基于 YOLOv8 与 K230 的 PCB 缺陷检测项目

船长23

511人浏览 · 2026-06-27 10:30:25

船长23 · 2026-06-27 10:30:25 发布

一、项目简介

本项目围绕 PCB 板表面缺陷检测展开，完成了从数据集整理、数据增强、YOLOv8 模型训练、PC 端可视化检测，到 K230 / CanMV 边缘端部署的完整流程。项目目标是识别 PCB 图像中的 6 类常见缺陷，并将训练得到的模型部署到 K230 开发板上进行实时检测。

支持识别的缺陷类型如下：

编号	英文类别	中文含义
0	`missing_hole`	缺孔
1	`mouse_bite`	鼠咬
2	`open_circuit`	开路
3	`short`	短路
4	`spur`	毛刺
5	`spurious_copper`	多余铜 / 铜渣

整个项目的主要技术路线为：

2、PCB 数据集
-> XML 标注整理
-> 亮度 / 噪声 / 旋转数据增强
-> 转换为 YOLOv8 数据格式
-> 训练 YOLOv8 目标检测模型
-> PC 端 PyQt5 可视化检测与评估
-> best.pt 导出 ONNX
-> ONNX 转换为 K230 可运行的 best.kmodel
-> K230 / CanMV 实时检测

二、项目目录结构

.
├── 数据集_增广后/
│   ├── PCB_USED/                 # 原始 PCB 图片
│   ├── images/                   # 按缺陷类别整理后的原始样本
│   ├── Annotations/              # Pascal VOC XML 标注文件
│   ├── brightness/               # 亮度增强后的图片
│   ├── noise/                    # 噪声增强后的图片
│   ├── rotation/                 # 旋转增强后的图片和角度记录
│   └── README.md
│
├── yolov8/
│   ├── train.py                  # YOLOv8 训练脚本
│   ├── diagnose_pcb_model.py     # 模型诊断脚本
│   ├── yolov8n.pt                # YOLOv8n 预训练权重
│   ├── yolov8_pcb_dataset/       # YOLO 格式数据集
│   │   ├── pcb.yaml              # 数据集配置文件
│   │   ├── images/
│   │   └── labels/
│   ├── runs/                     # 训练输出目录
│   └── README.md
│
├── pc_pcb/
│   ├── code/MainProgram.py       # PC 端 PyQt5 检测系统
│   ├── PCB_DATASET/              # PC 端评估使用的数据集
│   ├── runs/best.pt              # 当前训练得到的最佳模型
│   ├── evaluation_results/       # 混淆矩阵等评估结果
│   └── save_data/                # 检测结果保存目录
│
├── K230/
│   └── MAX/
│       ├── det_video_yolov8.py   # K230 YOLOv8 实时检测脚本
│       ├── mp_deployment_source/
│       │   ├── best.kmodel       # K230 推理模型
│       │   └── deploy_config.json
│       ├── code/
│       │   ├── augment_noise_brightness.py
│       │   ├── test_det_onnx.py
│       │   ├── test_det_kmodel.py
│       │   └── to_kmodel.py
│       └── README.md
│
└── PCB缺陷检测汇报.pptx

三、数据集说明

原始数据位于 数据集_增广后/，其中 images/ 保存按缺陷类别划分的原始图片，Annotations/ 保存对应的 XML 标注文件。为了提高模型对光照变化、噪声干扰和角度变化的鲁棒性，项目中额外生成了亮度增强、噪声增强和旋转增强数据。

原始图片与标注数量：（印刷电路板（PCB）瑕疵数据集_数据集-飞桨AI Studio星河社区来自北大数据集）

类别	图片数量	标注数量
`Missing_hole`	115	115
`Mouse_bite`	115	115
`Open_circuit`	116	116
`Short`	116	116
`Spur`	115	115
`Spurious_copper`	116	116
合计	693	693

增广数据规模：

增广方式	目录	图片数量
亮度增强	`brightness/`	693
噪声增强	`noise/`	693
旋转增强	`rotation/`	693

YOLOv8 训练使用的数据集位于 yolov8/yolov8_pcb_dataset/，已经划分为训练集、验证集和测试集：

子集	图片数量	标签数量
train	2216	2216
val	276	276
test	280	280

数据集配置文件为 yolov8/yolov8_pcb_dataset/pcb.yaml：

path: D:/数字图像/yolov8/yolov8_pcb_dataset
train: images/train
val: images/val
test: images/test

names:
  0: missing_hole
  1: mouse_bite
  2: open_circuit
  3: short
  4: spur
  5: spurious_copper

如果在其他电脑上运行，需要把 path 改成自己本机的数据集绝对路径。

四、环境配置

建议使用 Python 3.10 或 Python 3.11。PC 端训练和检测主要依赖如下：

pip install ultralytics torch torchvision torchaudio
pip install opencv-python numpy pillow matplotlib pyqt5

如果需要运行模型诊断脚本，还需要确保能够正常导入 cv2、numpy 和 ultralytics。

如果使用 NVIDIA GPU 训练，请先安装与本机 CUDA 版本匹配的 PyTorch。可以使用下面的命令检查 GPU 是否可用：

python -c "import torch; print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'CPU')"

五、YOLOv8 模型训练

进入 yolov8/ 目录后运行：

python train.py

训练脚本核心参数如下：

model = YOLO("yolov8n.pt")

model.train(
    data=str(DATA_YAML),
    epochs=200,
    imgsz=640,
    batch=32,
    device=0,
    patience=20,
    project=str(RUNS_DIR),
    name="yolov8n_pcb",
    optimizer="AdamW",
    seed=42,
    cos_lr=True,
    plots=True,
    workers=4,
)

参数说明：

参数	当前值	说明
`model`	`yolov8n.pt`	使用 YOLOv8 nano 预训练权重
`epochs`	200	最大训练轮数
`imgsz`	640	输入图片尺寸
`batch`	32	批大小
`device`	0	使用第 0 张 GPU
`patience`	20	20 轮无提升则提前停止
`optimizer`	`AdamW`	优化器
`cos_lr`	`True`	使用余弦学习率

训练完成后，结果会保存在：

yolov8/runs/yolov8n_pcb/

常见输出文件包括：

文件	说明
`weights/best.pt`	验证集表现最好的模型
`weights/last.pt`	最后一轮模型
`results.png`	训练指标曲线
`confusion_matrix.png`	混淆矩阵
`args.yaml`	本次训练参数

当前 PC 端项目中使用的最佳模型位于：

pc_pcb/runs/best.pt

六、模型预测

可以直接使用 Ultralytics 命令进行测试集预测：

yolo detect predict model=runs/yolov8n_pcb/weights/best.pt source=yolov8_pcb_dataset/images/test

也可以指定当前项目中已经保存的模型：

yolo detect predict model=../pc_pcb/runs/best.pt source=yolov8_pcb_dataset/images/test

预测结果默认会保存到 Ultralytics 自动生成的 runs/detect/predict 目录中。

七、PC 端可视化检测系统

PC 端检测界面位于：

pc_pcb/code/MainProgram.py

运行方式：

cd pc_pcb
python code/MainProgram.py

该程序基于 PyQt5 实现，主要功能包括：

自动加载 pc_pcb/runs/best.pt 模型；
支持打开单张 PCB 图片并进行缺陷检测；
支持批量选择文件夹检测；
原图与检测结果并排显示；
支持图片缩放、拖拽和平移；
表格展示缺陷类别、英文名称、置信度；
点击表格中的缺陷项，可自动定位到对应检测框；
支持保存检测后的图片和检测信息；
支持模型评估并生成混淆矩阵。

检测类别在界面中会显示为中文：

英文类别	中文显示
`missing_hole`	缺失孔
`mouse_bite`	老鼠咬痕
`open_circuit`	开路
`short`	短路
`spur`	毛刺
`spurious_copper`	铜渣

评估结果会保存到：

pc_pcb/evaluation_results/

目前该目录中包含：

confusion_matrix.png
confusion_matrix_normalized.png

八、模型诊断

yolov8/diagnose_pcb_model.py 用于在不同数据来源和不同置信度阈值下统计模型表现，支持分别评估：

原始图片：images
亮度增强图片：brightness
噪声增强图片：noise
旋转增强图片：rotation

运行示例：

cd yolov8
python diagnose_pcb_model.py

默认使用：

模型: pc_pcb/runs/best.pt
数据集: pc_pcb/PCB_DATASET
输出: yolov8/diagnosis_results.csv

脚本会在多个置信度阈值下统计 gt、tp、fp、fn、precision 和 recall。当前诊断结果整体统计如下：

置信度阈值	Precision	Recall	FP
0.05	0.8785	0.9442	1543
0.10	0.9138	0.9377	1045
0.15	0.9291	0.9325	840
0.20	0.9471	0.9285	612
0.25	0.9570	0.9237	490
0.30	0.9687	0.9193	351
0.40	0.9784	0.9094	237
0.50	0.9851	0.8933	160

可以看到，置信度阈值越高，误检数量越少，Precision 越高，但 Recall 会有所下降。实际部署时需要根据业务需求权衡漏检和误检。

九、K230 部署流程

K230 部署相关文件位于：

K230/MAX/

本项目采用的模型转换路线为：

best.pt -> best.onnx -> best.kmodel

没有直接使用在线训练平台生成 kmodel，主要原因是在线平台通常存在数据集压缩包大小、单文件大小和训练时间等限制。本项目选择先在本地训练 YOLOv8，再转换为 K230 可运行的 kmodel，便于使用更完整的数据集和更灵活的训练参数。

1. PT 导出 ONNX

训练得到 best.pt 后，使用 Ultralytics 导出 ONNX：

yolo export model=best.pt format=onnx dynamic=False opset=12

关键参数：

参数	说明
`dynamic=False`	固定输入尺寸，方便后续转换 kmodel
`opset=12`	使用较稳定的 ONNX 算子版本
输入尺寸	当前项目使用 `640x640`

可以先用 ONNX Runtime 在 PC 上验证：

python code/test_det_onnx.py --model best.onnx --image test.jpg --input_width 640 --input_height 640

2. ONNX 转 KModel

使用 K230/MAX/code/to_kmodel.py 将 ONNX 编译为 K230 可运行的 kmodel：

python code/to_kmodel.py --target k230 --model best.onnx --dataset ../test --input_width 640 --input_height 640 --ptq_option 0

转换过程大致为：

读取 ONNX
-> shape inference
-> onnxsim simplify
-> nncase import_onnx
-> 使用校准图片做 PTQ 量化
-> compile
-> 生成 best.kmodel

当前部署配置位于：

K230/MAX/mp_deployment_source/deploy_config.json

核心配置如下：

{
  "chip_type": "k230",
  "model_type": "YOLOv8",
  "img_size": [640, 640],
  "confidence_threshold": 0.4,
  "nms_threshold": 0.5,
  "kmodel_path": "best.kmodel",
  "num_classes": 6
}

转换完成后，可以先在 PC 上使用 nncase Simulator 验证：

python code/test_det_kmodel.py --model best.kmodel --image test.jpg --input_width 640 --input_height 640

3. 部署到 K230

将以下文件复制到 K230 的 /sdcard：

K230/MAX/det_video_yolov8.py
K230/MAX/mp_deployment_source/

K230 上最终路径应为：

/sdcard/det_video_yolov8.py
/sdcard/mp_deployment_source/best.kmodel
/sdcard/mp_deployment_source/deploy_config.json

在 K230 / CanMV 环境中运行：

python det_video_yolov8.py

程序启动后会调用摄像头进行实时检测，并在屏幕上绘制检测框、类别和置信度，同时显示 FPS。

十、K230 部署中的关键问题

1. YOLOv8 不能直接套用旧的三输出后处理

很多 K230 示例中的 det_video.py 使用的是 AnchorBaseDet 风格后处理，默认模型有三个输出层：

results[0], results[1], results[2]

而 YOLOv8 导出的 ONNX / kmodel 通常是单输出：

output0

如果直接替换模型，很容易出现：

IndexError: list index out of range

因此本项目单独编写了：

K230/MAX/det_video_yolov8.py

该脚本针对 YOLOv8 单输出结构实现了解码和 NMS 后处理。

2. K230 实时速度优化

det_video_yolov8.py 中几个影响速度的参数：

max_candidates = 80
max_detections = 20
gc_interval = 10

含义如下：

参数	说明
`max_candidates`	NMS 前最多保留的候选框数量
`max_detections`	每帧最多显示的检测框数量
`gc_interval`	每隔多少帧执行一次垃圾回收

如果追求更高帧率，可以尝试：

max_candidates = 40
max_detections = 10
gc_interval = 20

不过参数调得越小，目标较多时越可能漏检。更根本的提速方式是重新训练或导出更小输入尺寸的模型，例如 416x416 或 320x320，然后同步修改 deploy_config.json 中的 img_size。

十一、常见问题

1. 训练时报 `Dataset images not found`

通常是 pcb.yaml 中的 path 不正确。需要确认它指向本机真实存在的数据集目录：

path: D:/数字图像/yolov8/yolov8_pcb_dataset

如果项目移动到其他路径，需要手动修改该字段。

2. 显存不足

可以降低 train.py 中的 batch：

batch=16

或者：

batch=8

如果没有 GPU，可以改成：

device="cpu"

3. PC 端程序无法加载模型

MainProgram.py 默认按下面顺序查找模型：

pc_pcb/runs/best.pt
pc_pcb/best.pt
yolov8n.pt

建议把训练好的模型放在：

pc_pcb/runs/best.pt

4. K230 上检测框位置不准

需要检查以下配置是否一致：

导出 ONNX 时的输入尺寸；
转换 kmodel 时的 --input_width 和 --input_height；
deploy_config.json 中的 img_size；
K230 摄像头输入分辨率；
后处理中的缩放和坐标映射逻辑。

当前项目默认模型输入尺寸为：

640x640

5. K230 运行速度慢

可以优先检查：

是否开启了 debug 输出；
是否每帧打印过多日志；
是否每帧都执行 gc.collect()；
max_candidates 和 max_detections 是否过大；
模型输入尺寸是否过大。

十二、项目总结

本项目完成了 PCB 缺陷检测从算法训练到边缘端部署的完整闭环。PC 端部分能够完成模型训练、图像检测、批量检测和模型评估；K230 端部分完成了 YOLOv8 模型从 .pt 到 .onnx 再到 .kmodel 的转换，并针对 YOLOv8 单输出结构实现了可运行的实时检测脚本。

项目的核心价值在于：

使用 YOLOv8 完成 6 类 PCB 缺陷检测；
通过亮度、噪声、旋转增强提升模型鲁棒性；
提供 PyQt5 可视化检测系统，方便演示和结果分析；
提供模型诊断脚本，便于比较不同阈值下的 Precision 和 Recall；
打通 K230 部署流程，能够在边缘端进行实时检测；
解决 YOLOv8 单输出模型与 K230 示例三输出后处理不兼容的问题。

后续可以继续优化的方向：

增加更多真实工业场景数据；
提高小目标缺陷的标注质量；
尝试 YOLOv8s、YOLOv8m 或更轻量化模型进行对比；
重新训练低分辨率输入模型以提升 K230 FPS；
引入 INT8 量化校准集优化，提高 kmodel 精度；
增加检测结果导出为 Excel 或数据库记录的功能。

加入AMD AI开发者计划！

免费领 150 小时云算力，进群参与显卡、AI PC 幸运抽奖

更多推荐

Qwen3.8-Flash-Next 本地部署完全指南：125B MoE 6B 激活，训练成本仅前代 1/9

AMD开发者中国社区

别再给AI工具充会员了！2026本地搭建全栈AI工作台，全套代码开箱即用

针对市面上 AI 工具订阅成本高、云端上传敏感数据存在泄密风险，以及多数开发者仅停留在调用第三方 API 的现状，本文带来一套可离线运行的个人 AI 全栈工作台完整实战教程。教程基于 Python 开源技术栈，仅需 8G 显存即可部署，全程附带可直接运行的代码，依次落地四大核心能力：基于 vLLM 搭建兼容 OpenAI 协议的本地大模型服务，结合分页注意力与投机解码，推理速度相比原生 Trans