工业-齿轮缺陷检测系统YOLO带数据集模型948张 3类【标注好的齿轮缺陷检测YOLO数据集】共【948】张按照8比2划分为训练集和验证集其中训练集【758】张验证集【190】张模型分为【3】类分类为【‘生锈’, ‘完好’, ‘缺损’】【齿轮缺陷检测YOLO模型】训练结果图片见下图【齿轮检测系统】支持单张/多张图片检测、视频检测、检测结果、检测统计、数据导出齿轮缺陷检测系统YOLOv8/YOLOv11一、项目与数据集信息表项目详情说明系统名称齿轮缺陷智能检测系统技术框架后端Python PyQt Ultralytics YOLO前端PyQt界面核心功能单张/批量图片检测、视频/摄像头实时检测、检测结果可视化、检测统计、JSON/CSV数据导出数据集规模共 948 张齿轮图像数据集划分训练集758 张约80%验证集190 张约20%标注格式YOLO 标准格式目标类别3类0: 生锈1: 完好2: 缺损模型指标训练完成后mAP50 可达 0.98模型收敛良好应用场景工业生产线齿轮质检、设备预防性维护、高校毕设/课程项目、缺陷检测算法验证二、数据集目录结构gear_dataset/ ├── images/ │ ├── train/ # 758 张训练图片 │ └── val/ # 190 张验证图片 ├── labels/ │ ├── train/ # 对应YOLO格式标注txt文件 │ └── val/ └── gear.yaml # 数据集配置文件三、数据集配置文件gear.yamlpath:./gear_datasettrain:images/trainval:images/valnc:3names:0:生锈1:完好2:缺损四、YOLO训练代码Ultralytics1. 环境依赖pipinstallultralytics opencv-python numpy2. 训练主代码train_gear.pyfromultralyticsimportYOLOdefmain():# 加载预训练模型YOLOv8s/YOLOv11smodelYOLO(yolov8s.pt)# 开始训练resultsmodel.train(data./gear_dataset/gear.yaml,epochs100,imgsz640,batch16,device0,# 有GPU写0无GPU写cpuworkers4,patience15,# 早停机制projectruns/train,namegear_defect,exist_okTrue,pretrainedTrue,mosaic1.0)print(训练完成模型保存在 runs/train/gear_defect/weights/)# 在验证集上评估模型metricsmodel.val()print(fmAP50:{metrics.box.map50:.4f})print(fmAP50-95:{metrics.box.map:.4f})if__name____main__:main()五、PyQt检测系统核心代码界面推理importsysimportcv2importjsonimportcsvfromPyQt5.QtWidgetsimport*fromPyQt5.QtCoreimport*fromPyQt5.QtGuiimport*fromultralyticsimportYOLOclassGearDefectDetector(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle(齿轮缺陷智能检测系统)self.setGeometry(100,100,1200,800)self.modelNoneself.results[]self.initUI()definitUI(self):# 左侧控制面板left_widgetQWidget()left_layoutQVBoxLayout(left_widget)# 模型设置self.conf_spinQDoubleSpinBox()self.conf_spin.setRange(0.1,1.0)self.conf_spin.setValue(0.7)left_layout.addWidget(QLabel(置信度阈值:))left_layout.addWidget(self.conf_spin)# 按钮self.btn_select_imgQPushButton(选择单张图像)self.btn_detectQPushButton(开始检测)self.btn_export_jsonQPushButton(导出为JSON)self.btn_export_csvQPushButton(导出为CSV)self.btn_select_img.clicked.connect(self.select_image)self.btn_detect.clicked.connect(self.run_detection)self.btn_export_json.clicked.connect(self.export_json)self.btn_export_csv.clicked.connect(self.export_csv)left_layout.addWidget(self.btn_select_img)left_layout.addWidget(self.btn_detect)left_layout.addWidget(self.btn_export_json)left_layout.addWidget(self.btn_export_csv)# 统计信息self.stat_labelQLabel(检测统计:\n生锈: 0\n完好: 0\n缺损: 0\n总计: 0)left_layout.addWidget(self.stat_label)# 右侧图像显示self.image_labelQLabel(图像显示区域)self.image_label.setAlignment(Qt.AlignCenter)# 主布局main_layoutQHBoxLayout()main_layout.addWidget(left_widget,1)main_layout.addWidget(self.image_label,3)central_widgetQWidget()central_widget.setLayout(main_layout)self.setCentralWidget(central_widget)# 加载模型self.modelYOLO(runs/train/gear_defect/weights/best.pt)defselect_image(self):path,_QFileDialog.getOpenFileName(self,选择图像,,Images (*.png *.jpg *.jpeg))ifpath:self.img_pathpath self.image_label.setPixmap(QPixmap(path).scaled(self.image_label.size(),Qt.KeepAspectRatio))defrun_detection(self):ifnothasattr(self,img_path):returnconfself.conf_spin.value()resultsself.model.predict(self.img_path,confconf,saveFalse)self.resultsresults[0].boxes self.update_statistics()self.draw_result()defdraw_result(self):imgcv2.imread(self.img_path)forboxinself.results:x1,y1,x2,y2map(int,box.xyxy[0])clsint(box.cls[0])conffloat(box.conf[0])label[生锈,完好,缺损][cls]color(0,0,255)ifcls0else(0,255,0)ifcls1else(255,0,0)cv2.rectangle(img,(x1,y1),(x2,y2),color,2)cv2.putText(img,f{label}:{conf:.2f},(x1,y1-10),cv2.FONT_HERSHEY_SIMPLEX,0.8,color,2)img_rgbcv2.cvtColor(img,cv2.COLOR_BGR2RGB)h,w,cimg_rgb.shape bytes_per_linec*w qimgQImage(img_rgb.data,w,h,bytes_per_line,QImage.Format_RGB888)self.image_label.setPixmap(QPixmap.fromImage(qimg).scaled(self.image_label.size(),Qt.KeepAspectRatio))defupdate_statistics(self):counts[0,0,0]forboxinself.results:clsint(box.cls[0])counts[cls]1self.stat_label.setText(f检测统计:\n生锈:{counts[0]}\n完好:{counts[1]}\n缺损:{counts[2]}\n总计:{len(self.results)})defexport_json(self):ifnotself.results:returndata[]forboxinself.results:data.append({class:[生锈,完好,缺损][int(box.cls[0])],confidence:float(box.conf[0]),bbox:list(map(int,box.xyxy[0].tolist()))})withopen(detection_result.json,w,encodingutf-8)asf:json.dump(data,f,ensure_asciiFalse,indent4)defexport_csv(self):ifnotself.results:returnwithopen(detection_result.csv,w,newline,encodingutf-8)asf:writercsv.writer(f)writer.writerow([class,confidence,x1,y1,x2,y2])forboxinself.results:x1,y1,x2,y2map(int,box.xyxy[0])writer.writerow([[生锈,完好,缺损][int(box.cls[0])],float(box.conf[0]),x1,y1,x2,y2])if__name____main__:appQApplication(sys.argv)windowGearDefectDetector()window.show()sys.exit(app.exec_())六、应用场景场景具体用途工业自动化质检齿轮生产线中自动识别生锈、缺损等缺陷替代人工检测提高效率设备预防性维护对在用设备的齿轮进行定期检测提前发现缺陷避免故障高校毕设/课程项目计算机视觉、深度学习课程的目标检测实战项目缺陷检测算法验证用于测试和对比不同YOLO模型在工业缺陷检测任务上的性能关键标签#YOLO#齿轮缺陷检测#工业质检#目标检测#PyQt#Python#数据集#毕业设计#智能检测#缺陷识别