简介本资源为基于YOLOv8的铁路轨道检测系统完整项目包面向计算机、人工智能、通信工程、自动化等专业的在校学生与教师适合作为毕业设计、课程设计或大作业的参考方案也可供初学者进阶学习。压缩包共97个文件约24.21MB以70个Python源码文件为核心辅以4个pt模型权重、5个xml配置、12个pyc编译文件及少量txt说明与mp4演示视频覆盖模型训练、推理检测与可视化界面等模块。项目包含源码、完整数据集、可视化页面和部署说明可生成核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果及标签分布图并附有README.txt帮助快速上手。目前已有46人学习代码均经测试运行成功拿来即可运行适合在此基础上修改扩展以实现其他功能。1. 铁路轨道检测为什么值得用 YOLOv8 重做一遍铁路轨道检测这件事传统做法是靠人工巡检加轨道检查车成本高、周期长而且夜间天窗点作业窗口极短。这几年我接触过不少工务段和轨道交通专业的学生大家共同的痛点是想用深度学习做轨道缺陷识别卡在数据集难搞、环境配不通、训练完不知道怎么部署成能看的东西。而《基于YOLOv8的铁路轨道检测系统》这个方向之所以值得投入是因为它把三件事一次性打通了——源码、完整数据集、可视化界面、部署教程简单部署即可运行功能完善、操作简单特别适合毕设或课程设计。YOLOv8 作为 Ultralytics 维护的单阶段检测器在铁路轨道这种「目标细长、背景单调、缺陷尺度差异大」的场景里比两阶段方案更实用推理快、显存占用低、训练脚本开箱即用。铁路轨道检测的典型目标包括扣件缺失、弹条断裂、轨道表面裂纹、道床异物等这些目标在图像里往往只占几十个像素对数据标注质量和输入分辨率要求很高。这篇文章我会按「环境怎么搭 → 数据集怎么处理 → 模型怎么训 → 界面怎么接 → 坑在哪」的顺序把一套能直接复现的落地路径讲清楚新手能跟着跑通熟手能看到参数边界和踩坑记录。2. 环境搭建与 YOLOv8 最小可运行验证2.1 为什么优先选 CPU 版先跑通再上 GPU很多人一上来就折腾 CUDA 和 cuDNN 版本匹配结果卡在驱动上三天没进展。我的习惯是先用 CPU 版本把整条链路跑通确认数据集格式、训练脚本、推理接口都没问题再切到 GPU 加速。这样做的好处是排错变量少——CPU 版不依赖显卡驱动torch装的是cpu轮子ultralytics直接pip install就能用。等你确认代码逻辑没问题再装 CUDA 版 torch训练速度能提升十几倍。Ubuntu 20.04 是这类项目最稳的系统选择Python 版本建议 3.8 到 3.10太新的 3.12 有些依赖轮子还没跟上。下面是我常用的最小环境搭建流程# 创建独立虚拟环境避免污染系统 Python python3 -m venv rail_yolov8 source rail_yolov8/bin/activate # 先装 CPU 版 torch验证链路 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # 安装 ultralytics它会自动拉取 opencv、numpy 等依赖 pip install ultralytics # 验证安装是否成功 yolo checksyolo checks会打印出当前环境的关键信息Python 版本、torch 版本、CUDA 是否可用、依赖包版本。如果这一步报错八成是 numpy 版本冲突或者 opencv 缺系统库Ubuntu 下补一句sudo apt install libgl1基本能解决。2.2 用一张图验证推理链路是否通环境装完别急着训练先拿官方预训练权重跑一次推理确认从加载模型到输出结果的链路没问题from ultralytics import YOLO # 加载官方 COCO 预训练权重首次运行会自动下载 model YOLO(yolov8n.pt) # 对单张图片做推理saveTrue 会把结果图存到 runs/detect/predict results model.predict( sourcetest_rail.jpg, # 换成你自己的轨道图片路径 imgsz640, # 输入分辨率轨道细长目标建议不低于 640 conf0.25, # 置信度阈值低于此值的框会被丢弃 saveTrue ) # 打印检测到的类别和数量 for r in results: print(r.boxes.cls, r.boxes.conf)这段代码的关键参数是imgsz和conf。铁路轨道缺陷目标小imgsz640是底线如果显存允许建议上到 960 或 1280conf0.25是默认值实际部署时轨道场景背景干净可以适当提高到 0.4 减少误报。如果这一步能正常输出检测框说明环境没问题可以进入数据集环节。提示CPU 版推理一张 640 分辨率图片大约 0.3 到 0.8 秒训练会非常慢仅用于验证链路正式训练务必切 GPU。3. 铁路轨道数据集的处理与 YOLO 格式转换3.1 轨道缺陷数据集的目录结构与标注要点YOLOv8 要求的数据集格式是每张图片对应一个同名.txt标注文件每行格式为类别id 中心x 中心y 宽 高坐标全部归一化到 0 到 1 之间。铁路轨道数据集常见的标注工具是 labelme 或 labelImglabelme 输出的是 JSON需要转成 YOLO 格式。标准目录结构如下rail_dataset/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 ├── labels/ │ ├── train/ # 训练集标注 txt │ └── val/ # 验证集标注 txt └── rail.yaml # 数据集配置文件标注轨道缺陷时有两个血泪经验一是扣件、弹条这类小目标标注框要紧贴目标边缘不要留太多背景否则模型学到的是背景特征二是轨道裂纹这种细长目标如果一条裂纹跨越整张图建议切成多段分别标注单框太长会导致宽高比极端训练时回归损失很难收敛。3.2 labelme JSON 转 YOLO txt 的转换脚本下面这个脚本处理单个 JSON 文件把 labelme 的多边形或矩形标注转成 YOLO 格式import json import os # 类别名到 id 的映射必须和 rail.yaml 里的 names 顺序一致 class_map {missing_fastener: 0, broken_clip: 1, crack: 2, foreign_object: 3} def labelme_to_yolo(json_path, output_dir, img_w, img_h): with open(json_path, r, encodingutf-8) as f: data json.load(f) lines [] for shape in data[shapes]: label shape[label] if label not in class_map: continue # 跳过未定义类别避免训练时报错 points shape[points] xs [p[0] for p in points] ys [p[1] for p in points] # 计算外接矩形并归一化 x_min, x_max min(xs), max(xs) y_min, y_max min(ys), max(ys) cx (x_min x_max) / 2.0 / img_w cy (y_min y_max) / 2.0 / img_h w (x_max - x_min) / img_w h (y_max - y_min) / img_h # 过滤掉宽高为 0 的无效标注 if w 0 or h 0: continue lines.append(f{class_map[label]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) base os.path.splitext(os.path.basename(json_path))[0] out_path os.path.join(output_dir, base .txt) with open(out_path, w) as f: f.write(\n.join(lines)) return len(lines)脚本里class_map的顺序必须和rail.yaml里names的索引严格对应这是最常见的翻车点——类别对不上训练出来的模型会把扣件识别成裂纹。img_w和img_h要传原图尺寸不能传缩放后的尺寸否则归一化坐标全错。转换完建议抽查几张用可视化脚本把框画回原图确认位置正确。3.3 rail.yaml 配置与数据集划分配置文件写错是新手最容易踩的坑路径必须是绝对路径或者相对于训练启动目录的正确相对路径# rail.yaml path: /home/user/rail_dataset # 数据集根目录 train: images/train # 训练集相对路径 val: images/val # 验证集相对路径 names: 0: missing_fastener 1: broken_clip 2: crack 3: foreign_object数据集划分比例我一般按 8:1:1 分训练、验证、测试如果样本量少于 2000 张验证集比例可以降到 0.1 以下把更多数据留给训练。划分时要注意同一段轨道的连续帧不要同时出现在训练集和验证集里否则验证指标会虚高这是数据泄漏的典型表现。4. YOLOv8 训练、验证与推理参数调优4.1 从预训练权重开始训练的最小命令铁路轨道数据集通常不大从官方预训练权重微调是最稳的做法比从头训练收敛快得多yolo detect train \ datarail.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ patience20 \ projectruns/rail \ nameexp1epochs100是起步值轨道缺陷数据集一般 80 到 150 轮就能收敛batch16在 8G 显存上跑 640 分辨率基本够用显存不够就降到 8lr00.01是初始学习率微调场景可以降到 0.001 更稳patience20表示 20 轮验证指标不提升就早停省时间。训练过程中runs/rail/exp1/下会生成results.csv可以用它画损失函数曲线观察是否过拟合。4.2 关键参数怎么调置信度、IoU 与输入分辨率训练完的模型在推理阶段有三个参数直接决定效果参数默认值轨道场景建议作用conf0.250.35 到 0.5置信度阈值越高误报越少但漏检增多iou0.70.5 到 0.6NMS 的 IoU 阈值轨道目标密集时调低imgsz640960 或 1280输入分辨率小目标必须提高轨道扣件在图像里密集排列时iou设太高会导致相邻扣件的框被 NMS 合并掉出现漏检。我一般先设 0.5 跑一遍看效果如果发现同一个目标出现多个重叠框再往上调。imgsz提高会显著增加推理时间CPU 版跑 1280 可能要好几秒一张部署到边缘设备时要权衡。4.3 验证集评估与混淆矩阵解读训练结束后用验证集跑一次评估重点看 mAP50 和 mAP50-95 两个指标yolo detect val \ modelruns/rail/exp1/weights/best.pt \ datarail.yaml \ imgsz640 \ conf0.001 \ iou0.6conf0.001是为了让评估覆盖所有预测框画出完整的 PR 曲线。混淆矩阵在runs/rail/exp1/下如果发现裂纹和异物两类互相混淆严重说明这两类在视觉特征上太接近需要检查标注是否一致或者增加这两类的样本量。mAP50 能到 0.85 以上基本可用低于 0.7 就要回头查数据集质量。5. 可视化界面接入与部署避坑记录5.1 用 Gradio 快速搭一个检测界面毕设和课程设计通常需要一个能演示的界面Gradio 是最省事的选择几十行代码就能做出上传图片、显示检测结果、调节阈值的交互页面import gradio as gr from ultralytics import YOLO model YOLO(runs/rail/exp1/weights/best.pt) def detect(image, conf, iou): results model.predict(sourceimage, imgsz640, confconf, iouiou) # plot() 返回带框的 numpy 图像直接给 Gradio 显示 annotated results[0].plot() return annotated demo gr.Interface( fndetect, inputs[ gr.Image(typenumpy, label上传轨道图片), gr.Slider(0.1, 0.9, value0.4, label置信度阈值), gr.Slider(0.1, 0.9, value0.5, labelIoU 阈值) ], outputsgr.Image(label检测结果), title铁路轨道缺陷检测系统 ) demo.launch(server_name0.0.0.0, server_port7860)server_name0.0.0.0让局域网内其他设备也能访问演示时方便。results[0].plot()返回的是 BGR 格式的 numpy 数组Gradio 会自动处理颜色通道不用手动转 RGB。如果要做视频检测把gr.Image换成gr.Video推理时逐帧处理即可但要注意帧率CPU 版处理视频会非常卡。5.2 部署时的常见问题排查现象模型加载报FileNotFoundError。原因best.pt路径写错或者训练没跑完就去找权重文件。 解决确认runs/rail/exp1/weights/下确实有best.pt和last.pt用绝对路径最保险。现象界面能打开但上传图片后无响应。原因Gradio 默认队列机制在长推理任务下会阻塞或者模型首次推理在加载权重。 解决加demo.queue()启用队列首次推理前先手动跑一次model.predict预热。现象检测框位置整体偏移。原因训练时imgsz和推理时imgsz不一致或者图片被预处理时做了非等比缩放。 解决训练和推理保持相同imgszGradio 输入用typenumpy避免自动缩放。现象GPU 训练时显存溢出OOM。原因batch太大或imgsz太高。 解决先把batch降到 4 或 8或者开启ampTrue混合精度训练能省约 40% 显存。现象验证集 mAP 很高但实际检测效果差。原因训练集和验证集来自同一段视频的连续帧数据泄漏导致指标虚高。 解决重新按轨道区段划分数据集确保训练和验证的轨道背景不重叠。6. 把模型推到边缘设备与持续迭代的几个技巧如果你要把这套系统从 PC 推到 RK3588 或类似边缘板子上核心工作是模型转换。YOLOv8 的.pt权重不能直接在 NPU 上跑需要先导出 ONNX再用厂商工具转成 RKNN 或其他板端格式。导出 ONNX 的命令很简单yolo export modelruns/rail/exp1/weights/best.pt formatonnx imgsz640 opset12opset12是兼容性最好的版本转 RKNN 时如果报不支持的算子多半是 opset 太高。导出后建议用onnxruntime在 PC 上先验证一遍推理结果和.pt是否一致确认无误再转板端格式。板端推理的预处理要和训练时严格对齐尤其是归一化和通道顺序这两处不一致会导致精度断崖式下降。另一个实用技巧是持续迭代把部署后误报和漏检的图片收集起来人工修正标注后加入训练集每隔一两个月重新微调一次模型。铁路轨道场景的季节变化、光照变化、雨雪天气都会影响检测效果靠一次训练打天下是不现实的。我自己的习惯是维护一个hard_examples/文件夹专门存模型翻车的样本下次训练时按 10% 到 20% 的比例混入mAP 通常能涨 3 到 5 个点。最后说一个验证方法不要只看 mAP要拿一段真实巡检视频跑一遍统计每公里的误报次数和漏检次数。轨道场景对漏检的容忍度远低于误报扣件缺失漏一个可能就是安全事故所以conf阈值宁可调低一点后续再用规则过滤误报。这套系统值不值得做取决于你能不能把它从「跑通 demo」推到「稳定输出可用结果」中间的距离就是这些参数、数据和部署细节。希望帮到你。本文还有配套的精品资源点击获取 基于YOLOv8的铁路轨道检测系统：从数据集到部署全流程实战
简介本资源为基于YOLOv8的铁路轨道检测系统完整项目包面向计算机、人工智能、通信工程、自动化等专业的在校学生与教师适合作为毕业设计、课程设计或大作业的参考方案也可供初学者进阶学习。压缩包共97个文件约24.21MB以70个Python源码文件为核心辅以4个pt模型权重、5个xml配置、12个pyc编译文件及少量txt说明与mp4演示视频覆盖模型训练、推理检测与可视化界面等模块。项目包含源码、完整数据集、可视化页面和部署说明可生成核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果及标签分布图并附有README.txt帮助快速上手。目前已有46人学习代码均经测试运行成功拿来即可运行适合在此基础上修改扩展以实现其他功能。1. 铁路轨道检测为什么值得用 YOLOv8 重做一遍铁路轨道检测这件事传统做法是靠人工巡检加轨道检查车成本高、周期长而且夜间天窗点作业窗口极短。这几年我接触过不少工务段和轨道交通专业的学生大家共同的痛点是想用深度学习做轨道缺陷识别卡在数据集难搞、环境配不通、训练完不知道怎么部署成能看的东西。而《基于YOLOv8的铁路轨道检测系统》这个方向之所以值得投入是因为它把三件事一次性打通了——源码、完整数据集、可视化界面、部署教程简单部署即可运行功能完善、操作简单特别适合毕设或课程设计。YOLOv8 作为 Ultralytics 维护的单阶段检测器在铁路轨道这种「目标细长、背景单调、缺陷尺度差异大」的场景里比两阶段方案更实用推理快、显存占用低、训练脚本开箱即用。铁路轨道检测的典型目标包括扣件缺失、弹条断裂、轨道表面裂纹、道床异物等这些目标在图像里往往只占几十个像素对数据标注质量和输入分辨率要求很高。这篇文章我会按「环境怎么搭 → 数据集怎么处理 → 模型怎么训 → 界面怎么接 → 坑在哪」的顺序把一套能直接复现的落地路径讲清楚新手能跟着跑通熟手能看到参数边界和踩坑记录。2. 环境搭建与 YOLOv8 最小可运行验证2.1 为什么优先选 CPU 版先跑通再上 GPU很多人一上来就折腾 CUDA 和 cuDNN 版本匹配结果卡在驱动上三天没进展。我的习惯是先用 CPU 版本把整条链路跑通确认数据集格式、训练脚本、推理接口都没问题再切到 GPU 加速。这样做的好处是排错变量少——CPU 版不依赖显卡驱动torch装的是cpu轮子ultralytics直接pip install就能用。等你确认代码逻辑没问题再装 CUDA 版 torch训练速度能提升十几倍。Ubuntu 20.04 是这类项目最稳的系统选择Python 版本建议 3.8 到 3.10太新的 3.12 有些依赖轮子还没跟上。下面是我常用的最小环境搭建流程# 创建独立虚拟环境避免污染系统 Python python3 -m venv rail_yolov8 source rail_yolov8/bin/activate # 先装 CPU 版 torch验证链路 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # 安装 ultralytics它会自动拉取 opencv、numpy 等依赖 pip install ultralytics # 验证安装是否成功 yolo checksyolo checks会打印出当前环境的关键信息Python 版本、torch 版本、CUDA 是否可用、依赖包版本。如果这一步报错八成是 numpy 版本冲突或者 opencv 缺系统库Ubuntu 下补一句sudo apt install libgl1基本能解决。2.2 用一张图验证推理链路是否通环境装完别急着训练先拿官方预训练权重跑一次推理确认从加载模型到输出结果的链路没问题from ultralytics import YOLO # 加载官方 COCO 预训练权重首次运行会自动下载 model YOLO(yolov8n.pt) # 对单张图片做推理saveTrue 会把结果图存到 runs/detect/predict results model.predict( sourcetest_rail.jpg, # 换成你自己的轨道图片路径 imgsz640, # 输入分辨率轨道细长目标建议不低于 640 conf0.25, # 置信度阈值低于此值的框会被丢弃 saveTrue ) # 打印检测到的类别和数量 for r in results: print(r.boxes.cls, r.boxes.conf)这段代码的关键参数是imgsz和conf。铁路轨道缺陷目标小imgsz640是底线如果显存允许建议上到 960 或 1280conf0.25是默认值实际部署时轨道场景背景干净可以适当提高到 0.4 减少误报。如果这一步能正常输出检测框说明环境没问题可以进入数据集环节。提示CPU 版推理一张 640 分辨率图片大约 0.3 到 0.8 秒训练会非常慢仅用于验证链路正式训练务必切 GPU。3. 铁路轨道数据集的处理与 YOLO 格式转换3.1 轨道缺陷数据集的目录结构与标注要点YOLOv8 要求的数据集格式是每张图片对应一个同名.txt标注文件每行格式为类别id 中心x 中心y 宽 高坐标全部归一化到 0 到 1 之间。铁路轨道数据集常见的标注工具是 labelme 或 labelImglabelme 输出的是 JSON需要转成 YOLO 格式。标准目录结构如下rail_dataset/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 ├── labels/ │ ├── train/ # 训练集标注 txt │ └── val/ # 验证集标注 txt └── rail.yaml # 数据集配置文件标注轨道缺陷时有两个血泪经验一是扣件、弹条这类小目标标注框要紧贴目标边缘不要留太多背景否则模型学到的是背景特征二是轨道裂纹这种细长目标如果一条裂纹跨越整张图建议切成多段分别标注单框太长会导致宽高比极端训练时回归损失很难收敛。3.2 labelme JSON 转 YOLO txt 的转换脚本下面这个脚本处理单个 JSON 文件把 labelme 的多边形或矩形标注转成 YOLO 格式import json import os # 类别名到 id 的映射必须和 rail.yaml 里的 names 顺序一致 class_map {missing_fastener: 0, broken_clip: 1, crack: 2, foreign_object: 3} def labelme_to_yolo(json_path, output_dir, img_w, img_h): with open(json_path, r, encodingutf-8) as f: data json.load(f) lines [] for shape in data[shapes]: label shape[label] if label not in class_map: continue # 跳过未定义类别避免训练时报错 points shape[points] xs [p[0] for p in points] ys [p[1] for p in points] # 计算外接矩形并归一化 x_min, x_max min(xs), max(xs) y_min, y_max min(ys), max(ys) cx (x_min x_max) / 2.0 / img_w cy (y_min y_max) / 2.0 / img_h w (x_max - x_min) / img_w h (y_max - y_min) / img_h # 过滤掉宽高为 0 的无效标注 if w 0 or h 0: continue lines.append(f{class_map[label]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) base os.path.splitext(os.path.basename(json_path))[0] out_path os.path.join(output_dir, base .txt) with open(out_path, w) as f: f.write(\n.join(lines)) return len(lines)脚本里class_map的顺序必须和rail.yaml里names的索引严格对应这是最常见的翻车点——类别对不上训练出来的模型会把扣件识别成裂纹。img_w和img_h要传原图尺寸不能传缩放后的尺寸否则归一化坐标全错。转换完建议抽查几张用可视化脚本把框画回原图确认位置正确。3.3 rail.yaml 配置与数据集划分配置文件写错是新手最容易踩的坑路径必须是绝对路径或者相对于训练启动目录的正确相对路径# rail.yaml path: /home/user/rail_dataset # 数据集根目录 train: images/train # 训练集相对路径 val: images/val # 验证集相对路径 names: 0: missing_fastener 1: broken_clip 2: crack 3: foreign_object数据集划分比例我一般按 8:1:1 分训练、验证、测试如果样本量少于 2000 张验证集比例可以降到 0.1 以下把更多数据留给训练。划分时要注意同一段轨道的连续帧不要同时出现在训练集和验证集里否则验证指标会虚高这是数据泄漏的典型表现。4. YOLOv8 训练、验证与推理参数调优4.1 从预训练权重开始训练的最小命令铁路轨道数据集通常不大从官方预训练权重微调是最稳的做法比从头训练收敛快得多yolo detect train \ datarail.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ patience20 \ projectruns/rail \ nameexp1epochs100是起步值轨道缺陷数据集一般 80 到 150 轮就能收敛batch16在 8G 显存上跑 640 分辨率基本够用显存不够就降到 8lr00.01是初始学习率微调场景可以降到 0.001 更稳patience20表示 20 轮验证指标不提升就早停省时间。训练过程中runs/rail/exp1/下会生成results.csv可以用它画损失函数曲线观察是否过拟合。4.2 关键参数怎么调置信度、IoU 与输入分辨率训练完的模型在推理阶段有三个参数直接决定效果参数默认值轨道场景建议作用conf0.250.35 到 0.5置信度阈值越高误报越少但漏检增多iou0.70.5 到 0.6NMS 的 IoU 阈值轨道目标密集时调低imgsz640960 或 1280输入分辨率小目标必须提高轨道扣件在图像里密集排列时iou设太高会导致相邻扣件的框被 NMS 合并掉出现漏检。我一般先设 0.5 跑一遍看效果如果发现同一个目标出现多个重叠框再往上调。imgsz提高会显著增加推理时间CPU 版跑 1280 可能要好几秒一张部署到边缘设备时要权衡。4.3 验证集评估与混淆矩阵解读训练结束后用验证集跑一次评估重点看 mAP50 和 mAP50-95 两个指标yolo detect val \ modelruns/rail/exp1/weights/best.pt \ datarail.yaml \ imgsz640 \ conf0.001 \ iou0.6conf0.001是为了让评估覆盖所有预测框画出完整的 PR 曲线。混淆矩阵在runs/rail/exp1/下如果发现裂纹和异物两类互相混淆严重说明这两类在视觉特征上太接近需要检查标注是否一致或者增加这两类的样本量。mAP50 能到 0.85 以上基本可用低于 0.7 就要回头查数据集质量。5. 可视化界面接入与部署避坑记录5.1 用 Gradio 快速搭一个检测界面毕设和课程设计通常需要一个能演示的界面Gradio 是最省事的选择几十行代码就能做出上传图片、显示检测结果、调节阈值的交互页面import gradio as gr from ultralytics import YOLO model YOLO(runs/rail/exp1/weights/best.pt) def detect(image, conf, iou): results model.predict(sourceimage, imgsz640, confconf, iouiou) # plot() 返回带框的 numpy 图像直接给 Gradio 显示 annotated results[0].plot() return annotated demo gr.Interface( fndetect, inputs[ gr.Image(typenumpy, label上传轨道图片), gr.Slider(0.1, 0.9, value0.4, label置信度阈值), gr.Slider(0.1, 0.9, value0.5, labelIoU 阈值) ], outputsgr.Image(label检测结果), title铁路轨道缺陷检测系统 ) demo.launch(server_name0.0.0.0, server_port7860)server_name0.0.0.0让局域网内其他设备也能访问演示时方便。results[0].plot()返回的是 BGR 格式的 numpy 数组Gradio 会自动处理颜色通道不用手动转 RGB。如果要做视频检测把gr.Image换成gr.Video推理时逐帧处理即可但要注意帧率CPU 版处理视频会非常卡。5.2 部署时的常见问题排查现象模型加载报FileNotFoundError。原因best.pt路径写错或者训练没跑完就去找权重文件。 解决确认runs/rail/exp1/weights/下确实有best.pt和last.pt用绝对路径最保险。现象界面能打开但上传图片后无响应。原因Gradio 默认队列机制在长推理任务下会阻塞或者模型首次推理在加载权重。 解决加demo.queue()启用队列首次推理前先手动跑一次model.predict预热。现象检测框位置整体偏移。原因训练时imgsz和推理时imgsz不一致或者图片被预处理时做了非等比缩放。 解决训练和推理保持相同imgszGradio 输入用typenumpy避免自动缩放。现象GPU 训练时显存溢出OOM。原因batch太大或imgsz太高。 解决先把batch降到 4 或 8或者开启ampTrue混合精度训练能省约 40% 显存。现象验证集 mAP 很高但实际检测效果差。原因训练集和验证集来自同一段视频的连续帧数据泄漏导致指标虚高。 解决重新按轨道区段划分数据集确保训练和验证的轨道背景不重叠。6. 把模型推到边缘设备与持续迭代的几个技巧如果你要把这套系统从 PC 推到 RK3588 或类似边缘板子上核心工作是模型转换。YOLOv8 的.pt权重不能直接在 NPU 上跑需要先导出 ONNX再用厂商工具转成 RKNN 或其他板端格式。导出 ONNX 的命令很简单yolo export modelruns/rail/exp1/weights/best.pt formatonnx imgsz640 opset12opset12是兼容性最好的版本转 RKNN 时如果报不支持的算子多半是 opset 太高。导出后建议用onnxruntime在 PC 上先验证一遍推理结果和.pt是否一致确认无误再转板端格式。板端推理的预处理要和训练时严格对齐尤其是归一化和通道顺序这两处不一致会导致精度断崖式下降。另一个实用技巧是持续迭代把部署后误报和漏检的图片收集起来人工修正标注后加入训练集每隔一两个月重新微调一次模型。铁路轨道场景的季节变化、光照变化、雨雪天气都会影响检测效果靠一次训练打天下是不现实的。我自己的习惯是维护一个hard_examples/文件夹专门存模型翻车的样本下次训练时按 10% 到 20% 的比例混入mAP 通常能涨 3 到 5 个点。最后说一个验证方法不要只看 mAP要拿一段真实巡检视频跑一遍统计每公里的误报次数和漏检次数。轨道场景对漏检的容忍度远低于误报扣件缺失漏一个可能就是安全事故所以conf阈值宁可调低一点后续再用规则过滤误报。这套系统值不值得做取决于你能不能把它从「跑通 demo」推到「稳定输出可用结果」中间的距离就是这些参数、数据和部署细节。希望帮到你。本文还有配套的精品资源点击获取