简介：这份YOLOv8风机叶片检测源码包，面向风电运维工程师、深度学习开发者和智能制造研究人员，针对人工巡检效率低、漏检率高等痛点，提供了从叶片图像采集标注、YOLOv8模型训练优化，到PyQt5界面实时检测的完整参考实现。包内共17个文件，压缩包约5.76MB，主要包含Python训练与推理脚本、预训练的yolov8n模型权重、数据集配置文件、依赖库清单、界面程序以及图文说明等，结构清晰，便于按模块复用。资源目前已有128人学习，适合具备基础Python和深度学习知识、希望快速复现或二次开发检测系统的读者。尤为实用的是，资源内置了训练好的模型权重和完整配置，可直接运行检测流程；同时附带了数据增强、多尺度检测、边缘计算部署等优化思路，结合UI界面代码，能便捷地完成视频或摄像头实时叶片缺陷识别，为风电设备智能运维提供可落地的技术范本。

1. YOLOv8风机叶片检测：模型先放一边，数据才是最大的坑

YOLOv8风机叶片检测，真正劝退人的不是模型训练本身，而是数据。我接过一个类似的巡检需求，起初拿官方预训练权重直接跑现场照片，结果细裂纹漏掉一半，塔筒阴影全被当成缺陷。看验证集指标mAP到了0.8，以为稳了，拿到新风机上直接翻车。

后来把精力移到图像切片、标注清洗和训练参数上，模型才真正可用。这篇按我自己做这类项目的落地顺序来写：先把检测任务拆明白，再处理数据，接着训练部署，然后讲五个高频踩坑点，最后说两个提升精度的进阶技巧。适合手里已经攒了几百张缺陷照片、想把检测跑起来并部署到现场的人。

2. 任务拆解与选型：风机叶片检测到底要检测什么

2.1 检测目标怎么定：裂纹、剥落、雷击损伤与污损

风机叶片巡检的照片主要来自无人机可见光拍摄，少数项目用工业相机或红外。可见光图像里，需要检测的表面缺陷基本可以归成四类。第一是裂纹，细线状、方向不定，颜色和浅色叶片背景接近，是四类里最难检的。第二是剥落，多出现在前缘和后缘等受力部位，块状缺失，尺寸跨度很大，小的几厘米，大的几十厘米。第三是雷击损伤，有烧蚀痕迹、颜色发黑、边缘不规则，经常和裂纹同时出现。第四是表面污损或油污，大块暗色区域，最容易和阴影混淆。

类别体系怎么定，我的建议是宁少勿多。缺陷类别控制在三到五类最稳，某类样本数量不到三百个实例，就先并入相近类别，或者干脆做“有无缺陷”二分类。我见过有人把“边缘破损”和“前缘剥落”拆成两类，结果每类只有几十个样本，模型怎么调都过拟合，这就是类别设计给自己挖坑。复合损伤的处理也要提前定规范：同一个目标既有雷击烧蚀又有裂纹，是单独成类，还是允许一个框打两个标签？我一般按“单一主要缺陷”标注，规范里写明“优先标最明显、面积最大的一类”，这样标注一致性高，训练出来的模型边界更干净。

2.2 为什么选 YOLOv8：anchor-free、多尺度头与部署生态

选YOLOv8而不是传统图像处理或两阶段检测器，核心有三个理由。第一是anchor-free设计。裂纹这类缺陷形状极不规则，长宽比从1:5到1:40都可能，传统anchor-based方案要先统计标注框的长宽比分布来预设anchor，细长裂纹经常匹配不上预设框，训练时正样本稀缺。YOLOv8去掉anchor之后，模型直接回归目标中心点和宽高，对不规则形状的适应性好了很多，不需要做anchor统计这一步。

第二是多尺度检测头。YOLOv8在8倍、16倍、32倍下采样处分别输出检测结果，小目标主要靠8倍下采样的P3头。风机叶片上的细裂纹在原始照片里可能只有几十像素宽，如果输入尺寸提到1024，P3头的感受野和分辨率是能覆盖到的。这也是后面训练时我坚持用imgsz=1024而不是默认640的原因。第三是部署生态完整。训练完导出ONNX、转TensorRT、量化、边缘设备推理，整条链路都有现成实现，不用自己从零写推理框架。

对比传统图像处理方案，边缘检测加形态学在固定光源的工厂场景确实好用，但风机叶片在户外，光照从早到晚变化极大，阴影、反光、背景纹理都会让阈值崩掉。两阶段检测器精度高，但训练和推理成本都高，边缘设备上跑不动，落地性价比不划算。YOLOv8属于精度和速度都够用的平衡点。

2.3 三个难点：小目标、低对比度与样本稀缺

这个场景有三个绕不开的难点，后面的每一行脚本和参数都是针对它们设计的。第一是小目标：一条1厘米宽的裂纹在4000乘3000的无人机照片里，占整图面积往往不到0.5%，直接resize到640会把缺陷缩成两三个像素，等于让模型去认一个点。第二是低对比度：叶片本身是白色或浅灰色，裂纹也是浅色，边缘很淡，加上阳光阴影和表面反光，模型很容易把背景纹理当成缺陷。第三是样本稀缺：缺陷不是常态，一个风场一年巡检下来，有效缺陷图可能只有几十到几百张，不足以支撑从零训练一个检测模型。

这三个难点决定了项目的基本打法：迁移学习解决样本量不足，切片和输入尺寸解决小目标，负样本和类别设计解决低对比度误检。如果你拿到的数据情况和上面不同，比如用红外热像图，裂纹会显示成亮温线，对比度问题反而小很多，重点就转移到小目标和温度标定上。

3. 数据准备：切片、标注转换与增强，决定模型上限

3.1 图像切片：把 4000×3000 大图切成可训练样本

检测模型输入一般是640或1024，直接把大图resize会把小缺陷缩没，所以第一步是切片。常见做法是滑窗切片，窗口尺寸和训练输入保持一致，这里用1024，重叠率50%。切片要同步处理标注框：窗口内的框被切掉超过一半，这个样本直接丢弃，否则模型学到的是残缺目标。

import os import cv2 def sliding_window_crop(src_dir, save_dir, target_size=1024, overlap=0.5): """ 滑窗切片：把大图切成 target_size 的方块 src_dir 下每张图对应一个同名 txt（YOLO 格式），切片时同步裁剪标注框 """ os.makedirs(os.path.join(save_dir, "images"), exist_ok=True) os.makedirs(os.path.join(save_dir, "labels"), exist_ok=True) step = int(target_size * (1 - overlap)) for img_name in os.listdir(os.path.join(src_dir, "images")): if not img_name.endswith(".jpg"): continue img_path = os.path.join(src_dir, "images", img_name) label_path = os.path.join(src_dir, "labels", img_name[:-4] + ".txt") img = cv2.imread(img_path) h, w = img.shape[:2] boxes = [] if os.path.exists(label_path): with open(label_path) as f: for line in f: parts = line.strip().split() cls = int(parts[0]) xc, yc, bw, bh = map(float, parts[1:]) x1 = (xc - bw / 2) * w y1 = (yc - bh / 2) * h x2 = (xc + bw / 2) * w y2 = (yc + bh / 2) * h boxes.append([cls, x1, y1, x2, y2]) for i, x in enumerate(range(0, w - target_size + 1, step)): for j, y in enumerate(range(0, h - target_size + 1, step)): crop = img[y:y + target_size, x:x + target_size] new_boxes = [] for cls, x1, y1, x2, y2 in boxes: cx1, cy1 = max(x1, x), max(y1, y) cx2, cy2 = min(x2, x + target_size), min(y2, y + target_size) if cx2 <= cx1 or cy2 <= cy1: continue if (cx2 - cx1) * (cy2 - cy1) < 0.5 * (x2 - x1) * (y2 - y1): continue nx1, ny1 = (cx1 - x) / target_size, (cy1 - y) / target_size nx2, ny2 = (cx2 - x) / target_size, (cy2 - y) / target_size nxc, nyc = (nx1 + nx2) / 2, (ny1 + ny2) / 2 nw, nh = nx2 - nx1, ny2 - ny1 new_boxes.append(f"{cls} {nxc:.6f} {nyc:.6f} {nw:.6f} {nh:.6f}") if new_boxes: crop_name = f"{img_name[:-4]}_{i}_{j}.jpg" cv2.imwrite(os.path.join(save_dir, "images", crop_name), crop) with open(os.path.join(save_dir, "labels", crop_name[:-4] + ".txt"), "w") as f: f.write("\n".join(new_boxes))

逻辑说明：step等于target_size乘以(1 - overlap)，1024窗口配50%重叠就是512步长。坐标从归一化转回像素，切片后再重新归一化保存，中间没有丢失精度。这里只保存包含有效缺陷的切片，无缺陷的背景切片需要单独抽样。

负样本怎么加：从没有缺陷的大图上随机切同等尺寸的块，按正样本数量的三分之一到二分之一加入训练集。这些负样本没有标签txt，模型会从中学到“没有目标时不要输出”。这个比例我踩过坑：负样本加太多，模型偏向预测“无缺陷”，漏检率上升；加太少，误检压不住。三分之一到二分之一是比较稳的区间。

3.2 标注格式转换：从 VOC/COCO 到 YOLO 的 txt

如果你用的是常见标注工具，导出格式通常是VOC的XML或COCO的JSON，而YOLO训练需要的是每张图对应一个txt，每行一个目标，格式是“类别ID 中心点x 中心点y 宽 高”，全部归一化到0到1。下面是VOC XML转YOLO txt的脚本。

import glob import os import xml.etree.ElementTree as ET def voc_to_yolo(xml_dir, out_dir, class_map): """ class_map: {'crack': 0, 'peeling': 1, 'lightning': 2, 'dirt': 3} 读取 VOC 格式 XML，输出 YOLO 格式 txt """ os.makedirs(out_dir, exist_ok=True) for xml_path in glob.glob(os.path.join(xml_dir, "*.xml")): tree = ET.parse(xml_path) root = tree.getroot() img_w = int(root.find("size/width").text) img_h = int(root.find("size/height").text) lines = [] for obj in root.iter("object"): cls = obj.find("name").text if cls not in class_map: continue bnd = obj.find("bndbox") x1 = float(bnd.find("xmin").text) y1 = float(bnd.find("ymin").text) x2 = float(bnd.find("xmax").text) y2 = float(bnd.find("ymax").text) x1, x2 = min(x1, x2), max(x1, x2) y1, y2 = min(y1, y2), max(y1, y2) x1 = max(0, min(x1, img_w - 1)) x2 = max(0, min(x2, img_w - 1)) y1 = max(0, min(y1, img_h - 1)) y2 = max(0, min(y2, img_h - 1)) if x2 <= x1 or y2 <= y1: continue xc = (x1 + x2) / 2 / img_w yc = (y1 + y2) / 2 / img_h w = (x2 - x1) / img_w h = (y2 - y1) / img_h lines.append(f"{class_map[cls]} {xc:.6f} {yc:.6f} {w:.6f} {h:.6f}") yolo_path = os.path.join(out_dir, os.path.basename(xml_path)[:-4] + ".txt") with open(yolo_path, "w") as f: f.write("\n".join(lines))

参数说明：class_map的类别ID顺序必须和后面的data.yaml完全一致，这是项目里最常见的低级错误，类别ID错位会让模型学到完全错误的目标。脚本里做了两件容易忽略的事：一是把xmin/xmax乱序的框修正，二是把越界的坐标clip到图像范围内，这两类脏数据在真实标注里出现频率很高，不处理会让loss曲线剧烈震荡。

COCO JSON转YOLO的流程是类似的，解析 annotations 数组，读取 segmentation 或 bbox 字段，把 [x, y, w, h] 转成归一化中心点格式，关键步骤和上面一致，不再重复写。

3.3 数据增强：样本少的时候怎么补

数据增强分两步走，离线增强针对少数类，在线增强交给训练参数。离线增强只做在少数类样本上：剥落只有五十张，就把它复制增强到两百张的量级。操作包括水平翻转、垂直翻转、旋转90度和180度、亮度加减30%、对比度加减20%、高斯噪声和轻微模糊模拟雨天。叶片的方向性很强，垂直翻转对叶片形态的模拟比较真实，但翻转后要人工抽检一批，确认缺陷形态没有变得不合理，特别是方向性强的剥落。

在线增强用YOLOv8训练参数自带的配置。hsv_h、hsv_s、hsv_v控制色域扰动，degrees控制旋转，fliplr和flipud控制翻转概率，mosaic控制四图拼接。数据量少的时候mosaic能显著提高样本多样性，但训练最后10到15个epoch必须关闭，否则模型会学到拼接痕迹，推理时对完整目标反而犹豫。对比度扰动不要拉太强，浅色裂纹在强对比度扰动下会被“洗掉”，模型学不到这个类，这是我在增强参数上调出来的血泪经验。

4. 训练到部署：完整命令、参数说明与推理脚本

4.1 数据集目录与 data.yaml

训练前先把数据组织好，目录结构如下。images和labels下各分train、val，图片和标签同名一一对应。

blade_dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── blade.yaml

data.yaml内容就是路径、类别数和类别名。注意class_map顺序是crack在第0位，这里names列表必须和它一致。

path: /path/to/blade_dataset train: images/train val: images/val nc: 4 names: 0: crack 1: peeling 2: lightning 3: dirt

划分train/val有个容易忽略的点：按风机编号划分，不要按单张图片随机划分。同一台风机的照片背景高度相似，随机划分会把相似背景同时放进训练集和验证集，后面第5章会专门讲这个坑。模型选择上，样本量少就用yolov8n或yolov8s起步，样本量超过两千再考虑m，边缘设备部署优先n和s。

4.2 训练命令与超参数怎么调

用YOLOv8官方实现的命令行训练，一条命令跑起来。

yolo detect train \ model=yolov8s.pt \ data=blade.yaml \ epochs=200 \ imgsz=1024 \ batch=8 \ close_mosaic=10 \ patience=30 \ optimizer=AdamW \ lr0=0.001

逐个说参数。model=yolov8s.pt用的是COCO预训练权重，迁移学习的意义在于模型已经学会通用纹理特征，叶片表面和自然图像有足够的共性，收敛速度比从零训练快几倍。imgsz=1024是风机叶片场景的关键参数，前面说过，小目标靠它保召回。batch=8在24G显存下刚好够用，12G显存降到4，batch小了学习率也要跟着降。epochs=200配合patience=30做早停，模型在验证集上连续30轮不涨就自动停，防止无效训练。close_mosaic=10表示最后10轮关闭mosaic增强。

optimizer=AdamW和lr0=0.001是数据少时的稳定组合。YOLOv8默认lr是0.01配SGD，在几百张叶片缺陷数据上容易震荡，AdamW配合0.001学习率收敛更稳。如果坚持用SGD，学习率降到0.002左右，epochs拉到300。

显存不够还有一个办法：先用imgsz=640把流程跑通，确认数据和标注没问题，再加载训练完的权重用imgsz=1024微调50轮。这样既验证了管线，又保住了精度，代价是训练时间增加。训练卡在loss不降时，先看是不是数据问题，不要急着调模型结构。

4.3 推理脚本：置信度、NMS 与结果输出

训练完用best.pt做推理，脚本很短。

from ultralytics import YOLO model = YOLO("runs/detect/train/weights/best.pt") results = model.predict( source="test_images/", conf=0.35, iou=0.5, imgsz=1024, save_txt=True, save_conf=True, save_crop=True, project="inference_output", ) for r in results: for box in r.boxes: cls_id = int(box.cls[0]) conf = float(box.conf[0]) x1, y1, x2, y2 = [float(v) for v in box.xyxy[0]] print(f"{r.path}: class={model.names[cls_id]} conf={conf:.3f} " f"box=({x1:.0f},{y1:.0f},{x2:.0f},{y2:.0f})")

参数说明：conf=0.35是起步阈值，误检多就往0.5调，漏检多就往0.25调，这个值是误检和漏检的平衡旋钮。iou=0.5是NMS的IoU阈值，同一个缺陷被多个框覆盖时，高于这个比例的框会被抑制。imgsz推理时保持和训练一致，用1024而不是640，否则尺度不一致会掉点。save_crop=True会把检测到的缺陷裁剪成小图单独存放，我建议项目现场一定要开这个，工程师复核缺陷比看锚框高效得多。

推理输出里还要做一件事：按类别分别统计缺陷数量。某个风机的裂纹数量突然比相邻机组高一个数量级，往往不是检测变好了，而是该机组叶片状态确实异常，这个数字本身就是巡检报告的素材。

5. 避坑：风机叶片检测最常踩的五个坑

5.1 小目标漏检：为什么模型学不到小缺陷

现象：验证集mAP50到了0.8以上，现场新照片里细裂纹一个都框不出来。原因有两个：现场大图直接按默认尺寸resize，裂纹缩成两三个像素；训练集里小目标占比低，模型根本没学到小缺陷的形态。

解决：训练和推理都坚持imgsz=1024；对包含小缺陷的切片做额外过采样；推理时对大图切片检测再把结果合并到大图坐标系，而不是整图resize，这个操作对召回率的提升比换模型结构更明显。有人会尝试给模型加P2检测头，代价是显存和推理时间都涨，我一般先用切片加高分辨率，效果不够再考虑改结构。

5.2 类不均衡：少数类被大类淹没

现象：剥落样本只有几十个，裂纹样本上千个，训练出来的模型把所有缺陷都预测成裂纹，置信度还挺高。原因很直白：模型学到的是训练集里的类别先验频率，少数类几乎没有话语权。

解决：离线对少数类做复制增强，把剥落增强到裂纹样本的四分之一到三分之一；推理时按类别分别设阈值，剥落用conf=0.2，裂纹用conf=0.45，代码里按cls_id判断阈值即可。少数类阈值单独调，比整体压低conf更有效，不会引入大量误检。

5.3 过拟合与数据泄露：验证集指标虚高

现象：训练loss降到很低，验证集指标也好看，换到没参与训练的新风场照片上表现明显变差。原因大概率是数据划分方式有问题：同一个风场、同一天拍的相似背景照片，同时被随机分进了训练集和验证集，验证集和训练集背景高度重合，指标自然是虚高的。

解决：按风机编号或拍摄日期划分数据，保证验证集和训练集没有同源图像，最好留一批完全独立的测试集，只在最后评估用。这个操作会让验证集指标比随机划分掉两三个点，但换来的才是真实泛化能力。训练时做更强的画面增强，让模型不能依赖背景特征判断缺陷。

5.4 光照与遮挡：误检来自环境而非缺陷

现象：塔筒阴影、地面围栏、叶片反光被频繁误检成裂纹或污损。原因是在灰度特征上，阴影边缘和裂纹确实很像，模型在低对比度场景下分不清。

解决：采集无缺陷但有阴影、反光、复杂纹理的切片作为负样本加入训练，这部分数据不需要标注，采集成本很低；标注时严格不要把阴影框进去，边界错误的缺陷框会教坏模型；推理时conf阈值往0.45以上调，误检会明显下降。如果项目有叶片分割结果，可以用mask过滤检测框位置，检测框落在叶片区域外直接丢弃。

5.5 标注质量参差：loss曲线震荡的一个隐藏原因

现象：训练loss降不下去，曲线来回震荡，训练完错误框很多，框大小忽大忽小。原因常常不是模型配置，而是标注标准不统一：有人框整条裂纹，有人只框最明显的一段，模型要同时拟合两种分布，自然会震荡。

解决：动手训练前先写一页标注规范，写明缺陷边界定义和最小框尺寸，比如裂纹框包含全部可见裂缝、短于20像素的裂纹不标；随机抽10%标注复核，派两个人交叉看；训练完再用模型反查训练集，高置信度但没标注的区域大概率是漏标，回补后训练一轮，效果往往立竿见影。

6. 进阶：跨场景验证、TTA 与二次分类

6.1 跨场景验证：用没见过的风场照片检验模型

验证集mAP只能代表同源数据下的表现，我习惯额外准备一个“新场景测试集”：选没参与训练的风场、不同季节、不同光照、不同拍摄高度的照片，单独跑一遍推理。统计每个类别的精确率和召回率，裂纹P高R低说明漏检，P低R高说明误检多。这两个指标和conf阈值、imgsz直接相关，现场调参就对着它来。

6.2 TTA 与二次分类：提升精度的两个实用技巧

TTA（Test Time Augmentation）做水平翻转和多尺度推理，对细裂纹召回有提升，但推理时间涨三倍左右，适合离线批量复检，不适合实时视频流。更实用的方案是二次分类：YOLOv8输出的候选框裁剪下来，送一个轻量分类网络做“真缺陷/伪缺陷”二分类，几百张正负样本就能训，误检能压掉大半。

我自己现在的习惯是，实时检测用单次推理加类别阈值，每周做一次离线TTA抽检，用二次分类过滤可疑结果。这几个步骤配合起来，项目交付后返工率降了很多，这个习惯让我少翻了几次车，希望帮到你。

本文还有配套的精品资源，点击获取