基于YOLO V8的PCB缺陷检测识别系统（python源码+Pyqt5界面+数据集+训练代码）

数据集准备：收集并标注PCB缺陷的图像。
模型训练：使用YOLO v8框架训练一个模型来识别这些缺陷。
GUI开发：利用PyQt5创建一个用户友好的图形界面。
模型部署：在GUI中集成训练好的模型，使用户能够上传PCB图像并得到缺陷检测的结果。

下面是对这个项目的简要介绍以及一个简单的代码示例，包括了训练代码和GUI界面的基本结构。

项目简介

1. 数据集准备

数据集：收集带有不同PCB缺陷类型的图像，并使用如LabelImg等工具进行标注。
数据集划分：将数据集分为训练集、验证集和测试集。

2. 模型训练

使用YOLO v8框架（如ultralytics/yolov8）进行训练。
配置文件定义模型架构和训练参数。
使用GPU加速训练过程。

3. GUI开发

使用PyQt5设计一个简洁直观的界面，允许用户上传图片、查看结果等。
实现模型加载和推理功能。

4. 模型部署

将训练好的模型部署到GUI中，使得用户可以方便地使用该系统进行PCB缺陷检测。

训练代码示例

下面是一个简单的YOLO v8训练脚本示例，用于训练PCB缺陷检测模型。

1# train.py
2
3from ultralytics import YOLO
4
5# 加载YOLO v8模型
6model = YOLO('yolov8n.pt')  # 使用预训练模型作为基础
7
8# 设置训练参数
9data_config = 'data.yaml'  # 数据集配置文件
10epochs = 100  # 训练轮数
11batch = 16  # 批量大小
12
13# 开始训练
14results = model.train(data=data_config, epochs=epochs, batch=batch)

GUI代码示例

下面是一个使用PyQt5创建的基本GUI界面示例，用于展示如何集成YOLO v8模型进行实时检测。

1# gui.py
2
3import sys
4from PyQt5.QtWidgets import QApplication, QWidget, QPushButton, QVBoxLayout, QLabel, QFileDialog
5from PyQt5.QtGui import QPixmap
6import cv2
7import numpy as np
8from ultralytics import YOLO
9
10class PCBDefectDetector(QWidget):
11    def __init__(self):
12        super().__init__()
13        self.initUI()
14
15    def initUI(self):
16        self.setWindowTitle('PCB Defect Detection System')
17        self.setGeometry(300, 300, 600, 400)
18
19        self.image_label = QLabel(self)
20        self.image_label.resize(400, 300)
21
22        self.load_button = QPushButton('Load Image', self)
23        self.load_button.clicked.connect(self.loadImage)
24
25        layout = QVBoxLayout()
26        layout.addWidget(self.image_label)
27        layout.addWidget(self.load_button)
28        self.setLayout(layout)
29
30    def loadImage(self):
31        options = QFileDialog.Options()
32        options |= QFileDialog.ReadOnly
33        file_name, _ = QFileDialog.getOpenFileName(self, "Open Image", "", "Image Files (*.png *.jpg *.jpeg)", options=options)
34        if file_name:
35            image = cv2.imread(file_name)
36            image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
37            self.detect_defects(image)
38            height, width, channel = image.shape
39            bytes_per_line = 3 * width
40            q_image = QImage(image.data, width, height, bytes_per_line, QImage.Format_RGB888)
41            pixmap = QPixmap.fromImage(q_image)
42            self.image_label.setPixmap(pixmap)
43
44    def detect_defects(self, image):
45        # 加载模型
46        model = YOLO('path/to/best.pt')  # 替换为你的模型路径
47
48        # 进行推理
49        results = model.predict(source=image, save=False)
50
51        # 处理结果
52        for r in results:
53            boxes = r.boxes
54            for box in boxes:
55                b = box.xyxy[0]  # 获取边界框
56                c = box.cls  # 获取分类
57                # 绘制边界框
58                cv2.rectangle(image, (int(b[0]), int(b[1])), (int(b[2]), int(b[3])), (0, 255, 0), 2)
59
60app = QApplication(sys.argv)
61ex = PCBDefectDetector()
62ex.show()
63sys.exit(app.exec_())

项目结构

train.py：用于训练模型。
gui.py：用于运行GUI应用程序。
data.yaml：数据集配置文件。
images/ 和 labels/：存放训练图像和标注文件的目录。

请确保你已经安装了所有必要的库，并且正确设置了YOLO v8模型的路径。此外，你需要准备一个适当的数据集，并根据实际情况修改训练和GUI代码中的相关路径。