制造业面临的核心挑战之一，就是产品质检的效率与一致性。传统的人工目检方式，不仅速度难以匹配产线节拍，疲劳导致的漏检更是防不胜防。随着计算机视觉技术的日趋成熟，这一难题已有了切实的解决方案。本系统基于YOLOv11（You Only Look Once第11版）构建，是一款专为工业产线场景打造的实时目标检测方案。它并非实验室中的概念产品，而是能够直接集成到生产流程中，实现质量控制的自动化升级。
项目的核心目标是实现三项功能：在产线上实时识别产品，自动将其分类为「合格品」和「不良品」，并附带自动计数功能。速度、精度与可扩展性，是贯穿设计始终的关键考量。工业场景对稳定性的要求远超其他环境，因此这套系统的设计思路，始终围绕这一核心原则展开。
项目概述
简而言之，该项目将YOLOv11模型深度集成到制造产线的质检环节中，聚焦两个关键动作：实时检测产线上的产品，自动将其归类为「合格品」或「不良品」，并完成自动计数。从模型选型到部署策略，所有决策均以“能否真正落地”为唯一准则。
数据集说明
训练数据的选择至关重要。本项目采用Kaggle开源工业数据集，包含多种工况下拍摄的产品图像。每张图像均经过精细的边界框标注，并分为两类：
- 不良品： 具有明显可见缺陷的产品
- 合格品： 各项质量指标均符合标准的产品
关键参数如下：数据集来源于真实工业铸件产品，共计700张图像，标注格式为边界框加双标签（Damaged/OK）。虽然数据规模不算庞大，但胜在包含大量“脏”数据和真实噪声，直接用于迁移学习后效果显著。
技术方案
在模型架构方面，我们选择了YOLO11l和YOLO11s两个版本。YOLO系列的优势已广为人知：单阶段检测将推理速度压缩至毫秒级，并原生支持多类别分类（本项目中为两类）。训练流程中，数据预处理阶段统一缩放到512×512分辨率，然后按8:1:1比例划分为训练集、验证集和测试集。模型训练采用基于预训练权重的迁移学习策略，并针对工业场景进行了定制化微调。
性能评估聚焦于四项核心指标：精确率、召回率、mAP和F1分数。值得强调的是，在测试集上，mAP@0.5达到了95.10%，这一表现对于工业场景而言已非常扎实。
部署方案同样直接高效：通过Python OpenCV，在产线模拟环境中实现实时推理。整个设计的目标就是确保系统能够落地应用，而非停留在论文层面。
性能指标
| 指标 | 数值 |
| 精确率 | 95.55% |
| 召回率 | 95.65% |
| mAP@0.5 | 95.10% |
| 损失值 | 0.17 |
效果演示方面，可通过下载测试视频直观感受模型在实际产线运动中的真实表现。
使用指南
环境配置过程并不复杂。通过yml文件可快速搭建环境，基础要求为Python 3.10.16。依赖库安装命令如下：
pip install torch torchvision opencv-python ultralytics总而言之，这是一套可直接上手运行的工业轴承缺陷检测及产线实时质检系统。
