YOLOv11工业轴承缺陷检测产线实时质检系统
基于YOLOv11框架的工业轴承缺陷检测系统，可实时识别产线中轴承的缺陷，自动分类合格品与不良品并计数。使用Kaggle工业数据集训练，采用迁移学习微调YOLO11l与YOLO11s版本，mAP@0.5达到百分之九十五点一零。通过OpenCV部署于产线模拟环境。
制造业面临的关键挑战之一，是产品质检的效率与一致性。传统人工目检难以跟上产线节拍，疲劳导致的漏检问题尤为突出。随着计算机视觉技术日趋成熟，一种切实可行的解决方案应运而生。本系统基于YOLOv11（You Only Look Once第11版）构建，专为工业产线场景定制的实时目标检测方案，并非实验室概念产品，而是可直接集成至生产流程，实现质量控制的自动化。
系统核心功能包括三项：在产线上实时识别产品，自动将其分为「合格品」与「不良品」，并具备自动计数能力。设计过程中始终围绕速度、精度与可扩展性展开，尤其重视工业场景对稳定性的高要求，整套方案从架构到部署均以此为导向。
项目概述
本项目的核心是将YOLOv11模型深度集成至制造业产线的质检环节，实现两个关键任务：实时检测产线产品，自动归类为「合格品」或「不良品」，并完成自动计数。从模型选型到部署策略，所有考量均以实际可用性为基准。
数据集说明
训练数据选用Kaggle平台上的开源工业数据集，包含多种工况下拍摄的产品图像。每张图像均经过精细的边界框标注，分为两类：
- 不良品： 带有明显可见缺陷
- 合格品： 符合各项质量指标
关键参数方面，数据集来源于工业铸件产品的真实数据，共700张图像，标注格式为边界框加双标签（Damaged/OK）。虽然规模不大，但数据噪声丰富，接近真实场景，用于迁移学习效果良好。
技术方案
模型架构选用YOLO11l与YOLO11s两个版本。YOLO系列的单阶段检测特性使推理速度达到毫秒级，并天然支持多类别分类（本项目中为两类）。训练流程中，数据预处理阶段统一缩放至512×512分辨率，并按8:1:1比例划分为训练集、验证集与测试集。模型训练采用基于预训练权重的迁移学习，再针对工业场景进行定制化微调。
性能评估指标包括精确率、召回率、mAP与F1分数。在测试集上，mAP@0.5达到95.10%，对于工业场景而言表现扎实。
部署方案采用Python OpenCV，在产线模拟环境中实现实时推理，确保方案能够落地应用，而非停留在理论层面。
性能指标
| 指标 | 数值 |
| 精确率 | 95.55% |
| 召回率 | 95.65% |
| mAP@0.5 | 95.10% |
| 损失值 | 0.17 |
效果演示方面，可下载测试视频直观感受模型在实际产线运动中的表现。
使用指南
环境配置较为简单，通过yml文件可快速建立环境，基础要求为Python 3.10.16。安装依赖库命令如下：
pip install torch torchvision opencv-python ultralytics本系统是一个可直接运行的工业轴承缺陷检测及产线实时质检方案，适用于实际生产场景。