基于 YOLOv8 的 PCB 缺陷检测识别项目｜完整源码数据集+PyQt5 界面+完整训练流程+开箱即用！

源码包含：完整 YOLOv8 训练代码+数据集(带标注)+权重文件+直接可允许检测的 yolo 检测程序+直接部署教程/训练教程

基本功能演示

哔哩哔哩：https://www.bilibili.com/video/BV1tiTLzbEfr

项目摘要

🎯 一站式解决方案：集成 YOLOv8 目标检测模型，搭配 PyQt5 桌面界面，支持图片、文件夹、视频、摄像头检测，开箱即用，适合科研、工业、毕业设计！源码打包在文末。

检测类型：

缺孔
鼠咬缺口
开路
短路
飞线
杂铜

前言

本项目融合了先进的 YOLOv8 目标检测技术与现代化桌面 GUI 应用，面向 PCB 缺陷自动识别与检测需求。项目不仅提供完整训练与部署代码，同时集成 PyQt5 界面交互工具，降低非专业人员使用门槛。

通过本项目，你将掌握：

• YOLOv8 模型训练与微调

• 数据集标注与格式转换（支持 YOLO 格式）

• 多种输入源的推理调用（图片、视频、摄像头）

• PyQt5 应用设计与模型集成

• 检测结果自动标注、保存、导出等功能

一、软件核心功能介绍及效果演示

✔️ 基于 YOLOv8 的 PCB 缺陷检测模型

✔️ 自带标注完备的高质量 PCB 缺陷图像数据集

✔️ 完整训练脚本与训练教程，支持自定义微调

✔️ 训练完成的模型权重文件，直接调用即可推理

✔️ 基于 PyQt5 实现的桌面应用程序

✔️ 支持四种检测模式：图片、文件夹、视频、摄像头

✔️ 部署说明、依赖安装文档齐全

二、软件效果演示

为了直观展示本系统基于 YOLOv8 模型的检测能力，我们设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。

（1）单图片检测演示

用户点击“选择图片”，即可加载本地图像并执行检测：

（2）多文件夹图片检测演示

用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。

（3）视频检测演示

支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：

（4）摄像头检测演示

实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。由于原理和视频检测相同，就不重复演示了。

（5）保存图片与视频检测结果

用户可通过按钮勾选是否保存检测结果，所有检测图像自动加框标注并保存至指定文件夹，支持后续数据分析与复审。

三、模型的训练、评估与推理

YOLOv8 是 Ultralytics 公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如 CIoU、TaskAlignedAssigner）与 Anchor-Free 策略，在 COCO 等数据集上表现优异。其核心优势如下：

• 高速推理，适合实时检测任务

• 支持 Anchor-Free 检测

• 支持可扩展的 Backbone 和 Neck 结构

• 原生支持 ONNX 导出与部署

3.1 YOLOv8 的基本原理

YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：

• 速度快：推理速度提升明显；

• 准确率高：支持 Anchor-Free 架构；

• 支持分类/检测/分割/姿态多任务；

• 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。

YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往 YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。

YOLOv8 原理图如下：

3.2 数据集准备与训练

采用 YOLO 格式的数据集结构如下：

dataset/├── images/│   ├── train/│   └── val/├── labels/│   ├── train/│   └── val/

每张图像有对应的 .txt 文件，内容格式为：

4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757

分类包括（可自定义）：

nc: 6names: ["missing_hole", "mouse_bite", "open_circuit", "short", "spur", "spurious_copper"]

缺孔

鼠咬缺口

开路

短路

飞线

杂铜

3.3. 训练结果评估

训练完成后，将在 runs/detect/train 目录生成结果文件，包括：

• results.png：损失曲线和 mAP 曲线；

• weights/best.pt：最佳模型权重；

• confusion_matrix.png：混淆矩阵分析图。

若 mAP@0.5 达到 90% 以上，即可用于部署。

在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8 训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在 runs/目录下，具体内容如下：

3.4 检测结果识别

使用 PyTorch 推理接口加载模型：

import cv2from ultralytics import YOLOimport torchfrom torch.serialization import safe_globalsfrom ultralytics.nn.tasks import DetectionModel
# 加入可信模型结构safe_globals().add(DetectionModel)
# 加载模型并推理model = YOLO('runs/detect/train/weights/best.pt')results = model('test.jpg', save=True, conf=0.25)
# 获取保存后的图像路径# 默认保存到 runs/detect/predict/ 目录save_path = results[0].save_dir / results[0].path.name
# 使用 OpenCV 加载并显示图像img = cv2.imread(str(save_path))cv2.imshow('Detection Result', img)cv2.waitKey(0)cv2.destroyAllWindows()

预测结果包含类别、置信度、边框坐标等信息。

四.YOLOV8+YOLOUI 完整源码打包

本文涉及到的完整全部程序文件：包括 python 源码、数据集、训练代码、UI 文件、测试图片视频等（见下图），获取方式见【4.2 完整源码下载】：

4.1 项目开箱即用

作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。

运行项目只需输入下面命令。

python main.py

读者也可自行配置训练集，或使用打包好的数据集直接训练。

自行训练项目只需输入下面命令。

yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001

4.2 完整源码下载

💾 Gitee 项目地址：https://gitee.com/goodnsxxc/yolo-main

包含：

📦完整项目源码

📦 预训练模型权重

🗂️ 数据集地址（含标注脚本）

总结

✅ 项目亮点总结

本项目实现了 从数据采集到模型训练再到推理部署的闭环流程，其核心优势如下：

• 🎯 高性能检测：基于 YOLOv8 模型，兼顾检测精度与实时性，适用于工业级应用；

• 🖼️ 图形化界面友好：PyQt5 界面简单易用，降低门槛，用户无须编程即可完成检测；

• 🔧 灵活扩展：支持自定义类别训练、新数据替换、模型替换等操作，适合科研二次开发；

• 💻 多输入源支持：支持图片、批量图片、视频流、实时摄像头等输入方式；

• 📂 结果可视化与存档：检测结果带有可视化框图，可保存并用于后续溯源分析或数据增强。

🔮 后续优化方向

为进一步提升项目的工业实用性与技术先进性，建议未来可考虑以下拓展：

1. 支持模型轻量化部署：

2. 使用 TensorRT、ONNX 导出模型，加速部署；

3. 移植到边缘设备如 Jetson Nano、树莓派等。

4. 多尺度检测优化：

5. 引入 FPN+PAN 更优结构；

6. 针对小目标缺陷如“杂铜”优化 anchor 设计或采用 Transformer-based 架构。

7. 缺陷类型自动分类与统计报告生成：

8. 增加统计模块：检测后自动输出各类缺陷数量、分布；

9. 提供 CSV/Excel 报表导出功能。

10. 界面升级与多语言支持：

11. 使用 Qt Designer 设计更美观 UI；

12. 增加中英文切换以适配不同用户群体。

13. 引入缺陷修复推荐机制（研究方向）：

14. 检测缺陷后，结合图像修复模型（如 Inpainting）进行虚拟修复；

15. 辅助工程师进行智能修复建议。