YOLOv12 钢材表面缺陷检测
用 Ultralytics YOLOv12 在 NEU-DET 上训练钢材表面缺陷检测器：6 类缺陷、~5000 张图、train → val → predict 全流程，落地自动化钢材质检。可复现训练配方 + 示意推理 Demo。
挑一张钢材表面图，复演训练好的 best.pt：YOLOv12 加载、单次前向，缺陷框（类别 + 置信度）叠到表面上，最后给一张每类 AP@0.5 表。
本地版本说明
训练数据（NEU-DET ~5000 张）和代码（3-yolo-steel.py / dataset.yaml）是课程里真实的，但 best.pt 权重未随站点发布、浏览器内不跑模型。框、置信度、每类 AP 是 NEU-DET 上 YOLO 典型量级的示意值——标注为 illustrative，非本站权重实测。
运行 YOLOv12 钢材缺陷检测
挑一张钢材表面图，复演 best.pt 推理：缺陷框 + 每类置信度逐个出现，最后给一张 mAP / 每类 AP 表。
输入图像
best.pt → YOLO("best.pt")
Ultralytics loads the YOLOv12 weights trained on NEU-DET (6 classes, imgsz 640).
model.predict(img, conf=0.25)
A single forward pass over the held-out steel image returns boxes + class + confidence.
results[0].boxes → overlay
Detections are drawn over the surface, then summarized into a per-class mAP table.
训练配方
NEU-DET ~5000 张 → train / val / predict。~100 epochs，imgsz 640，mosaic + mixup + copy-paste 增强，AutoDL GPU 上训练。
执行日志
运行推理，看缺陷框如何叠到钢材表面上。
检测结果叠加
* 框与置信度为示意，best.pt 权重未随站点发布，浏览器内不跑模型。
建议体验
在三张样例钢材图之间切换，重新跑推理。
看 加载 → 推理 → 叠框 三阶段依次点亮，缺陷框带每类标签出现。
看每类 AP@0.5 表——注意 crazing 是已知的低召回难类。
这个试玩能说明什么
你能跑通端到端工业 CV：dataset.yaml → 训练 → val → 推理，不只是分类 API。
你懂目标检测的杠杆：imgsz、conf 阈值，以及 mosaic/mixup/copy-paste 应对缺陷类不均衡。
你刻意选了 YOLO——单阶段实时检测匹配高速产线。
模型
Ultralytics YOLOv12 · 从 yolov12n.pt 迁移 · imgsz 640
数据集
NEU-DET · ~5000 张 · 6 类（crazing / inclusion / pitted / scratches / patches / scale）
流水线
train → val (mAP) → predict(best.pt)，AutoDL GPU 训练