基于YOLO的PCB缺陷检测实战：从数据集构建到模型训练部署全流程

1. 从一块报废板子说起：PCB缺陷检测到底在解决什么问题

前阵子帮一个做小批量PCBA的朋友处理产线问题，他们每个月大概产出两千多片板子，主要是一些工业控制类的四层板。问题出在回流焊之后的人工目检环节——两个质检员拿着放大镜一片一片看，一天下来眼睛都快瞎了，漏检率还是压不下去。最典型的一次，一批板子发到客户手里，对方上电测试发现有三片存在线路微短路，追回来一查，是蚀刻工序留下的铜渣残留，肉眼在特定角度下才能勉强看到。这一来一回，赔了钱不说，交期也耽误了。

这件事让我意识到，PCB缺陷检测这件事，靠人眼死磕终究不是办法。后来我花了两周时间，用YOLO系列模型搭了一套自动检测流程，从数据集采集、标注、增强，到模型训练、验证、导出部署，跑通了一个完整的闭环。实测下来，在自建的五百多张图像数据集上，mAP@0.5能稳定在0.92以上，单张推理时间在普通消费级显卡上不到20毫秒。这套东西谈不上多高深，但确实把漏检率从人工的百分之八左右压到了百分之二以内。

这篇文章就是把这套流程完整拆开讲一遍。不管你是刚接触机器视觉缺陷检测的在校学生，还是产线上想搞自动化改造的工程师，或者只是对YOLO训练自己的数据集感兴趣的开发者，都能从里面找到可以直接抄作业的东西。我会把数据集怎么准备、标注怎么做、模型怎么选、参数怎么调、坑在哪里，全部摊开来说。核心关键词就几个：PCB、缺陷检测、数据集、模型训练、YOLO，整篇内容都围绕这几个词展开。

需要提前说明的是，PCB缺陷检测这个领域，公开数据集其实不算丰富，很多情况下你得自己采图、自己标。这既是门槛，也是机会——因为一旦你跑通了一次完整流程，后面换产品、换缺陷类型，无非就是重新采一批图、重新标一遍的事，方法论是通用的。

2. 内容整体设计与思路拆解

2.1 为什么选YOLO而不是其他方案

做缺陷检测，摆在面前的路其实有好几条。传统机器视觉那条路，用OpenCV做模板匹配、边缘检测、形态学操作，在缺陷类型单一、光照稳定的场景下确实能用，而且不需要GPU，部署成本低。但PCB的缺陷类型太多了——缺件、偏移、立碑、虚焊、短路、开路、铜渣、划痕，每一种的形态都不一样，你不可能给每种缺陷写一套规则。规则一多，维护成本就上去了，而且换个产品型号，阈值全得重调。

另一条路是语义分割，比如U-Net那一套，能给出像素级的缺陷区域。精度确实高，但标注成本也高——你得标像素级的mask，一张图标下来少说十分钟。对于小批量多品种的产线，这个标注成本扛不住。

选YOLO，核心原因是三点。第一，检测速度够快，YOLOv8n在RTX 3060上跑640尺寸的图，推理时间大概在5到8毫秒，完全能跟上产线节拍。第二，标注成本可控，只需要画矩形框，一张图熟练了半分钟就能标完。第三，生态成熟，Ultralytics那套框架把训练、验证、导出、部署全串起来了，你不需要自己去写数据加载器、写损失函数、写推理后处理，省下来的时间可以花在数据质量上。

提示：如果你做的缺陷是那种边界极其模糊、需要精确到像素的，比如某些半导体晶圆缺陷，那YOLO的框可能不够用，得考虑分割方案。但PCB上的大部分缺陷，用框标出来足够了。

2.2 整体流程的骨架

整个流程我把它拆成五步，后面会一步步展开讲。

第一步是需求定义与缺陷分类。你得先搞清楚要检测哪几类缺陷，每类缺陷长什么样，在图像里大概占多大面积。这一步决定了后面采图的数量和标注的粒度。

第二步是数据集采集与标注。采图要考虑光照、角度、背景的一致性，标注要统一标准，避免同一种缺陷两个人标出两种框。

第三步是数据增强与划分。PCB图像有个特点，缺陷区域往往很小，直接训练容易漏检。需要通过增强手段扩充样本，同时按比例划分训练集、验证集、测试集。

第四步是模型训练与调参。选哪个版本的YOLO，用多大的输入尺寸，学习率怎么设，batch size怎么定，这些都有讲究。

第五步是验证、导出与部署。训练完了不能只看loss曲线，得看实际的混淆矩阵和PR曲线，导出成ONNX或者TensorRT，再集成到产线系统里。

这五步里，最耗时间的其实是第二步，大概占整个项目百分之六十以上的精力。很多人一上来就急着调模型，结果数据集一塌糊涂，怎么调都上不去。我的经验是，数据集的质量决定了模型效果的上限，模型和参数只是逼近这个上限。

2.3 方案选型背后的取舍逻辑

在具体工具选型上，我也踩过一些坑。标注工具一开始用的LabelImg，后来换成了Labelme再换回LabelImg，最后还是觉得LabelImg最顺手，因为它直接输出YOLO格式的txt文件，省去了格式转换的麻烦。如果你需要标分割mask，那Labelme更合适，但纯检测任务，LabelImg足够了。

模型版本上，我试过YOLOv5、YOLOv7、YOLOv8，最后落在YOLOv8上。v5的生态最成熟，教程最多，但v8的API更简洁，而且anchor-free的设计对小目标更友好。PCB上的缺陷很多都是小目标，比如一个0402封装的电阻偏移，在整板图像里可能就十几个像素，v8的表现确实比v5好一截。

训练框架用的是Ultralytics的官方库，没有用MMDetection或者Detectron2。原因很简单，Ultralytics那套东西开箱即用，配置文件就一个yaml，训练命令就一行，对新手极其友好。MMDetection虽然灵活，但配置文件的层级太深，改个参数要翻好几层，对于快速迭代不友好。

3. 核心细节解析与实操要点

3.1 缺陷分类与判定标准

在动手采图之前，必须先跟产线的人坐下来，把缺陷分类定清楚。我当时的分类是这样的：

这个表不是拍脑袋定的，是跟质检主管一起，拿实际的不良品一片一片看出来的。定标准的时候有个原则：宁可把标准定严一点，也不要定松。因为模型训练出来之后，你可以通过调置信度阈值来放宽，但如果标注的时候标准就松，模型学到的就是模糊的边界，后面怎么调都调不回来。

注意：缺陷分类不要贪多。我一开始想把所有能想到的缺陷都放进去，分了十二类，结果每类样本都不够，模型学得一塌糊涂。后来砍到六类，每类至少保证一百五十个实例，效果才起来。经验值是每类缺陷至少一百个实例，低于这个数，模型很难学到稳定的特征。

3.2 图像采集的硬件与参数

采图这块，我用的是一个五百像素的工业相机配一个定焦镜头，光源用的是环形白光LED。为什么用白光不用其他颜色？因为PCB的底色是绿色或者蓝色，白光下缺陷的对比度最自然，不会引入奇怪的色偏。

相机架设的角度很关键。垂直向下拍是最简单的，但有些缺陷比如立碑，垂直拍只能看到一个点，侧面拍才能看到翘起的高度。我的做法是主相机垂直拍，再加一个低角度相机补拍，两个相机的图像分别训练，推理的时候取并集。这样做的代价是推理时间翻倍，但召回率能提升大概五个百分点。

光照的稳定性比光照的强度更重要。我试过用自然光加补光灯，结果上午和下午拍的图色温不一样，模型在下午的图上表现明显差一截。后来改成全封闭的暗箱加固定光源，色温锁定在五千五百K，问题就解决了。

采集的分辨率也有讲究。我一开始用四千乘三千的分辨率，想着细节更丰富，结果训练的时候显存直接爆了，降到一千二百八十乘九百六十才跑起来。后来发现，对于0402封装的元件，一千二百八十的分辨率已经足够看清偏移了，再高就是浪费。分辨率的选择原则是：缺陷区域在图像里至少占二十个像素宽，低于这个数，模型很难学到有效特征。

3.3 标注规范与质量控制

标注这件事，最怕的就是标准不统一。我当时的做法是，先让两个标注员各自标五十张图，然后交叉检查，把不一致的地方拿出来讨论，形成一份标注规范文档。这份文档里写清楚了每种缺陷的框怎么画——是贴着缺陷边缘画，还是留一点余量。

我的规范是框贴着缺陷边缘画，不留余量。因为YOLO的损失函数里，框的位置是直接参与回归的，留余量会让模型学到一个偏大的框，推理的时候框会偏大，影响后处理的判断。

标注的质量控制，我用了一个笨办法但很有效：每标完一百张图，就抽十张出来重新标一遍，对比两次标注的IoU。如果IoU低于0.85，说明标注标准不稳定，得停下来重新对齐。这个办法虽然费时间，但能及早发现问题，避免标了几千张之后才发现标准跑偏了。

还有一个细节是难例的处理。有些缺陷处于临界状态，比如一个偏移量刚好在判定标准边缘的元件，标还是不标？我的做法是标上，但在训练的时候给这类样本一个较低的权重。YOLO本身不支持样本加权，但你可以通过复制正常样本、减少难例样本的方式来间接实现。

3.4 数据增强的策略与边界

PCB图像的数据增强，不能随便用那些通用的增强手段。比如随机旋转，对于PCB来说，旋转九十度之后，元件的方向就变了，模型会学到错误的方向特征。我试过加旋转增强，结果模型在正常图像上的表现反而下降了。

我实际用的增强手段是这几种：

• 亮度与对比度扰动：模拟不同光照条件下的图像变化，幅度控制在正负百分之十五以内。
• 高斯噪声：模拟相机传感器的噪声，标准差控制在五以内。
• 随机裁剪：从大图中裁剪出小图，增加小目标的样本量，裁剪尺寸不低于原图的百分之六十。
• 马赛克增强：YOLOv8自带的mosaic增强，把四张图拼成一张，对小目标检测很有效，但要注意拼接后的图像不能有重叠的缺陷区域。

提示：增强的幅度不要太大。我见过有人把亮度扰动开到正负百分之五十，结果模型学到的全是极端光照下的特征，正常光照下反而检不出来。增强的目的是让模型见过更多的变化，而不是让它见过不可能出现的情况。

3.5 数据集划分的比例与随机性

训练集、验证集、测试集的划分，我用的比例是七比二比一。这个比例不是固定的，如果你的数据量很大，比如上万张，那验证集和测试集的比例可以降到百分之十和百分之五。但如果数据量只有几百张，那验证集至少要有百分之二十，否则验证结果波动太大，没法判断模型到底有没有变好。

划分的时候有个坑：不能随机划分。因为PCB图像往往是从同一批板子上采的，同一批板子的图像相似度很高。如果随机划分，很可能训练集和验证集里有来自同一块板子的图像，验证结果会虚高。正确的做法是按板子划分，同一块板子的所有图像要么全在训练集，要么全在验证集。这样验证结果才能反映模型在没见过的新板子上的表现。

4. 实操过程与核心环节实现

4.1 环境搭建与依赖安装

环境这块，我用的是Ubuntu 22.04加一张RTX 3060，显存十二个G。Python版本是3.10，CUDA版本是11.8。这些版本不是随便选的，Ultralytics的库对CUDA版本有要求，11.8是经过验证比较稳的。

安装步骤很简单，先建一个虚拟环境，然后装Ultralytics：

conda create -n pcb_det python=3.10 conda activate pcb_det pip install ultralytics

装完之后验证一下：

yolo checks

这个命令会输出你的环境信息，包括CUDA是否可用、GPU型号、显存大小。如果CUDA那一栏显示的是false，那说明你的PyTorch版本和CUDA版本不匹配，得重新装PyTorch。

注意：不要用pip install torch直接装，那样装的是CPU版本。要去PyTorch官网找对应的CUDA版本的安装命令。我踩过这个坑，装完之后训练速度慢得离谱，一查才发现用的是CPU。

4.2 数据集目录结构与配置文件

Ultralytics要求的数据集目录结构是这样的：

pcb_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── pcb.yaml

images下面放图像文件，labels下面放同名的txt标注文件。txt文件的格式是每一行一个目标，内容是类别编号 中心x 中心y 宽度 高度，坐标都是归一化到零到一之间的。

pcb.yaml的内容是这样的：

path: /home/user/pcb_dataset train: images/train val: images/val test: images/test names: 0: missing 1: shift 2: tombstone 3: cold_joint 4: short 5: copper_residue

这个yaml文件是训练的核心配置文件，路径和类别名都在这里定义。类别名的顺序要和标注文件里的类别编号对应，否则模型学出来的类别是乱的。

4.3 模型训练的参数设置与调优

训练命令就一行：

yolo detect train data=pcb.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 lr0=0.01

这行命令里的每个参数都有讲究，我一个个说。

model=yolov8s.pt选的是small版本，不是nano也不是medium。nano版本太小，对小目标的检测能力不够；medium版本太大，训练慢而且容易过拟合。small版本在速度和精度之间取得了比较好的平衡。如果你显存够大，可以试试medium，但我的经验是对于PCB这种小目标密集的场景，small已经够用了。

epochs=200是训练轮数。这个数不是固定的，得看loss曲线。我的做法是先设两百轮，然后看验证集上的mAP什么时候不再上升，如果一百五十轮就收敛了，那后面的五十轮就是浪费。但如果两百轮还在上升，那就得加到三百轮。

imgsz=640是输入图像的尺寸。这个尺寸决定了模型能看到多少细节。PCB图像里的小目标很多，尺寸太小会漏检，尺寸太大显存扛不住。640是一个比较通用的值，如果你显存够大，可以试到八百甚至一千零二十四，但速度会明显下降。

batch=16是批大小。这个值受显存限制，十二个G的显存跑640尺寸的图，batch设到十六差不多是极限了。如果显存不够，可以降到八或者四，但batch太小会导致训练不稳定，梯度更新的方向波动大。

lr0=0.01是初始学习率。这个值我试过0.001、0.01、0.1，最后发现0.01最稳。0.001收敛太慢，0.1容易震荡。如果你用的是预训练模型，0.01是合适的；如果是从头训练，可以适当降低到0.005。

训练过程中要盯着几个指标：box_loss、cls_loss、dfl_loss，还有验证集上的mAP@0.5和mAP@0.5:0.95。box_loss是框回归的损失，cls_loss是分类的损失，dfl_loss是分布焦点损失。这三个loss都应该随着训练轮数下降，如果某个loss不降反升，说明模型过拟合了，得加正则化或者减模型复杂度。

4.4 训练过程的监控与早停策略

Ultralytics默认会在训练结束后画一堆曲线图，但训练过程中你只能看命令行输出的日志。我习惯用TensorBoard来实时监控：

tensorboard --logdir runs/detect/train

然后在浏览器里打开对应的端口，就能看到loss曲线和mAP曲线实时更新。这样你可以在训练过程中就判断模型有没有跑偏，不用等训练结束。

早停策略我用的是patience=50，意思是如果验证集上的mAP连续五十轮没有提升，就自动停止训练。这个参数能省不少时间，避免在已经收敛的模型上继续浪费算力。

提示：早停的patience不要设太小。我试过设成二十，结果模型在第三十轮的时候mAP有一个小幅下降，然后第四十轮又升上去了，但早停已经在第三十轮触发了，白白错过了后面的提升。五十是一个比较稳妥的值。

4.5 模型验证与指标解读

训练完之后，用验证集跑一遍：

yolo detect val model=runs/detect/train/weights/best.pt data=pcb.yaml

输出的指标里，重点看这几个：

• mAP@0.5：IoU阈值为0.5时的平均精度，这个指标反映的是模型能不能把缺陷检出来。
• mAP@0.5:0.95：IoU阈值从0.5到0.95的平均精度，这个指标反映的是框的位置准不准。
• Precision：查准率，模型说是缺陷的里面有多少是真的缺陷。
• Recall：查全率，真的缺陷里面有多少被模型检出来了。

对于PCB缺陷检测，Recall比Precision更重要。因为漏检一个缺陷的代价远大于误检一个。误检了你可以人工复核，漏检了就直接流到客户手里了。所以调参的时候，宁可牺牲一点Precision，也要把Recall拉上去。

具体做法是降低置信度阈值。默认的置信度阈值是0.25，你可以降到0.15甚至0.1，这样更多的候选框会被保留，Recall会上升，但Precision会下降。降到多少合适，得看你的产线能接受多少误检率。

4.6 模型导出与推理部署

训练好的模型要导出成推理格式。我用的是ONNX：

yolo export model=best.pt format=onnx imgsz=640

导出的ONNX模型可以用ONNX Runtime来推理，也可以进一步转成TensorRT来加速。TensorRT的推理速度比ONNX Runtime快大概百分之三十到五十，但转换过程稍微麻烦一点，需要装TensorRT的库。

推理的代码大概长这样：

from ultralytics import YOLO model = YOLO("best.onnx") results = model("test_image.jpg", conf=0.15) for result in results: boxes = result.boxes for box in boxes: cls = int(box.cls[0]) conf = float(box.conf[0]) xyxy = box.xyxy[0].tolist() print(f"类别: {cls}, 置信度: {conf:.2f}, 位置: {xyxy}")

这段代码里，conf=0.15就是前面说的降低置信度阈值来提升Recall。实际部署的时候，这个阈值要根据产线的误检容忍度来调。

5. 常见问题与排查技巧实录

5.1 训练loss不下降怎么办

这是最常见的问题。可能的原因有几个：

第一，学习率设得太小。如果lr0设的是0.0001，那loss下降会非常慢，看起来就像不下降。解决办法是把学习率调到0.01试试。

第二，数据集标注有问题。如果标注文件里的坐标格式不对，或者类别编号超出了names的范围，模型学到的就是噪声。解决办法是写个脚本检查一遍所有标注文件，确保格式正确。

第三，预训练模型和任务不匹配。如果你用的是COCO预训练的模型，而你的数据集和COCO差异很大，那模型需要更多的轮数来适应。解决办法是增加epochs，或者用更大的学习率先跑几轮预热。

5.2 验证集mAP很高但实际推理效果差

这个问题通常是数据集划分有问题。前面说过，如果训练集和验证集里有来自同一块板子的图像，验证集的mAP会虚高。解决办法是按板子划分数据集，确保验证集里的板子在训练集里没出现过。

另一个可能的原因是验证集和实际推理场景的分布不一致。比如验证集用的是暗箱里拍的图，但实际推理是在产线上自然光下拍的，光照条件不一样，模型的表现自然差。解决办法是让验证集的采集条件和实际推理条件保持一致。

5.3 小目标漏检严重怎么办

PCB上的小目标漏检，是这类项目的典型难点。我试过几种办法：

第一种是提高输入分辨率。把imgsz从640提到八百甚至一千零二十四，小目标在图像里占的像素多了，模型更容易学到特征。代价是推理速度下降，显存占用增加。

第二种是用mosaic增强。mosaic把四张图拼成一张，相当于变相提高了小目标的密度，模型在训练时见过更多的小目标样本。

第三种是调整anchor的尺寸。YOLOv8是anchor-free的，不需要手动设anchor，但你可以通过调整reg_max参数来改变框回归的范围。默认的reg_max是十六，对于特别小的目标，可以降到八。

第四种是在损失函数里给小目标更高的权重。YOLOv8本身不支持这个，但你可以通过复制小目标的样本来间接实现。

5.4 模型过拟合怎么判断和处理

过拟合的典型表现是：训练集上的loss持续下降，但验证集上的loss开始上升，mAP停止增长甚至下降。

处理过拟合的办法有几个：

• 增加数据量。这是最根本的办法，但采图和标注都需要时间。
• 加数据增强。前面说的亮度扰动、高斯噪声、随机裁剪，都能增加数据的多样性。
• 减小模型复杂度。把yolov8s换成yolov8n，参数量少了，过拟合的风险就低了。
• 加正则化。YOLOv8默认有weight_decay，可以适当调大。
• 早停。在验证集mAP不再上升的时候及时停止训练。

5.5 常见问题速查表

5.6 几个踩过的坑和独家技巧

第一个坑是标注文件的编码问题。LabelImg在某些系统上保存的txt文件是GBK编码的，而Ultralytics读的是UTF-8，结果读出来是乱码。解决办法是统一用UTF-8编码保存，或者在读之前转码。

第二个坑是图像文件名里的特殊字符。如果文件名里有空格或者中文，Ultralytics在读的时候可能会报错。解决办法是把所有文件名改成英文加数字的组合。

第三个技巧是用伪标签做半监督学习。当你标了几百张图之后，可以用训练好的模型去预测未标注的图像，把置信度高的预测结果当作标签，加入训练集。这样可以用较少的标注成本获得更多的训练数据。我试过用这个方法，在标注了三百张图的基础上，用伪标签扩充到八百张，mAP提升了大概三个百分点。

第四个技巧是多模型集成。训练几个不同版本的YOLO，比如yolov8n、yolov8s、yolov8m，推理的时候把它们的预测结果做NMS融合。这样做的代价是推理时间翻倍，但Recall能提升两到三个百分点。对于漏检代价很高的场景，这个投入是值得的。

6. 从训练到产线：部署环节的几个实际问题

模型训练出来只是第一步，真正把它用到产线上，还有几个问题要解决。

第一个是推理速度的稳定性。训练的时候你用的是离线图像，推理速度波动不大。但产线上是连续图像流，如果某一帧的推理时间突然变长，后面的帧就会堆积。解决办法是用TensorRT加速，并且设置一个推理超时，超时的帧直接跳过，避免阻塞。

第二个是模型更新的平滑过渡。产线不能停，你不可能把模型换掉再重新启动。我的做法是双模型并行，新模型先跑影子模式，只记录不报警，等验证稳定了再切换成主模型。这样切换的时候没有停机时间。

第三个是误检的人工复核流程。模型再准也会有误检，关键是误检之后怎么办。我的做法是，模型检出的缺陷自动截图，推送到一个复核界面，由质检员快速确认。确认是误检的，标记出来，定期拿这些误检样本去重新训练模型。这样就形成了一个闭环，模型会越用越准。

第四个是数据回流机制。产线上每天产生的图像，不能检完就扔。要把那些模型置信度处于临界区间的图像保存下来，定期人工复核，把新的缺陷类型和难例加入训练集。这个机制能让模型持续进化，适应新的缺陷形态。

这套流程跑下来，我从零开始到产线部署，大概花了三周时间。其中采图和标注占了两周，训练和调参占了三天，部署和调试占了四天。如果你有现成的数据集，那整个周期可以压缩到一周以内。

最后分享一个小技巧：训练的时候把最好的模型和最后一个模型都保存下来。best.pt是验证集上mAP最高的模型，last.pt是最后一轮的模型。有时候last.pt在实际推理中的表现反而比best.pt好，因为best.pt可能是在验证集上过拟合的。两个都留着，实际部署的时候都试一下，选效果好的那个。