简介本资源面向快递物流质检、仓储自动化及计算机视觉方向的开发者与研究者提供一套可直接推理的YOLOv8快递包裹与包装盒缺陷检测权重并配套1200余张标注数据集解决包裹破损、开箱、包装异常等场景下的快速检测需求。压缩包共约2000个文件整体78.3MB包含982个txt格式标签、1002个xml标注文件以及说明文档、yaml配置等标签可直接用于YOLOv5、v7、v8、v9等算法训练。数据集已按train、val、test划分并附data.yaml类别涵盖Box、Box_broken、Open_package、Package四类目录结构清晰开箱即可复现训练与推理流程。已有97人学习关注适合希望快速验证缺陷检测方案、节省数据采集与标注成本的中高级视觉开发者参考使用。1. 拆开这个包裹缺陷检测权重包1200 张图、4 类缺陷、开箱即推理快递分拣线上最怕什么不是爆仓是包装盒破了、被人拆过、箱子压扁了结果系统还傻乎乎地把它当完好件放行。这个资源包解决的就是这件事一套已经训练好的 YOLOv8 快递包裹与包装盒缺陷检测权重外加 1200 多张标注好的数据集目录按 train/val/test 划分完毕data.yaml 也配好了。拿到手不用从头炼丹直接跑推理就能看效果想继续微调把权重当预训练模型接着训也行。适合两类人一类是产线质检、物流分拣场景的工程师想快速验证视觉方案可行性另一类是刚接触 YOLOv8 缺陷检测的开发者需要一个结构完整、标签规范的真实数据集练手。四类目标——Box、Box_broken、Open_package、Package覆盖了从完好箱体到破损、拆封、包裹本体的常见状态标签是 txt 格式YOLOv5/v7/v8/v9 都能直接吃。2. 先搞懂这四类标签和 data.yaml别把 Open_package 当成 Box_broken2.1 四类缺陷的语义边界与标注逻辑拿到数据集第一件事不是急着训是把类别含义吃透。这个包里的 nc: 4names 依次是 Box、Box_broken、Open_package、Package。很多人扫一眼就过结果训出来的模型把拆封箱和破损箱混成一类mAP 看着还行上线一跑全是误报。我一般会先把这四类的判定标准写清楚类别含义典型视觉特征易混点Box完好包装盒边角完整、封口平整、无撕裂与 Package 在远景下难分Box_broken破损包装盒撕裂、压溃、穿孔、明显变形与 Open_package 的开口混淆Open_package已拆封包裹封口胶带被割开、箱盖翻开开口小的时候像 Box_brokenPackage包裹本体软包/袋装无硬质盒体、表面褶皱与 Box 的材质差异关键区别在于Box_broken 强调「被动损坏」Open_package 强调「被人为打开」。标注时如果一条边界模糊宁可归到更保守的类也别硬塞。数据集里 txt 标签是 YOLO 格式每行class_id x_center y_center width height坐标全部归一化到 0~1。你拿到手先抽查几张确认没有把整张图框成一个大框的偷懒标注那种样本训进去就是噪声。2.2 data.yaml 的路径陷阱与跨版本兼容资源里的 data.yaml 长这样train: ../train/images val: ../valid/images nc: 4 names: - Box - Box_broken - Open_package - Package注意两个坑。第一路径写的是相对路径../train/images它相对于谁相对于你执行训练命令时所在的目录不是相对于 data.yaml 文件本身。常见做法是把 data.yaml 放在数据集根目录然后cd到该目录再跑或者直接把路径改成绝对路径。第二val 指向的是valid目录但摘要里写的是 train/val/test 划分说明验证集目录名是 valid 而不是 val别自己改名改了就对不上。# 推荐做法先确认目录结构 cd package_defect_dataset ls # 应该看到 train/ valid/ test/ data.yaml # 如果 valid 不存在而是 val要么改 yaml要么改目录名二选一跨版本兼容方面YOLOv5 和 YOLOv8 对 data.yaml 的字段要求略有差异。YOLOv5 通常还需要path字段指定根目录YOLOv8 则更宽松。如果你要拿这份数据去喂 YOLOv5建议补一行path: /abs/path/to/dataset否则它可能找不到图。YOLOv9 同理字段名基本沿用但部分分支要求names用字典形式遇到报错先看它提示缺哪个 key别盲目改。提示改完 data.yaml 先用python -c import yaml; print(yaml.safe_load(open(data.yaml)))验证语法YAML 对缩进和冒号空格极其敏感一个 tab 就能让你排查半小时。3. 环境搭起来从 CPU 版验证到 GPU 推理的完整命令3.1 最小可跑环境与依赖安装先明确一点这个权重包是给你直接推理用的不是让你从零配一个训练集群。所以环境搭建的目标是「最快跑通一次推理」。我一般会先建一个干净虚拟环境避免和系统里的 torch 版本打架。# 创建虚拟环境conda 或 venv 都行这里用 venv python -m venv yolov8_env source yolov8_env/bin/activate # Windows 用 yolov8_env\Scripts\activate # 安装 ultralyticsYOLOv8 官方包自带推理和训练接口 pip install ultralytics # 如果只有 CPU装 CPU 版 torch 即可ultralytics 会自动拉 # 如果有 NVIDIA 显卡建议先按官网命令装对应 CUDA 版本的 torch再装 ultralytics装完ultralytics后yolo命令就可用了。验证一下yolo version # 输出类似 8.2.x 即正常如果你在 Ubuntu 20.04 上跑 CPU 版本注意系统自带的 python3 可能是 3.8而较新的 ultralytics 要求 3.8一般没问题但 pip 版本太老会报错先pip install -U pip。显卡方面GTX 1660 Ti 这类 6G 显存的卡跑推理绰绰有余训练的话 batch 别开太大后面会讲。3.2 用训练好的权重跑第一张图权重文件一般是.pt格式放在资源包里。假设你拿到的文件叫best.pt推理命令就一行yolo predict modelbest.pt sourcetest_images/ conf0.25 saveTrue参数说明model指向权重source可以是单张图、文件夹、视频甚至摄像头编号conf是置信度阈值默认 0.25调高减少误报调低召回更多但可能引入噪声saveTrue把带框结果存到runs/detect/predict/下。跑完去看输出图重点看三类问题漏检该框的没框、误检背景被框成缺陷、错类Box_broken 被标成 Open_package。如果整体偏保守先把 conf 降到 0.15 看召回上限如果误报多升到 0.4 再试。# 也可以用 Python 脚本批量推理方便后续接业务逻辑 from ultralytics import YOLO model YOLO(best.pt) results model.predict( sourcetest_images/, conf0.25, iou0.45, # NMS 交并比阈值密集目标可适当调低 saveTrue, projectruns/detect, namepackage_test ) # 遍历结果打印每张图的检测框数量和类别 for r in results: boxes r.boxes print(r.path, len(boxes), boxes.cls.tolist() if boxes is not None else [])这段脚本的价值在于你可以把boxes.cls和boxes.conf拿出来做统计比如统计 test 集里 Open_package 的平均置信度如果某类普遍低于 0.3说明该类样本在训练集里可能偏少或标注质量差这是后续微调的重要依据。3.3 拿这份数据继续训练的参数怎么设如果你想在现有权重基础上继续微调或者换自己的数据训练命令如下yolo train modelbest.pt datadata.yaml epochs100 imgsz640 batch16 device0参数逐个说modelbest.pt表示从已有权重初始化比从yolov8n.pt从头训收敛快得多data指向你的 yamlepochs100 起步小数据集 50~100 通常够imgsz640是输入分辨率如果你的图里缺陷很小可以提到 1280但显存翻倍batch16在 6G 显存上可能爆先试 8device0指定第一块 GPUCPU 训练去掉这个参数但会很慢。训练过程中重点看runs/train/exp/results.csv关注metrics/mAP50-95和val/box_loss。如果 box_loss 震荡不降多半是学习率太大或标注框有异常值。注意微调时如果新数据类别和原权重类别不一致必须改 data.yaml 的 nc 和 names并且不要冻结分类头否则模型学不会新类。4. 推理结果不对劲先查这五个地方4.1 现象所有图都检测不到任何框原因最常见的是权重文件和类别数不匹配或者图片路径根本没读到。先确认source目录下确实有图且格式是 jpg/png 而非 webp 或 bmp 的冷门变种。再确认权重加载时没有报 warning。解决用yolo predict modelbest.pt source单张图.jpg先跑一张看终端有没有image 1/1的输出。如果显示 0 个框把 conf 降到 0.01 再试若还是 0基本是权重损坏或类别对不上。4.2 现象框的位置整体偏移或框到背景原因训练时的 imgsz 和推理时的 imgsz 不一致或者图片被预处理时做了非等比缩放。YOLO 默认 letterbox 保持比例但如果你自己写了预处理脚本可能引入了偏移。解决推理时显式指定imgsz640和训练保持一致。另外检查图片是否被旋转过EXIF 方向信息有时会让标注框对不上。4.3 现象Box_broken 和 Open_package 互相误判原因这两类在视觉上确实接近尤其当破损处正好在封口位置时。训练集里如果这类边界样本标注不一致模型就学混了。解决先看混淆矩阵yolo val modelbest.pt datadata.yaml会输出每类的 precision/recall。如果两类互相误判严重把训练集里这两类的边界样本挑出来重新审一遍标注统一标准后再微调 20~30 个 epoch。4.4 现象小目标漏检严重原因快递面单上的小破损、远处的小包裹在 640 分辨率下可能只剩几个像素。解决推理时把 imgsz 提到 1280或者用切片推理SAHI 那套思路把大图切小块分别检测再合并。代价是速度下降产线节拍紧的话要权衡。4.5 现象训练时 loss 正常但 mAP 很低原因验证集和训练集分布不一致比如验证集里全是某一种光照条件而训练集没有。或者 data.yaml 的 val 路径指错了实际验证的是空目录。解决先ls valid/images | wc -l确认验证集有图再抽查验证集和训练集的图片风格是否接近。如果差异大重新划分数据集保证随机划分而不是按时间顺序切。5. 把权重用出花置信度分层、误报抑制与产线落地技巧5.1 按类别设不同置信度阈值产线上不同缺陷的容忍度不一样。Box_broken 漏检可能导致客户投诉宁可多报Open_package 误报会触发人工复检成本高阈值可以高一点。YOLOv8 的 predict 接口支持全局 conf但要按类设阈值得自己后处理from ultralytics import YOLO model YOLO(best.pt) results model.predict(sourcetest_images/, conf0.1, saveFalse) # 自定义每类阈值 class_thresholds {0: 0.25, 1: 0.20, 2: 0.35, 3: 0.30} # 对应 Box, Box_broken, Open_package, Package for r in results: keep [] for box in r.boxes: cls_id int(box.cls) if float(box.conf) class_thresholds.get(cls_id, 0.25): keep.append(box) # keep 里就是过滤后的框可自行绘制或送下游 print(r.path, 保留框数:, len(keep))逻辑很直白先用低 conf 把所有候选框捞出来再按类别阈值二次过滤。这样既不会因为全局阈值一刀切导致某类全丢也能压住高误报类的噪声。参数怎么定拿一批标注好的验证图跑一遍画每类的 precision-recall 曲线选 F1 最高点对应的 conf再根据业务偏保守或偏激进微调。5.2 用验证集量化权重真实水平别只看推理图「感觉还行」跑一次yolo val拿硬指标yolo val modelbest.pt datadata.yaml imgsz640 batch8输出里重点看metrics/mAP50和metrics/mAP50-95。mAP50 是 IoU0.5 时的平均精度偏宽松mAP50-95 更严格能反映框的贴合度。如果 mAP50 高但 mAP50-95 低说明框的位置不够准可能是标注框偏大或偏小。这个包是训练好的权重你拿到手第一件事就是跑 val把每类的 P/R 记下来作为后续微调的基线。没有基线的调参都是玄学。5.3 导出 ONNX 或 TensorRT 提速如果产线要部署到边缘设备.pt直接跑偏慢常见做法是导出 ONNX 或 TensorRT# 导出 ONNX yolo export modelbest.pt formatonnx imgsz640 # 导出 TensorRT需要 NVIDIA 环境和 tensorrt 包 yolo export modelbest.pt formatengine imgsz640 halfTruehalfTrue表示 FP16 量化速度提升明显精度损失通常很小但要在你的验证集上复测一遍确认没掉点。导出后可以用onnxruntime或 TensorRT 的 Python API 加载推理脱离 ultralytics 依赖适合嵌入到现有 C 或服务端流水线里。RK3588 这类板端部署也是类似思路先导出 ONNX再用厂商工具链转 RKNN注意算子兼容性遇到不支持的层要回退或替换。5.4 一个我踩过的坑有次我直接把 conf 设成 0.5 上线结果 Open_package 几乎全漏因为这类样本在训练集里置信度普遍偏低。后来我改成按类设阈值并且每周抽一批线上误报图回灌到训练集里做增量微调。从那以后我每次拿到新权重都强制先跑一遍 val 看每类 P/R再决定阈值绝不拍脑袋。希望帮到你。本文还有配套的精品资源点击获取 YOLOv8快递包裹缺陷检测权重包：1200张图4类缺陷开箱即用
简介本资源面向快递物流质检、仓储自动化及计算机视觉方向的开发者与研究者提供一套可直接推理的YOLOv8快递包裹与包装盒缺陷检测权重并配套1200余张标注数据集解决包裹破损、开箱、包装异常等场景下的快速检测需求。压缩包共约2000个文件整体78.3MB包含982个txt格式标签、1002个xml标注文件以及说明文档、yaml配置等标签可直接用于YOLOv5、v7、v8、v9等算法训练。数据集已按train、val、test划分并附data.yaml类别涵盖Box、Box_broken、Open_package、Package四类目录结构清晰开箱即可复现训练与推理流程。已有97人学习关注适合希望快速验证缺陷检测方案、节省数据采集与标注成本的中高级视觉开发者参考使用。1. 拆开这个包裹缺陷检测权重包1200 张图、4 类缺陷、开箱即推理快递分拣线上最怕什么不是爆仓是包装盒破了、被人拆过、箱子压扁了结果系统还傻乎乎地把它当完好件放行。这个资源包解决的就是这件事一套已经训练好的 YOLOv8 快递包裹与包装盒缺陷检测权重外加 1200 多张标注好的数据集目录按 train/val/test 划分完毕data.yaml 也配好了。拿到手不用从头炼丹直接跑推理就能看效果想继续微调把权重当预训练模型接着训也行。适合两类人一类是产线质检、物流分拣场景的工程师想快速验证视觉方案可行性另一类是刚接触 YOLOv8 缺陷检测的开发者需要一个结构完整、标签规范的真实数据集练手。四类目标——Box、Box_broken、Open_package、Package覆盖了从完好箱体到破损、拆封、包裹本体的常见状态标签是 txt 格式YOLOv5/v7/v8/v9 都能直接吃。2. 先搞懂这四类标签和 data.yaml别把 Open_package 当成 Box_broken2.1 四类缺陷的语义边界与标注逻辑拿到数据集第一件事不是急着训是把类别含义吃透。这个包里的 nc: 4names 依次是 Box、Box_broken、Open_package、Package。很多人扫一眼就过结果训出来的模型把拆封箱和破损箱混成一类mAP 看着还行上线一跑全是误报。我一般会先把这四类的判定标准写清楚类别含义典型视觉特征易混点Box完好包装盒边角完整、封口平整、无撕裂与 Package 在远景下难分Box_broken破损包装盒撕裂、压溃、穿孔、明显变形与 Open_package 的开口混淆Open_package已拆封包裹封口胶带被割开、箱盖翻开开口小的时候像 Box_brokenPackage包裹本体软包/袋装无硬质盒体、表面褶皱与 Box 的材质差异关键区别在于Box_broken 强调「被动损坏」Open_package 强调「被人为打开」。标注时如果一条边界模糊宁可归到更保守的类也别硬塞。数据集里 txt 标签是 YOLO 格式每行class_id x_center y_center width height坐标全部归一化到 0~1。你拿到手先抽查几张确认没有把整张图框成一个大框的偷懒标注那种样本训进去就是噪声。2.2 data.yaml 的路径陷阱与跨版本兼容资源里的 data.yaml 长这样train: ../train/images val: ../valid/images nc: 4 names: - Box - Box_broken - Open_package - Package注意两个坑。第一路径写的是相对路径../train/images它相对于谁相对于你执行训练命令时所在的目录不是相对于 data.yaml 文件本身。常见做法是把 data.yaml 放在数据集根目录然后cd到该目录再跑或者直接把路径改成绝对路径。第二val 指向的是valid目录但摘要里写的是 train/val/test 划分说明验证集目录名是 valid 而不是 val别自己改名改了就对不上。# 推荐做法先确认目录结构 cd package_defect_dataset ls # 应该看到 train/ valid/ test/ data.yaml # 如果 valid 不存在而是 val要么改 yaml要么改目录名二选一跨版本兼容方面YOLOv5 和 YOLOv8 对 data.yaml 的字段要求略有差异。YOLOv5 通常还需要path字段指定根目录YOLOv8 则更宽松。如果你要拿这份数据去喂 YOLOv5建议补一行path: /abs/path/to/dataset否则它可能找不到图。YOLOv9 同理字段名基本沿用但部分分支要求names用字典形式遇到报错先看它提示缺哪个 key别盲目改。提示改完 data.yaml 先用python -c import yaml; print(yaml.safe_load(open(data.yaml)))验证语法YAML 对缩进和冒号空格极其敏感一个 tab 就能让你排查半小时。3. 环境搭起来从 CPU 版验证到 GPU 推理的完整命令3.1 最小可跑环境与依赖安装先明确一点这个权重包是给你直接推理用的不是让你从零配一个训练集群。所以环境搭建的目标是「最快跑通一次推理」。我一般会先建一个干净虚拟环境避免和系统里的 torch 版本打架。# 创建虚拟环境conda 或 venv 都行这里用 venv python -m venv yolov8_env source yolov8_env/bin/activate # Windows 用 yolov8_env\Scripts\activate # 安装 ultralyticsYOLOv8 官方包自带推理和训练接口 pip install ultralytics # 如果只有 CPU装 CPU 版 torch 即可ultralytics 会自动拉 # 如果有 NVIDIA 显卡建议先按官网命令装对应 CUDA 版本的 torch再装 ultralytics装完ultralytics后yolo命令就可用了。验证一下yolo version # 输出类似 8.2.x 即正常如果你在 Ubuntu 20.04 上跑 CPU 版本注意系统自带的 python3 可能是 3.8而较新的 ultralytics 要求 3.8一般没问题但 pip 版本太老会报错先pip install -U pip。显卡方面GTX 1660 Ti 这类 6G 显存的卡跑推理绰绰有余训练的话 batch 别开太大后面会讲。3.2 用训练好的权重跑第一张图权重文件一般是.pt格式放在资源包里。假设你拿到的文件叫best.pt推理命令就一行yolo predict modelbest.pt sourcetest_images/ conf0.25 saveTrue参数说明model指向权重source可以是单张图、文件夹、视频甚至摄像头编号conf是置信度阈值默认 0.25调高减少误报调低召回更多但可能引入噪声saveTrue把带框结果存到runs/detect/predict/下。跑完去看输出图重点看三类问题漏检该框的没框、误检背景被框成缺陷、错类Box_broken 被标成 Open_package。如果整体偏保守先把 conf 降到 0.15 看召回上限如果误报多升到 0.4 再试。# 也可以用 Python 脚本批量推理方便后续接业务逻辑 from ultralytics import YOLO model YOLO(best.pt) results model.predict( sourcetest_images/, conf0.25, iou0.45, # NMS 交并比阈值密集目标可适当调低 saveTrue, projectruns/detect, namepackage_test ) # 遍历结果打印每张图的检测框数量和类别 for r in results: boxes r.boxes print(r.path, len(boxes), boxes.cls.tolist() if boxes is not None else [])这段脚本的价值在于你可以把boxes.cls和boxes.conf拿出来做统计比如统计 test 集里 Open_package 的平均置信度如果某类普遍低于 0.3说明该类样本在训练集里可能偏少或标注质量差这是后续微调的重要依据。3.3 拿这份数据继续训练的参数怎么设如果你想在现有权重基础上继续微调或者换自己的数据训练命令如下yolo train modelbest.pt datadata.yaml epochs100 imgsz640 batch16 device0参数逐个说modelbest.pt表示从已有权重初始化比从yolov8n.pt从头训收敛快得多data指向你的 yamlepochs100 起步小数据集 50~100 通常够imgsz640是输入分辨率如果你的图里缺陷很小可以提到 1280但显存翻倍batch16在 6G 显存上可能爆先试 8device0指定第一块 GPUCPU 训练去掉这个参数但会很慢。训练过程中重点看runs/train/exp/results.csv关注metrics/mAP50-95和val/box_loss。如果 box_loss 震荡不降多半是学习率太大或标注框有异常值。注意微调时如果新数据类别和原权重类别不一致必须改 data.yaml 的 nc 和 names并且不要冻结分类头否则模型学不会新类。4. 推理结果不对劲先查这五个地方4.1 现象所有图都检测不到任何框原因最常见的是权重文件和类别数不匹配或者图片路径根本没读到。先确认source目录下确实有图且格式是 jpg/png 而非 webp 或 bmp 的冷门变种。再确认权重加载时没有报 warning。解决用yolo predict modelbest.pt source单张图.jpg先跑一张看终端有没有image 1/1的输出。如果显示 0 个框把 conf 降到 0.01 再试若还是 0基本是权重损坏或类别对不上。4.2 现象框的位置整体偏移或框到背景原因训练时的 imgsz 和推理时的 imgsz 不一致或者图片被预处理时做了非等比缩放。YOLO 默认 letterbox 保持比例但如果你自己写了预处理脚本可能引入了偏移。解决推理时显式指定imgsz640和训练保持一致。另外检查图片是否被旋转过EXIF 方向信息有时会让标注框对不上。4.3 现象Box_broken 和 Open_package 互相误判原因这两类在视觉上确实接近尤其当破损处正好在封口位置时。训练集里如果这类边界样本标注不一致模型就学混了。解决先看混淆矩阵yolo val modelbest.pt datadata.yaml会输出每类的 precision/recall。如果两类互相误判严重把训练集里这两类的边界样本挑出来重新审一遍标注统一标准后再微调 20~30 个 epoch。4.4 现象小目标漏检严重原因快递面单上的小破损、远处的小包裹在 640 分辨率下可能只剩几个像素。解决推理时把 imgsz 提到 1280或者用切片推理SAHI 那套思路把大图切小块分别检测再合并。代价是速度下降产线节拍紧的话要权衡。4.5 现象训练时 loss 正常但 mAP 很低原因验证集和训练集分布不一致比如验证集里全是某一种光照条件而训练集没有。或者 data.yaml 的 val 路径指错了实际验证的是空目录。解决先ls valid/images | wc -l确认验证集有图再抽查验证集和训练集的图片风格是否接近。如果差异大重新划分数据集保证随机划分而不是按时间顺序切。5. 把权重用出花置信度分层、误报抑制与产线落地技巧5.1 按类别设不同置信度阈值产线上不同缺陷的容忍度不一样。Box_broken 漏检可能导致客户投诉宁可多报Open_package 误报会触发人工复检成本高阈值可以高一点。YOLOv8 的 predict 接口支持全局 conf但要按类设阈值得自己后处理from ultralytics import YOLO model YOLO(best.pt) results model.predict(sourcetest_images/, conf0.1, saveFalse) # 自定义每类阈值 class_thresholds {0: 0.25, 1: 0.20, 2: 0.35, 3: 0.30} # 对应 Box, Box_broken, Open_package, Package for r in results: keep [] for box in r.boxes: cls_id int(box.cls) if float(box.conf) class_thresholds.get(cls_id, 0.25): keep.append(box) # keep 里就是过滤后的框可自行绘制或送下游 print(r.path, 保留框数:, len(keep))逻辑很直白先用低 conf 把所有候选框捞出来再按类别阈值二次过滤。这样既不会因为全局阈值一刀切导致某类全丢也能压住高误报类的噪声。参数怎么定拿一批标注好的验证图跑一遍画每类的 precision-recall 曲线选 F1 最高点对应的 conf再根据业务偏保守或偏激进微调。5.2 用验证集量化权重真实水平别只看推理图「感觉还行」跑一次yolo val拿硬指标yolo val modelbest.pt datadata.yaml imgsz640 batch8输出里重点看metrics/mAP50和metrics/mAP50-95。mAP50 是 IoU0.5 时的平均精度偏宽松mAP50-95 更严格能反映框的贴合度。如果 mAP50 高但 mAP50-95 低说明框的位置不够准可能是标注框偏大或偏小。这个包是训练好的权重你拿到手第一件事就是跑 val把每类的 P/R 记下来作为后续微调的基线。没有基线的调参都是玄学。5.3 导出 ONNX 或 TensorRT 提速如果产线要部署到边缘设备.pt直接跑偏慢常见做法是导出 ONNX 或 TensorRT# 导出 ONNX yolo export modelbest.pt formatonnx imgsz640 # 导出 TensorRT需要 NVIDIA 环境和 tensorrt 包 yolo export modelbest.pt formatengine imgsz640 halfTruehalfTrue表示 FP16 量化速度提升明显精度损失通常很小但要在你的验证集上复测一遍确认没掉点。导出后可以用onnxruntime或 TensorRT 的 Python API 加载推理脱离 ultralytics 依赖适合嵌入到现有 C 或服务端流水线里。RK3588 这类板端部署也是类似思路先导出 ONNX再用厂商工具链转 RKNN注意算子兼容性遇到不支持的层要回退或替换。5.4 一个我踩过的坑有次我直接把 conf 设成 0.5 上线结果 Open_package 几乎全漏因为这类样本在训练集里置信度普遍偏低。后来我改成按类设阈值并且每周抽一批线上误报图回灌到训练集里做增量微调。从那以后我每次拿到新权重都强制先跑一遍 val 看每类 P/R再决定阈值绝不拍脑袋。希望帮到你。本文还有配套的精品资源点击获取