基于YOLO11的夹层玻璃缺陷自动视觉检测系统（Python源码+数据集+Pyside6界面）

💡💡💡本文摘要：基于YOLO11的夹层玻璃缺陷检测系统，阐述了整个数据制作和训练可视化过程

博主简介

AI小怪兽，YOLO骨灰级玩家，1）YOLOv5、v7、v8、v9、v10、11优化创新，轻松涨点和模型轻量化；2）目标检测、语义分割、OCR、分类等技术孵化，赋能智能制造，工业项目落地经验丰富；

1.YOLO11介绍

Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。

结构图如下：

1.1 C3k2

C3k2，结构图如下

C3k2，继承自类C2f，其中通过c3k设置False或者Ture来决定选择使用C3k还是Bottleneck

实现代码ultralytics/nn/modules/block.py

1.2 C2PSA介绍

借鉴V10 PSA结构，实现了C2PSA和C2fPSA，最终选择了基于C2的C2PSA（可能涨点更好？）

实现代码ultralytics/nn/modules/block.py

1.3 11 Detect介绍

分类检测头引入了DWConv（更加轻量级，为后续二次创新提供了改进点），结构图如下（和V8的区别）：

实现代码ultralytics/nn/modules/head.py

2.如何训练夹层玻璃缺陷数据集

2.1 数据集介绍

基于 YOLO11 的夹层玻璃缺陷自动视觉检测系统，其意义可从技术、经济、安全及教育四个维度进行阐述：

1. 技术层面 • 精度与速度突破：利用 YOLO11 的端到端实时检测能力，可在毫秒级完成整张高分辨率图像的缺陷识别，满足在线 100% 全检节拍要求，解决传统算法在微小缺陷（<0.2 mm）上的漏检率高、误报率高的问题。 • 模型轻量化与迁移：通过 YOLO11 的 NAS/蒸馏技术，将大模型压缩至可在边缘 GPU（Jetson Orin NX 等）上 30 FPS 运行，降低硬件成本 40% 以上，为中小企业部署扫除算力门槛。 • 数据闭环：系统输出的缺陷坐标、类别及置信度可自动回流到训练集，实现“现场数据→在线增量训练→模型热更新”的闭环，持续提升模型在产线光照变化、玻璃批次差异下的鲁棒性。

2. 经济层面 • 良率提升：以年产 200 万 m² 的夹层玻璃产线为例，传统人工抽检仅能发现 70% 缺陷，而 AI 系统可将漏检率降至 <1%，直接减少因客户投诉或安全事故带来的退换货损失，年节约成本约 300–500 万元。 • 人力优化：每条产线可减少 2–3 名质检工，按三班倒计算，年节省人工成本 80–120 万元；同时降低因强光、玻璃粉尘导致的职业病风险。 • 品牌溢价：通过“AI 全检 + 数字质检报告”对外展示，可为高端建筑、汽车玻璃客户带来可追溯的品质保证，提升产品溢价 5–8%。

3. 安全与社会层面 • 公共安全：夹层玻璃广泛用于幕墙、汽车前挡、高铁车窗，缺陷在热胀冷缩或冲击载荷下可能引发爆裂。AI 系统提前拦截高风险缺陷，直接降低潜在人身伤亡与财产损失。 • 绿色建筑：高质量玻璃可降低建筑能耗 3–5%，AI 检测减少因缺陷导致的报废，间接降低碳排放；符合“双碳”政策导向，利于企业申请绿色工厂认证。

4. 教育与科研层面 • 教学示范：项目代码、数据集与部署文档面向 IFSP 学生开源，可作为《计算机视觉》《工业 AI》课程的综合实训案例，培养本地化 AI 人才。 • 产学研协同：缺陷类型及标注规范可被巴西国家计量、质量与技术研究院（INMETRO）采纳，推动本地玻璃行业标准升级；同时为后续科研（如缺陷根因分析、工艺优化）提供高质量数据基座。

简言之，基于 YOLO11 的夹层玻璃缺陷自动视觉检测系统不仅是一次算法升级，更是通过“AI+制造”打通质量、成本、安全、人才、标准全链条的范式创新，具有显著的技术领先性、经济可行性与社会价值。

数据集大小：

 145 images for training 
41 images for validation
 22 images for test

类别5类：

 names:
  0: "DEFECT"
  
nc: 1

标签可视化分析

2.2 超参数修改

位置如下default.yaml

2.3 配置glass.yaml

ps:建议填写绝对路径

path: D:/YOLO11/data/glass
train: images/train
val: images/val
test: images/test

# Classes
names:
  0: "DEFECT"

2.4 如何训练

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('ultralytics/cfg/models/11/yolo11.yaml')
    #model.load('yolo11n.pt') # loading pretrain weights
    model.train(data='data/glass.yaml',
                cache=False,
                imgsz=640,
                epochs=200,
                batch=8,
                close_mosaic=10,
                device='0',
                optimizer='SGD', # using SGD
                project='runs/train',
                name='exp',
                )

2.5 训练结果可视化结果

YOLO11 summary (fused): 238 layers, 2,582,347 parameters, 0 gradients, 6.3 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50      mAP75  mAP50-95): 100%|██████████| 3/3 [00:04<00:00,  1.36s/it]
                   all         41         47      0.997          1      0.995       0.96      0.824

预测结果：

3.夹层玻璃缺陷智能检测系统设计

3.1 PySide6介绍

受益于人工智能的崛起，Python语言几乎以压倒性优势在众多编程语言中异军突起，成为AI时代的首选语言。在很多情况下，我们想要以图形化方式将我们的人工智能算法打包提供给用户使用，这时候选择以python为主的GUI框架就非常合适了。

PySide是Qt公司的产品，PyQt是第三方公司的产品，二者用法基本相同，不过在使用协议上却有很大差别。PySide可以在LGPL协议下使用，PyQt则在GPL协议下使用。

PySide目前常见的有两个版本：PySide2和PySide6。PySide2由C++版的Qt5开发而来.，而PySide6对应的则是C++版的Qt6。从PySide6开始，PySide的命名也会与Qt的大版本号保持一致，不会再出现类似PySide2对应Qt5这种容易混淆的情况。

3.2 安装PySide6

pip install --upgrade pip
pip install pyside6 -i https://mirror.baidu.com/pypi/simple

基于PySide6开发GUI程序包含下面三个基本步骤：

• 设计GUI，图形化拖拽或手撸；
• 响应UI的操作（如点击按钮、输入数据、服务器更新），使用信号与Slot连接界面和业务；
• 打包发布；

3.3 夹层玻璃缺陷智能检测系统设计

​