在PCB制造与电子组装行业里外观质检一直是产能瓶颈。过去依赖人工目检效率低、漏检率高而且招工困难。传统机器视觉方案需要针对每类缺陷单独写规则遇到光照变化、板面脏污、器件遮挡时鲁棒性很差。深度学习目标检测模型的出现让“用数据替代规则”成为可能。YOLO系列模型因为速度快、精度高、部署简单非常适合落地到PCB缺陷检测场景。而PySide6作为Qt for Python的官方绑定可以在短时间内开发出可交付的桌面检测工具不用把模型服务化也能本地运行。这篇文章基于我实际落地的一个小项目来复盘使用YOLOv8和YOLOv5作为检测模型配合PySide6开发PCB印制板缺陷检测系统实现了图片上传、模型推理、缺陷定位、结果可视化全流程。整个项目包含数据集整理、模型训练、权重导出、界面编写、推理联调五个环节。无论你是刚入门深度学习的小白还是正在找课题方向的在校生或者是在工厂做过视觉项目的一线工程师都能从这套流程里拿走可以直接复用的代码。先说明本文的技术边界。缺陷检测不等于工业视觉的全部它只是AOI自动光学检测流程中的算法环节。本文聚焦的是“如何用YOLO训练一个缺陷检测模型”以及“如何用PySide6把这个模型包装成桌面软件”。不涉及PLC通信、运动控制、光源选型、相机SDK采集这些硬件层面的内容。如果你需要做完整的产线方案可以把本文的检测模块作为一个独立组件集成进上位机。1. 背景与核心概念1.1 PCB缺陷检测为什么要用深度学习PCB印制板在制造过程中经过钻孔、蚀刻、镀铜、阻焊、丝印等十几道工序每一道都可能引入缺陷。常见的缺陷包括短路、断路、铜渣、毛刺、划伤、漏铜、缺孔等。这些缺陷在高密度板上往往只有毫米甚至微米级别而且背景纹理复杂传统视觉算法很难用固定阈值做判断。传统算法思路通常依赖灰度阈值分割、连通域分析、模板匹配。这套方案对“均匀光照 标准板面”的样本有效但PCB板面的铜箔纹理、玻璃纤维底色、阻焊油墨颜色都会干扰算法判断。更关键的是传统算法无法泛化换一种板子、换一种颜色就要重新调一轮参数。深度学习目标检测算法直接把“图像像素”映射到“缺陷类别 坐标框”。模型通过学习大量标注样本自行提取缺陷的纹理、边缘、形状特征对光照和板面变化的鲁棒性明显更强。训练好的模型可以直接处理整张PCB图像同时输出多个缺陷的位置和类别一个模型可以胜任多种缺陷的检测任务。1.2 YOLOv8与YOLOv5怎么选YOLOv5是Ultralytics公司推出的经典目标检测模型在工业界使用非常广泛社区资料丰富部署方案成熟。YOLOv8是Ultralytics在2023年初发布的YOLO系列新版本在骨干网络、颈部结构、检测头和解耦方式上都做了改进精度和速度相比YOLOv5都有提升而且官方直接提供了训练、验证、导出、部署的一体化API。从实际工程角度出发做PCB缺陷检测时YOLOv8是更省事的选择。理由有三个第一YOLOv8以ultralytics包形式发布训练和推理代码比YOLOv5的detect.py脚本更简洁第二YOLOv8在COCO数据集上的mAP普遍优于同量级YOLOv5模型第三YOLOv8的导出流程更顺畅可以导出ONNX、TensorRT、CoreML等格式方便后续部署。但YOLOv5也没有被淘汰。如果你的生产环境已经跑了YOLOv5的ONNX或TensorRT推理服务或者你的显卡显存极小YOLOv5s、YOLOv5n仍然是可选方案。本文以YOLOv8为主线YOLOv5的配置和训练命令我也会在文末做一并说明因为两个框架在数据处理和标注格式上几乎没有差别。1.3 PySide6在检测工具中扮演什么角色PySide6是Qt for Python的官方绑定库基于Qt 6开发功能覆盖了窗口、布局、按钮、表格、绘图、文件对话框等桌面应用开发所需的全部组件。相比tkinterPySide6界面更现代控件更丰富相比PyQtPySide6的许可证是LGPL对商业应用更友好。在检测系统里PySide6主要负责三件事一是搭建图形界面让操作人员可以选中图片文件、点击按钮、看到检测结果二是调用YOLO模型进行推理界面和模型之间通过Python代码结合三是在界面上绘制检测框、标签、置信度直观展示模型预测结果。为什么不用Web前端因为产线环境经常没有公网环境浏览器部署会引入服务器成本而且桌面程序在离线环境下启动更快文件系统访问也更直接。PySide6这种方式特别适合做内部工具。2. 环境准备与项目结构2.1 推荐环境与依赖版本本文的核心依赖是ultralytics和PySide6。建议使用Python 3.9到3.11之间的版本太老的Python版本无法安装新版PySide6太新的Python版本可能遇到PyTorch轮子尚未适配的问题。我用的是以下组合依赖版本建议Python3.10PyTorch2.0以上ultralytics8.0以上PySide66.4以上opencv-python4.8以上numpy1.24以上如果你使用的是YOLOv5需要额外安装torch、torchvision并从YOLOv5仓库获取环境依赖。YOLOv5官方使用requirements.txt管理依赖安装命令如下。环境安装的具体版本以你本机的CUDA版本和PyTorch官方兼容表为准。如果只做CPU推理演示即使没有NVIDIA显卡也可以完成环境搭建和界面开发只是训练步骤会非常慢。为了保证最终程序的依赖清晰干净强烈建议使用虚拟环境。下面命令以conda为例。conda create -n pcb_yolo python3.10 -y conda activate pcb_yolo2.2 安装PySide6与ultralytics激活虚拟环境后依次安装依赖包。如果你有NVIDIA显卡先安装与CUDA版本匹配的PyTorch。如果没有直接使用PyTorch官方CPU版本即可。pip install ultralytics pip install pyside6 pip install opencv-python由于ultralytics会同时安装torch、torchvision、numpy等基础依赖所以第二步安装PySide6时一般不会出现依赖冲突。如果安装过程中遇到numpy版本冲突可以调整安装顺序优先安装PySide6再安装ultralytics。安装完成后验证一下版本python -c import ultralytics; print(ultralytics.__version__) python -c import PySide6; print(PySide6.__version__) python -c import cv2; print(cv2.__version__)如果三个包都能正常打印版本号说明环境基本可用。2.3 项目目录结构整个项目建议按照下面目录组织pcb_defect_detection/ ├── dataset/ │ ├── images/ │ │ ├── train/ │ │ └── val/ │ ├── labels/ │ │ ├── train/ │ │ └── val/ │ └── pcb_defect.yaml ├── models/ ├── runs/ │ └── detect/ ├── main.py ├── detector.py └── requirements.txt其中dataset目录存放标注后的训练数据和验证数据models目录存放预训练权重和训练好的best.ptruns/detect是YOLO训练过程的默认输出目录main.py是PySide6界面入口detector.py封装YOLO模型推理逻辑。3. PCB缺陷数据集准备3.1 PCB常见缺陷类别PCB缺陷检测按制造工艺可以分为两类一类是图形转移过程中的缺陷比如短路、断路、缺口、毛刺另一类是表面工艺缺陷比如铜渣、锡珠、划伤、氧化。在做目标检测标注时每类缺陷作为独立类别标注文件只记录缺陷的边界框和类别编号。公开的PCB缺陷数据集通常包含六类典型缺陷missing_hole缺孔、mouse_bite鼠咬、open_circuit断路、short短路、spur毛刺、spurious_copper铜渣。这个分类方案在PCB缺陷检测论文和竞赛中非常常见可以作为项目初始数据集。如果你的生产环境板子有特殊的缺陷形态需要自己采集数据并标注。建议每类缺陷至少标注500张以上图片包含不同光照和不同板面版本。3.2 YOLO格式目录组织YOLO训练要求数据按照images和labels两个大目录组织每个大目录下再分为train和val两个子目录标签文件和图片文件一一对应文件名相同扩展名不同。图片统一使用jpg或png标签统一使用txt文本每个txt文件里每行表示一个目标。下面是数据集目录的规范示例dataset/ ├── images/ │ ├── train/ │ │ ├── 001.jpg │ │ └── 002.jpg │ └── val/ │ ├── 101.jpg │ └── 102.jpg └── labels/ ├── train/ │ ├── 001.txt │ └── 002.txt └── val/ ├── 101.txt └── 102.txt标签txt文件内容格式如下每行五个数字类别编号、归一化中心点x坐标、归一化中心点y坐标、归一化宽度、归一化高度。四个坐标值范围都是0到1。0 0.234375 0.356770 0.045524 0.078256 1 0.612548 0.584215 0.032118 0.067423标注工具推荐使用LabelImg或X-AnyLabeling。前者是经典YOLO格式标注工具后者支持自动标注和辅助标注可以大幅提升标注效率。标注完成后记得用脚本检查标注文件和图片是否一一对应防止出现空标签文件或者坐标越界的问题。3.3 数据集配置文件YOLO训练时需要指定一个yaml文件里面包含数据集的根目录、训练集图片路径、验证集图片路径和类别名称列表。以六类PCB缺陷为例配置如下。# 文件路径dataset/pcb_defect.yaml path: ./dataset train: images/train val: images/val names: 0: missing_hole 1: mouse_bite 2: open_circuit 3: short 4: spur 5: spurious_copperpath字段相对于执行训练命令的工作目录如果你把训练脚本放在项目根目录而dataset也在项目根目录下这个配置可以直接使用。如果数据集存放在其他路径建议写成绝对路径避免路径解析问题。4. YOLOv8模型训练与评估4.1 模型文件选择YOLOv8官方提供了五个不同规模的模型yolov8n、yolov8s、yolov8m、yolov8l、yolov8x其中n是纳诺版本参数量最小推理速度最快s是小版本精度稍微高一些。PCB缺陷检测这种任务类别少、目标尺寸有大有小使用yolov8n或yolov8s已经可以满足大多数场景。如果使用YOLOv5对应模型文件是yolov5n.pt、yolov5s.pt、yolov5m.pt等。两者的网络结构不同但训练命令和数据集要求基本一致。4.2 训练命令与参数说明使用ultralytics的YOLO训练非常简单一条命令即可启动。下面以yolov8n.pt作为预训练权重训练100轮。yolo detect train datadataset/pcb_defect.yaml modelyolov8n.pt epochs100 imgsz640 batch16 device0参数说明如下参数含义data数据集yaml文件路径model预训练权重也可以是完整模型结构yamlepochs训练轮数imgsz输入图片尺寸默认640batch批量大小device使用设备0表示第一张GPUcpu表示CPU如果你只有CPU环境建议把epochs减少到50batch改为4否则训练时间会非常长。如果你的显存充足batch可以尝试32配合数据增强策略能更快收敛。训练完成后最后几个epoch的模型和验证集上表现最好的模型会自动保存到runs/detect/train/weights/目录下其中best.pt是验证集指标最优的模型last.pt是最后一轮模型。部署时使用best.pt。4.3 验证与结果分析训练结束后可以运行验证命令查看模型在验证集上的表现。yolo detect val modelruns/detect/train/weights/best.pt datadataset/pcb_defect.yaml程序会输出mAP50、mAP50-95、precision、recall等指标并生成混淆矩阵、PR曲线、F1曲线等可视化图片。这些指标可以帮助判断模型是否存在漏检和误检precision低说明误检多recall低说明漏检多。PCB缺陷检测对漏检非常敏感实际项目中宁可放宽置信度阈值让操作人员二次确认也不要漏掉真缺陷。如果发现某些缺陷类别的识别精度偏低优先检查标注质量再看该类别的样本数量是否足够。PCB缺陷样本不均衡是常态可以对少样本类别做过采样或数据增强。4.4 导出ONNX格式界面程序推理使用的是PyTorch权重但如果你后续要部署到工业相机工控机ONNX格式更通用。导出命令如下。yolo export modelruns/detect/train/weights/best.pt formatonnx导出后的best.onnx文件可以直接用ONNX Runtime加载。从PySide6界面项目角度来说直接加载PyTorch的best.pt比较简单因为ultralytics已经封装了推理逻辑不用额外写前处理和后处理代码。5. PySide6桌面检测界面开发5.1 GUI功能设计在动手写代码之前先把界面功能梳理清楚。本文演示的检测工具具备以下功能选择图片通过文件对话框选择本地PCB图片支持jpg、png、bmp格式。模型加载启动时自动加载训练好的best.pt权重为后续推理做准备。图片显示显示原始图片和带检测框的推理结果图。执行检测点击按钮触发模型推理在结果图上绘制检测框和标签。检测信息输出在文本区域记录推理耗时、检测到的缺陷数量、类别和置信度。异常提示图片读取失败或模型加载失败时弹出提示。这个功能集看起来简单但已经覆盖了一次完整检测的全部流程。界面布局采用左右分区左侧为操作面板右侧为大面积图像显示区。5.2 界面布局设计布局使用Qt的垂直布局和水平布局嵌套实现。主窗口使用QVBoxLayout作为顶层面板内部再分两个水平区域左侧控制栏和右侧图像显示区域。控制栏固定宽度图像显示区域自动拉伸。界面组件清单如下组件属性作用QPushButton选择图片打开文件对话框QPushButton开始检测执行模型推理QLabel图像显示显示原始图和结果图QTextEdit日志输出显示检测信息和错误信息QComboBox模型选择可选预训练模型或best.pt5.3 推理逻辑封装为了让界面代码更清晰把模型推理逻辑单独放到detector.py文件中。Detector类负责加载模型、执行检测、返回结果。这样做的好处是后续如果要接入摄像头实时检测只需要修改Detector的输入接口不需要改动界面代码。Detector类的核心方法代码如下# 文件路径detector.py from ultralytics import YOLO class Detector: def __init__(self, model_path: str best.pt, conf: float 0.25): self.model YOLO(model_path) self.conf conf def predict(self, image_path: str): results self.model.predict( sourceimage_path, confself.conf, saveFalse, verboseFalse ) return results def get_annotated_img(self, image_path: str): results self.predict(image_path) if len(results) 0: return None # results[0].plot() 返回带标注框的 BGR numpy 数组 annotated results[0].plot() return annotated这里需要注意results[0].plot()返回的是BGR格式的numpy数组因为ultralytics内部基于OpenCV处理图像所以显示时要注意通道顺序。如果你要在界面上同时显示缺陷类别与置信度可以直接从results[0].boxes中读取数据。boxes results[0].boxes.xyxy.cpu().numpy() # 检测框坐标 clss results[0].boxes.cls.cpu().numpy() # 类别编号 confs results[0].boxes.conf.cpu().numpy() # 置信度5.4 主窗口完整代码下面是main.py的完整代码。这个文件包含了窗口、布局、信号槽和图像显示逻辑。为了便于阅读和复制我保持了必要的注释。# 文件路径main.py import sys import cv2 from PySide6.QtCore import Qt, QTimer from PySide6.QtGui import QPixmap, QImage from PySide6.QtWidgets import ( QApplication, QMainWindow, QWidget, QLabel, QPushButton, QVBoxLayout, QHBoxLayout, QFileDialog, QTextEdit, QComboBox, QMessageBox, QProgressBar ) from detector import Detector def numpy_to_qpixmap(img_bgr): 将OpenCV的BGR numpy数组转换为QPixmap h, w, ch img_bgr.shape bytes_per_line ch * w # BGR格式直接使用Format_BGR888 qimg QImage( img_bgr.data, w, h, bytes_per_line, QImage.Format.Format_BGR888 ).copy() return QPixmap.fromImage(qimg) class PCBDetectWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(PCB缺陷检测系统 - YOLOv8 PySide6) self.setMinimumSize(1000, 700) self.image_path None self.original_img None self.result_img None self.detector None self.init_ui() self.load_default_model() def init_ui(self): central_widget QWidget() self.setCentralWidget(central_widget) # 根布局 root_layout QVBoxLayout(central_widget) # 水平主布局 main_layout QHBoxLayout() root_layout.addLayout(main_layout) # 左侧控制面板 control_widget QWidget() control_widget.setFixedWidth(260) control_layout QVBoxLayout(control_widget) self.btn_select QPushButton(1. 选择图片) self.btn_select.clicked.connect(self.select_image) self.model_combo QComboBox() self.model_combo.addItem(best.pt, best.pt) self.model_combo.addItem(自己选择模型, custom) self.btn_load_model QPushButton(2. 加载/切换模型) self.btn_load_model.clicked.connect(self.load_model_from_combo) self.btn_detect QPushButton(3. 开始检测) self.btn_detect.clicked.connect(self.run_detect) self.log_text QTextEdit() self.log_text.setReadOnly(True) self.log_text.setPlaceholderText(检测日志输出区...) control_layout.addWidget(self.btn_select) control_layout.addWidget(self.model_combo) control_layout.addWidget(self.btn_load_model) control_layout.addWidget(self.btn_detect) control_layout.addWidget(QLabel(检测日志)) control_layout.addWidget(self.log_text) control_layout.addStretch() # 右侧图像显示区域 image_widget QWidget() image_layout QVBoxLayout(image_widget) self.image_label QLabel(请选择PCB图片) self.image_label.setAlignment(Qt.AlignmentFlag.AlignCenter) self.image_label.setMinimumSize(700, 600) self.image_label.setStyleSheet( border: 1px solid #cccccc; background-color: #f8f8f8; ) image_layout.addWidget(self.image_label) main_layout.addWidget(control_widget) main_layout.addWidget(image_widget, stretch1) def load_default_model(self): 启动时默认加载best.pt try: self.detector Detector(model_pathbest.pt) self.log(模型加载成功best.pt) except Exception as e: self.log(f模型加载失败{e}) def select_image(self): file_path, _ QFileDialog.getOpenFileName( self, 选择PCB图片, , 图片文件 (*.jpg *.jpeg *.png *.bmp);;所有文件 (*) ) if not file_path: return self.image_path file_path self.original_img cv2.imread(file_path) if self.original_img is None: QMessageBox.warning(self, 错误, 图片读取失败请确认文件格式是否正确。) return pixmap numpy_to_qpixmap(self.original_img) self.image_label.setPixmap( pixmap.scaled( self.image_label.size(), Qt.AspectRatioMode.KeepAspectRatio, Qt.TransformationMode.SmoothTransformation ) ) self.log(f已加载图片{file_path}) def load_model_from_combo(self): selected self.model_combo.currentData() if selected custom: model_path, _ QFileDialog.getOpenFileName( self, 选择模型权重, , PyTorch模型 (*.pt) ) else: model_path selected if not model_path: return try: self.detector Detector(model_pathmodel_path) self.log(f模型加载成功{model_path}) except Exception as e: QMessageBox.critical(self, 模型加载失败, str(e)) def run_detect(self): if self.detector is None: QMessageBox.warning(self, 提示, 请先加载模型。) return if self.image_path is None or self.original_img is None: QMessageBox.warning(self, 提示, 请先选择PCB图片。) return try: self.log(开始检测...) results self.detector.predict(self.image_path) if len(results) 0: self.log(检测完成但未获取到结果。) return boxes results[0].boxes.xyxy.cpu().numpy() clss results[0].boxes.cls.cpu().numpy() confs results[0].boxes.conf.cpu().numpy() # 获取类别名称 names results[0].names self.log(f检测到 {len(boxes)} 个目标) for i in range(len(boxes)): cls_name names.get(int(clss[i]), unknown) conf confs[i] self.log(f - {cls_name}, 置信度: {conf:.4f}) # 绘制结果图 annotated self.detector.get_annotated_img(self.image_path) if annotated is not None: pixmap numpy_to_qpixmap(annotated) self.image_label.setPixmap( pixmap.scaled( self.image_label.size(), Qt.AspectRatioMode.KeepAspectRatio, Qt.TransformationMode.SmoothTransformation ) ) except Exception as e: QMessageBox.critical(self, 检测失败, str(e)) self.log(f检测异常{e}) def log(self, msg): self.log_text.append(msg) if __name__ __main__: app QApplication(sys.argv) window PCBDetectWindow() window.show() sys.exit(app.exec())这段代码可以直接复制使用。需要注意程序默认从当前工作目录加载best.pt如果你把模型放在models目录需要把默认路径改为models/best.pt。6. 完整运行与验证6.1 启动程序在项目根目录下运行以下命令启动程序。python main.py程序启动后会自动加载best.pt模型控制台显示“模型加载成功”的日志。如果没有加载到模型文件程序会打印模型加载失败信息但界面仍会正常弹出你可以在界面右上角模型下拉框中选择“自己选择模型”然后手动指向训练好的权重文件。6.2 检测流程演示先点击“选择图片”找到一张验证集图片程序会立即在右侧显示原始图片。此时点击“开始检测”程序执行模型推理在日志区输出每个检测框的类别和置信度右侧图片更新为带标注框的结果图。整个流程如果使用CPU推理一张640x640的图片大约需要0.2到2秒具体时间和模型大小、CPU性能有关。如果使用GPU推理时间通常在几十毫秒级别。6.3 结果说明结果图中每一个检测框都由绿色边框、类别名称和置信度三部分组成。置信度越高颜色越清晰说明模型对这个框更有把握。对于漏检风险高的缺陷建议把Detector中的conf参数调低到0.15甚至0.1宁可多标记候选框也不放过真缺陷。7. 常见问题与排查思路我在开发过程中踩过不少坑这里把最容易遇到的问题整理成表格方便排查。问题现象常见原因解决思路训练时报错“CUDA out of memory”显存不足减少batch、降低imgsz、改用yolov8n训练时验证集mAP一直很低标注框方向不对或数据集划分有问题检查标签归一化坐标确保train/val划分无重叠加载权重时提示loss函数不存在模型与代码版本不匹配确保使用同一版本的ultralytics库PySide6窗口弹出后画面不更新图片显示比例拉伸导致错觉检查pixmap是否被setScale重新覆盖使用日志确认推理完成CPU推理速度过慢默认使用CPU推理在Detector创建时传入devicecuda:0读图显示颜色异常图片通道混淆确认numpy_to_qpixmap使用Format_BGR888标注文件打开后检测结果为空图片尺寸过大、模型输入尺寸受限imgsz设为640或1280分块检测或缩小图片以最常见也最容易被新手忽略的“CPU推理慢”问题为例解决方法很简单。在detector.py里修改YOLO的device参数self.model YOLO(model_path)如果检测到GPU存在可以手动指定import torch device cuda:0 if torch.cuda.is_available() else cpu self.model YOLO(model_path) self.model.to(device)另外一个容易踩坑的地方是PySide6的QImage生命周期问题。OpenCV读出的numpy数组在传递给QImage后如果numpy数组被垃圾回收QPixmap可能出现空白。所以我在numpy_to_qpixmap中调用了.copy()确保图像数据被复制到Qt管理的缓冲区。如果你在开发中发现图片时有时无优先检查这一块。8. 工程化最佳实践与优化方向8.1 数据标注管理PCB缺陷检测的精度上限由数据质量决定。标注时要遵循一条准则宁可多标不可漏标边界框尽量贴近缺陷边缘。多张图片中同一类缺陷的标注风格要保持统一否则模型会学到不稳定的特征边界。标注完成之后建议统计每个类别的样本数量如果某个类别样本明显偏少可以通过复制、旋转、亮度增强等方式扩充。8.2 模型训练策略从YOLOv8n开始训练先跑一个baseline然后再考虑升级到YOLOv8s或YOLOv8m。如果baseline已经达到95%以上的mAP50就没有必要换更大的模型。PCB缺陷检测属于少类别检测任务过大的模型会带来推理性能损耗。迁移学习可以显著缩短训练时间如果不是特殊场景没有必要从零训练模型。8.3 界面工程化实际交付给产线使用之前建议在界面上增加几项功能批量检测一个文件夹内所有图片检测结果自动导出为CSV文件设置置信度阈值滑块增加识别历史查询。批量检测在生产中非常重要因为操作员经常需要一次检测一批图片而不是一张张点按钮。可以把Detector.predict改成接收图像目录然后用循环处理。8.4 推理性能优化在工业部署端如果推理延时要求高建议把模型导出为TensorRT格式在GPU上运行。TensorRT对YOLO模型有专门的优化推理速度可以提升数倍。如果只能使用CPU推理可以使用OpenVINO格式的模型在Intel平台上也有明显的加速效果。8.5 安全与权限边界如果程序需要接收生产数据建议遵循最小权限和可审计原则所有检测记录保留时间戳和原始图片引用方便追溯不要默认删除任何图片所有批量操作前先备份数据。涉及数据库写入时确保有事务回滚机制避免异常中断造成数据损坏。产线环境不要以管理员身份运行检测程序尽量使用低权限的专用账户运行服务。9. 总结与学习路线本文从PCB缺陷检测的实际需求出发完整走了一遍使用YOLOv8 PySide6开发检测工具的流程。环境准备、数据集组织、YOLOv8训练、PySide6界面开发、推理联调每一步都以可运行的代码作为依托。对于YOLOv5的用户数据格式和界面调用逻辑完全一致只需要把best.pt换成YOLOv5训练出来的权重文件其他部分不用改动。如果你是新手建议先不要直接上手GUI项目而是把这个项目拆成两步第一步独立完成YOLOv8的训练和验证流程跑通自己的数据集第二步再尝试用PySide6包装模型。如果训练和推理逻辑不熟练界面排错会和模型排错混在一起定位问题会非常痛苦。如果你已经有训练经验可以继续深入三个方向第一多尺度检测优化PCB上的小目标缺陷可以通过增加P2层或者使用Tiling策略处理第二模型量化把PyTorch模型转换成INT8格式大幅提升产线推理速度第三异常检测方法当缺陷样本不足时可以尝试基于重建误差的缺陷分割方案作为补充。缺陷检测这个方向门槛不算高但工程坑很多。希望这篇笔记能让你少走几步弯路如果代码在运行中遇到问题欢迎在评论区带上报错信息一起交流。也可以把文章收藏起来后面做AOI项目时直接当工具书查阅。动手跑一遍比看十篇文章更有价值。