数据与环境:担任项目负责人主导全流程;采用 NEU-DET 钢材表面缺陷数据集(裂纹、夹杂、斑点、凹坑、轧入氧化皮、划痕6类共1,800张样本),按8:1:1划分训练/验证/测试集,完成VOC→YOLO标注格式转换;采用Mosaic、随机翻转、HSV色域增强策略;在Windows Conda环境下配置PyTorch2.4.0+CUDA11.8,搭建YOLOv5训练环境;
训练与部署:基于 YOLOv5s 预训练权重迁移学习训练300epochs,采用 SGD 优化器(初始lr=0.01)配合余弦退火调度;mAP@0.5达81.3%,6类缺陷Recall均≥85%;封装模型权重开发推理脚本,支持批量检测与结果可视化输出,单张推理约18ms。