YOLOv12 钢材表面缺陷检测
用 Ultralytics YOLOv12 在 NEU-DET 上训练一个钢材表面缺陷检测器：6 类缺陷、~5000 张图、train → val → predict 全流程，落地到自动化钢材质检。可复现的训练配方 + 一个示意推理 Demo。
钢厂质检员盯着钢卷找划痕、夹杂、麻点，眼睛会累、会漏。这个项目用 Ultralytics YOLOv12 在公开的 NEU-DET 数据集上训练一个目标检测器，把这件事自动化：一张钢材表面图进来，模型框出缺陷、标出类别和置信度。
任务定义
NEU-DET（东北大学热轧钢带表面缺陷库）是工业视觉里的经典基准，6 个缺陷类别：
| 类别 | 含义 |
|---|---|
crazing | 裂纹（细密网状，最难检） |
inclusion | 夹杂物 |
pitted_surface | 麻点 / 点蚀 |
scratches | 划痕 |
patches | 斑块 |
rolled-in_scale | 轧入氧化铁皮 |
数据约 ~5000 张灰度钢材表面图，每张配 YOLO 格式标注（class + 归一化 xywh）。这是一个目标检测任务——不只是分类「有没有缺陷」，而是要框出缺陷在哪、是哪一类。
数据配置（dataset.yaml）
Ultralytics 用一个 dataset.yaml 描述数据集，约定 train/val 路径和类名顺序：
path: ./NEU-DET
train: images/train
val: images/val
names:
0: crazing
1: inclusion
2: pitted_surface
3: patches
4: scratches
5: rolled-in_scale
names 的顺序就是标签文件里的类别索引——顺序错了整套训练就全错位，这是第一个要核对的地方。
训练配方（3-yolo-steel.py）
整条流水线是 train → val → predict 三段，全在 Ultralytics 的高层 API 上：
from ultralytics import YOLO
# 1. 加载 YOLOv12 预训练权重做迁移学习
model = YOLO("yolov12n.pt")
# 2. 在 NEU-DET 上训练
model.train(
data="dataset.yaml",
epochs=100,
imgsz=640,
mosaic=1.0, # 拼接 4 张图，增强小目标 + 上下文多样性
mixup=0.1, # 图像线性混合
copy_paste=0.1, # 把实例抠出来贴到别的图上
)
# 3. 在验证集上评估 → 输出 mAP / 每类 AP
metrics = model.val()
# 4. 在留出钢材图上推理
results = model.predict("samples/steel_held_out.jpg", conf=0.25)
results[0].show() # 叠框可视化
关键设置：
imgsz=640：检测里图越大小目标越清楚，640 是速度/精度的常用平衡点- 三种增强
mosaic + mixup + copy-paste：缺陷样本天然不均衡（划痕多、裂纹少），靠增强补少数类、提泛化 epochs≈100：从预训练权重起步，钢材这种单一域收敛不需要太久conf=0.25：推理阈值——调高漏检（recall↓），调低误检（precision↓），质检场景通常宁可多框（高 recall）
训练在 AutoDL 的 GPU 上跑，产出 best.pt（验证 mAP 最高的那个 checkpoint），推理就加载它。
为什么是 YOLO 而不是两阶段检测器
| 维度 | 选 YOLO 的理由 |
|---|---|
| 速度 | 单阶段、端到端，产线上钢卷高速通过，必须实时 |
| 够用 | NEU-DET 这种规整的表面缺陷，YOLO 精度已经足够，不需要 Faster R-CNN 的两阶段开销 |
| 生态 | Ultralytics 把 train/val/predict/export 全封好了，从训练到 ONNX/TensorRT 部署一条线 |
价值点
- 能跑通端到端工业 CV：数据配置 → 训练 → 评估 → 推理，不是只调一个分类 API
- 是个真实落地场景——自动化钢材表面质检，缺陷分 6 类、有明确的产线动机
- 和作品集里的 VLM / RAG 项目互补：这是第一个目标检测 / 工业视觉项目，补上了 CV 这条线
Demo 与真实材料的对应关系
训练数据（NEU-DET ~5000 张）和训练代码（3-yolo-steel.py / dataset.yaml）都是课程里真实的；但训练出的 best.pt 权重没有随站点发布，浏览器里也跑不了真模型。所以这个项目定位成「可复现的训练配方 + 一个示意推理 Demo」：互动 Demo 里的缺陷框、置信度、每类 AP 都是 NEU-DET 上 YOLO 典型量级的示意值（已标注为 illustrative），不是本站权重的实测 benchmark。