python基于YOLOv8全系列模型【n/s/m/l/x】开发构建不同参数量级的钢铁产业产品智能自动化检测识别系统_model = yolo('yolov8x-p2.yaml').load('../weights/y

在前文的项目开发实践中，我们已经以钢铁产业产品缺陷检测数据场景为基准，陆续开发构建了多款目标检测模型，感兴趣的话可以自行阅读即可。

《YOLOv3老矣尚能战否？基于YOLOv3开发构建建钢铁产业产品智能自动化检测识别系统，我们来与YOLOv5进行全方位对比评测》

《基于官方YOLOv4开发构建目标检测模型超详细实战教程【以自建缺陷检测数据集为例】》 

《基于官方YOLOv4-u5【yolov5风格实现】开发构建目标检测模型超详细实战教程【以自建缺陷检测数据集为例】》 

《AI助力钢铁产业数字化，python基于YOLOv5开发构建钢铁产业产品智能自动化检测识别系统》

《python基于YOLOv6最新0.4.1分支开发构建钢铁产业产品智能自动化检测识别系统》

《python基于DETR(DEtection TRansformer)开发构建钢铁产业产品智能自动化检测识别系统》

《python基于YOLOv7系列模型【yolov7-tiny/yolov7/yolov7x】开发构建钢铁产业产品智能自动化检测识别系统》

本文的主要目的就是延续这一业务场景的模型开发，基于yolov8来开发构建不同参数量级的钢铁产品智能化质检系统，本文也是这一业务场景的最终章，首先来看实例效果：

接下来看下数据集情况：

共包含10种不同类型的产品缺陷，如下所示：

['chongkong', 'hanfeng', 'yueyawan', 'shuiban', 'youban', 'siban', 'yiwu', 'yahen', 'zhehen', 'yaozhe']

如果对YOLOv8开发构建自己的目标检测项目有疑问的可以看下面的文章，如下所示：

《基于YOLOv8开发构建目标检测模型超详细教程【以焊缝质量检测数据场景为例】》

非常详细的开发实践教程。本文这里就不再展开了，因为从YOLOv8开始变成了一个安装包的形式，整体跟v5和v7的使用差异还是比较大的。

简单的实例实现如下所示：

from ultralytics import YOLO
 
# yolov8n
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)
 
 
# yolov8s
model = YOLO('yolov8s.yaml').load('yolov8s.pt')  # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)
 
 
# yolov8m
model = YOLO('yolov8m.yaml').load('yolov8m.pt')  # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)
 
 
# yolov8l
model = YOLO('yolov8l.yaml').load('yolov8l.pt')  # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)
 
 
# yolov8x
model = YOLO('yolov8x.yaml').load('yolov8x.pt')  # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)

预训练模型可以到官方项目中自行下载即可。

五款不同参数量级的模型保持完全相同的训练参数配置，等待训练完成后，我们对其训练过程进行对比可视化，如下所示：

【mAP0.5】

mAP0.5（mean Average Precision at 0.5 intersection over union）是一种用于评估目标检测算法性能的指标。在目标检测任务中，mAP0.5衡量了检测算法在不同类别目标上的平均精度。

mAP0.5的计算过程包括以下几个步骤：

1. 对于每个类别的目标，首先计算出每个检测结果的置信度（confidence）和相应的预测框的准确度（accuracy）。
2. 根据置信度对检测结果进行排序，通常是按照置信度从高到低进行排序。
3. 采用不同阈值（通常为0.5）作为IOU（Intersection over Union）的阈值，计算每个类别下的Precision-Recall曲线。
4. 在Precision-Recall曲线上，计算出在不同召回率（Recall）下的平均精度（Average Precision）。
5. 对所有类别的平均精度进行求平均，即得到mAP0.5指标。

mAP0.5的取值范围是0到1，数值越高表示检测算法在目标检测任务上的性能越好。它综合考虑了不同类别目标的精度和召回率，并对检测结果进行了排序和评估。

需要注意的是，mAP0.5只是mAP的一种变体，其中IOU阈值固定为0.5。在一些特定的目标检测任务中，可能会使用其他IOU阈值来计算mAP，例如mAP0.5:0.95表示使用IOU阈值从0.5到0.95的范围来计算平均精度。

整体对比来看，n系列模型的精度最低，s次之，m、l以及x系列的模型并没有非常明显的差距，从推理速度上来讲m系列的模型有着自身天然的优势。

接下来来看loss走势：

不同模型的差异不大，相对都是比较稳定的。

感兴趣的话也都可以自行尝试下！

如果自己不具备开发训练的资源条件或者是没有时间自己去训练的话这里我提供出来对应的训练结果可供自行按需索取。

单个模型的训练结果默认YOLOv8s

全系列五个模型的训练结果总集