视频演示
1. 前言
在电子制造领域，印刷电路板（PCB）的质量直接决定了电子产品的可靠性与性能。传统PCB缺陷检测（如短路、断路、漏孔等）多依赖人工目检，存在效率低、易漏检、主观性强等问题。随着智能制造的发展，基于深度学习的目标检测技术为PCB质量管控提供了新的解决方案。
本项目基于先进的YOLO系列算法（包括YOLOv5、v8、v11、v12），开发了一套高效、准确的PCB缺陷智能检测系统。系统支持对图像、视频、批量图片以及实时摄像头画面进行多模态检测，能够快速识别并定位各类常见缺陷，并具备结果统计、类别筛选、详情查看等交互功能。同时，系统集成了用户管理、模型切换、自主训练等模块，形成了一套从数据到检测的完整工作流。
本系统的实现，旨在为PCB生产质量检测提供一种自动化、智能化的辅助工具，有效提升检测效率与一致性，对推进工业质检智能化具有积极的实践意义。
2. 项目演示
2.1 用户登录界面
登录界面布局简洁清晰，左侧展示系统主题，用户需输入用户名、密码及验证码完成身份验证后登录系统。
2.2 新用户注册
注册时可自定义用户名与密码，支持上传个人头像；如未上传，系统将自动使用默认头像完成账号创建。
2.3 主界面布局
主界面采用三栏结构，左侧为功能操作区，中间用于展示检测画面，右侧呈现目标详细信息，布局合理，交互流畅。
2.4 个人信息管理
用户可在此模块中修改密码或更换头像，个人信息支持随时更新与保存。
2.5 多模态检测展示
系统支持图片、视频及摄像头实时画面的目标检测。识别结果将在画面中标注显示，并在下方列表中逐项列出。点击具体目标可查看其类别、置信度及位置坐标等详细信息。
2.6 多模型切换
系统内置多种已训练模型，用户可根据实际需求灵活切换，以适应不同检测场景或对比识别效果。
3.模型训练核心代码
本脚本是YOLO模型批量训练工具，可自动修正数据集路径为绝对路径，从pretrained文件夹加载预训练模型，按设定参数（100轮/640尺寸/批次8）一键批量训练YOLOv5nu/v8n/v11n/v12n模型。
# -*- coding: utf-8 -*-
"""
该脚本用于执行YOLO模型的训练。
它会自动处理以下任务：
1. 动态修改数据集配置文件 (data.yaml)，将相对路径更新为绝对路径，以确保训练时能正确找到数据。
2. 从 'pretrained' 文件夹加载指定的预训练模型。
3. 使用预设的参数（如epochs, imgsz, batch）启动训练过程。
要开始训练，只需直接运行此脚本。
"""
import os
import yaml
from pathlib import Path
from ultralytics import YOLO
def main():
"""
主训练函数。
该函数负责执行YOLO模型的训练流程，包括：
1. 配置预训练模型。
2. 动态修改数据集的YAML配置文件，确保路径为绝对路径。
3. 加载预训练模型。
4. 使用指定参数开始训练。
"""
# --- 1. 配置模型和路径 ---
# 要训练的模型列表
models_to_train = [
{'name': 'yolov5nu.pt', 'train_name': 'train_yolov5nu'},
{'name': 'yolov8n.pt', 'train_name': 'train_yolov8n'},
{'name': 'yolo11n.pt', 'train_name': 'train_yolo11n'},
{'name': 'yolo12n.pt', 'train_name': 'train_yolo12n'}
]
# 获取当前工作目录的绝对路径，以避免相对路径带来的问题
current_dir = os.path.abspath(os.getcwd())
# --- 2. 动态配置数据集YAML文件 ---
# 构建数据集yaml文件的绝对路径
data_yaml_path = os.path.join(current_dir, 'train_data', 'data.yaml')
# 读取原始yaml文件内容
with open(data_yaml_path, 'r', encoding='utf-8') as f:
data_config = yaml.safe_load(f)
# 将yaml文件中的 'path' 字段修改为数据集目录的绝对路径
# 这是为了确保ultralytics库能正确定位到训练、验证和测试集
data_config['path'] = os.path.join(current_dir, 'train_data')
# 将修改后的配置写回yaml文件
with open(data_yaml_path, 'w', encoding='utf-8') as f:
yaml.dump(data_config, f, default_flow_style=False, allow_unicode=True)
# --- 3. 循环训练每个模型 ---
for model_info in models_to_train:
model_name = model_info['name']
train_name = model_info['train_name']
print(f"\n{'='*60}")
print(f"开始训练模型: {model_name}")
print(f"训练名称: {train_name}")
print(f"{'='*60}")
# 构建预训练模型的完整路径
pretrained_model_path = os.path.join(current_dir, 'pretrained', model_name)
if not os.path.exists(pretrained_model_path):
print(f"警告: 预训练模型文件不存在: {pretrained_model_path}")
print(f"跳过模型 {model_name} 的训练")
continue
try:
# 加载指定的预训练模型
model = YOLO(pretrained_model_path)
# --- 4. 开始训练 ---
print(f"开始训练 {model_name}...")
# 调用train方法开始训练
model.train(
data=data_yaml_path, # 数据集配置文件
epochs=100, # 训练轮次
imgsz=640, # 输入图像尺寸
batch=8, # 每批次的图像数量
name=train_name, # 模型名称
)
print(f"{model_name} 训练完成！")
except Exception as e:
print(f"训练 {model_name} 时出现错误: {str(e)}")
print(f"跳过模型 {model_name}，继续训练下一个模型")
continue
print(f"\n{'='*60}")
print("所有模型训练完成！")
print(f"{'='*60}")
if __name__ == "__main__":
# 当该脚本被直接执行时，调用main函数
main()4. 技术栈
-
语言：Python 3.10
-
前端界面：PyQt5
-
数据库：SQLite（存储用户信息）
-
模型：YOLOv5、YOLOv8、YOLOv11、YOLOv12
5. YOLO模型对比与识别效果解析
5.1 YOLOv5/YOLOv8/YOLOv11/YOLOv12模型对比
基于Ultralytics官方COCO数据集训练结果：
| 模型 | 尺寸(像素) | mAPval 50-95 | 速度(CPU ONNX/毫秒) | 参数(M) | FLOPs(B) |
|---|---|---|---|---|---|
| YOLO12n | 640 | 40.6 | - | 2.6 | 6.5 |
| YOLO11n | 640 | 39.5 | 56.1 ± 0.8 | 2.6 | 6.5 |
| YOLOv8n | 640 | 37.3 | 80.4 | 3.2 | 8.7 |
| YOLOv5nu | 640 | 34.3 | 73.6 | 2.6 | 7.7 |
关键结论：
-
精度最高：YOLO12n（mAP 40.6%），显著领先其他模型（较YOLOv5nu高约6.3个百分点）；
-
速度最优：YOLO11n（CPU推理56.1ms），比YOLOv8n快42%，适合实时轻量部署；
-
效率均衡：YOLO12n/YOLO11n/YOLOv8n/YOLOv5nu参数量均为2.6M，FLOPs较低（YOLO12n/11n仅6.5B）；YOLOv8n参数量（3.2M）与计算量（8.7B）最高，但精度优势不明显。
综合推荐：
-
追求高精度：优先选YOLO12n（精度与效率兼顾）；
-
需高速低耗：选YOLO11n（速度最快且精度接近YOLO12n）；
-
YOLOv5nu/YOLOv8n因性能劣势，无特殊需求时不建议首选。
5.2 数据集分析
数据集中训练集和验证集一共大概22000多张，数据集目标类别6类：漏孔、破孔、开路、短路、毛刺、残铜。数据集配置代码如下：
names:
- missing_hole
- mouse_bite
- open_circuit
- short
- spur
- spurious_copper
nc: 6
path: D:\project\python\01Finished\yolo_PCB_detect\train_data
test: ../test/images
train: ../train/images
val: ../valid/images上面的图片就是部分样本集训练中经过数据增强后的效果标注。
5.3 训练结果
混淆矩阵显示中识别精准度是，missing_hole（漏孔）：100%，mouse_bite（破孔）：100%，open_circuit（开路）：99%，short（短路）：99%，spur（毛刺）：98%，spurious_copper（残铜）：99%，识别精准度非常高。
F1指数（F1 Score）是统计学和机器学习中用于评估分类模型性能的核心指标，综合了模型的精确率（Precision）和召回率（Recall），通过调和平均数平衡两者的表现。
当置信度为0.283时，所有类别的综合F1值达到了0.98（蓝色曲线）。
mAP@0.5：是目标检测任务中常用的评估指标，表示在交并比（IoU）阈值为0.5时计算的平均精度均值（mAP）。其核心含义是：只有当预测框与真实框的重叠面积（IoU）≥50%时，才认为检测结果正确。
图中可以看到综合mAP@0.5达到了0.991（99.1%），准确率非常高。