# simple-yolov8-boot-template

**Repository Path**: luzhihaoTestingLab/simple-yolov8-boot-template

## Basic Information

- **Project Name**: simple-yolov8-boot-template
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-05-18
- **Last Updated**: 2026-05-26

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# YOLO 产品缺陷检测

基于 YOLOv8 的产品缺陷检测项目，支持训练、推理和 ONNX 部署。

## 数据集

- 类别: Abuse（虐待）、Explosion（爆炸）、Shooting（射击）
- 图片数: 2003 张
- 尺寸: 640x640
- 来源: [Roboflow](https://universe.roboflow.com/lu-zhihao/yolo-dcttp-jlsl3/dataset/1)

## 目录结构

```
.
├── data.yaml              # 数据集配置
├── train/                 # 训练集
├── valid/                 # 验证集
├── test/                  # 测试集
├── train.py               # 训练脚本
├── predict.py             # 推理脚本
├── deploy_onnx.py         # ONNX 部署脚本
├── split_dataset.py       # 数据集拆分脚本
├── requirements.txt       # Python 依赖
├── .gitignore
└── README.md
```

## 环境安装

```bash
pip install -r requirements.txt
```

GPU 训练额外安装 PyTorch（CUDA 11.8 示例）:

```bash
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118
```

## 快速开始

### 1. 训练

```bash
python train.py
```

训练完成后模型保存在 `runs/train/yolo_explosion/weights/best.pt`。

### 2. 推理

```bash
# 对测试集推理
python predict.py --source test/images/

# 单张图片
python predict.py --source image.jpg

# 摄像头实时检测
python predict.py --source 0

# 视频文件
python predict.py --source video.mp4
```

### 3. ONNX 部署（无需 PyTorch）

```bash
python deploy_onnx.py --model runs/train/yolo_explosion/weights/best.onnx --source test/images/
```

## 自定义数据集流程

1. **拍照**: 收集产品缺陷图片，放入 `images/` 文件夹
2. **标注**: 使用 LabelImg 标注，生成 `labels/` 文件夹
   ```bash
   pip install labelImg
   labelImg
   ```
3. **拆分**: 按 8:2 拆分训练集和验证集
   ```bash
   python split_dataset.py --input ./images --labels ./labels --ratio 0.8
   ```
4. **修改配置**: 编辑 `dataset/data.yaml`，填入正确的类别名
5. **训练**: `python train.py`（记得修改 `data` 路径）
6. **部署**: 使用 `deploy_onnx.py` 部署到产线

## 模型选择

| 模型 | 大小 | 速度 | 适用场景 |
|------|------|------|----------|
| yolov8n | 6 MB | 最快 | 实时检测、边缘设备 |
| yolov8s | 22 MB | 快 | 平衡选择 |
| yolov8m | 52 MB | 中等 | 精度优先 |
| yolov8l | 88 MB | 慢 | 高精度需求 |
| yolov8x | 136 MB | 最慢 | 最高精度 |

修改 `train.py` 中的模型名即可切换。

## License

数据集: CC BY 4.0