是用 ultralytics 的model.predict最省事ONNX 适合做成一个独立的高性能检测 API供多人并发调用。练习时可以用timeit分别测 PyTorch 权重和 ONNX 权重在同一张图上的推理耗时把结果做成柱状图放进答辩材料里这也是很直观的性能验证方法。本文还有配套的精品资源点击获取