YOLO实战：集装箱缺陷AI检测系统从训练到部署全记录

集装箱的状态好坏，直接决定物流链条上谁掏钱、谁担责。我在做这个项目之前，一直以为港口对箱体的检查已经很成熟了，真正扎进去才发现，绝大多数闸口的人工查验还是靠师傅拎着手电筒绕车转，效率低不说，判定标准还因人而异——同一道凹痕，这边判“轻微损伤放行”，那边判“需维修”，到了目的港就是一场纠纷。所以当合作方提出要做一套基于智能AI图像识别的集装箱破损缺陷检测系统时，我第一反应是这事儿能落地，而且必须落地。这篇文章就把我们从头到尾踩过的路、踩过的坑、调过的参数都摊开来讲。

1. 项目背景与整体方案拆解

1.1 集装箱损伤检测的现场需求

集装箱在码头、场站、铁路货运站里流转，磕碰是常态。吊装时撞到门框、堆场里被叉车顶一下、海运途中盐雾腐蚀、装卸时箱体受压变形，这些损伤如果不在收箱环节发现并记录，还箱时就会产生高额维修费甚至拒收。传统人工检查的痛点很明确：一是有遗漏，尤其是箱体高处和角落，肉眼很难看全；二是不稳定，雨天、逆光、夜间，漏检率肉眼可见地上升；三是无留痕，检查结果靠手写或口头传达，后续追责没有依据。

这套系统的目标场景是港口闸口或场站进出口的固定检测点。集卡低速通过时，两侧和顶部部署工业相机抓拍箱体四面，AI模型实时识别凹陷、破损、变形、锈蚀四类缺陷，并把结果推送到闸口系统的界面上，完成自动留档。相比人工，它最大的价值不是“快”，而是标准统一——同样一个箱子，模型判出的结果不会因为换班、换人而变样。

1.2 为什么选YOLO检测路线而不是分割

做缺陷识别，绕不开一个技术选型问题：用目标检测还是实例分割。分割能给出像素级的轮廓，对凹陷面积、锈蚀占比能算得更准，但代价是标注成本高、推理速度慢。我们在实际评估后发现，港口场景的核心诉求是“有没有损伤、损伤在哪、大致有多严重”，而不是“损伤边界精确到厘米”。所以最终选了目标检测路线，模型用YOLO系列。

YOLO能成为这个项目的主干，有几个现实原因：一是生态成熟，训练、导出、部署的链路非常顺，团队上手快；二是YOLO格式的数据集可以直接在主流框架里用，后续换模型版本也不用重新标数据；三是实时性有保障，即便接多路视频流也能扛住。另外，箱体缺陷的形态相对规则，用矩形框就能把凹陷、锈蚀这类目标框得比较准，不会因为框得“太粗”而漏掉关键信息。

1.3 四类缺陷的定义与判定边界

模型不是玄学，类别定义不清，标注就会乱，标注乱，模型精度就是空谈。我们和现场的老检查员一起，把缺陷最终收敛成四类：

边界问题是最容易扯皮的。比如一道划痕没破漆，算不算破损？我们的规矩是“不穿透、不露底材，不算”；再比如锈和泥水混在一起，怎么区分？现场经验是有锈的地方颜色偏暖，边缘不清晰，而且按压区域纹理和周边不一样。这些边界规则必须写进标注规范文档里，并且要随训练结果反复迭代。

2. 数据集构建：这件事占掉了整个项目60%的时间

2.1 数据采集的现场布置

很多团队一上来就急着找公开数据集，结果发现集装箱缺陷这种行业数据，公开资源少得可怜，质量更是参差不齐。我们的做法是直接在合作方的场站里架采集设备，真实环境数据针对性最强。

采集点选在集卡通行的闸口通道，左右两侧各装了一台工业相机，顶部装一台俯拍相机，覆盖箱体的左面、右面和顶面。箱体正面（门面）单独在另一个工位补拍。相机高度大约距离地面2.5米，镜头对准箱体中部到顶部区域，拍摄距离控制在5到8米之间。这个距离下，单张图能覆盖箱体大半长度，同时凹陷这种小目标还能保持足够的分辨率。

数据不是一次采完的。我们花了大约一个月的时间，覆盖晴天、阴天、雨天、傍晚逆光、夜间补光等不同光照条件，尽量把箱体上可能出现的各种损伤状态都拍进去。最后累计采集的有效图片约一万两千张，其中纯净无损伤的负样本占了大约三成——这一点后面会细说，负样本对降低误报太重要了。

2.2 数据清洗与标注规范

原始图片不能直接喂给模型。第一步是剔除模糊、过曝、严重遮挡的图；第二步是统一图片口径，原始分辨率是40003000，存储体积太大，我们统一压到20001500作为训练原图。压缩之后，一个4到5厘米宽的凹陷目标在图上约占60到80像素，对YOLO来说属于中等偏小目标，是能学出来的。

标注工具用的是LabelImg，标注前先做了一轮内部标注标准培训，把2.3节里的缺陷判定边界发给每个标注员。为了保证质量，每张图至少两人独立标注一遍，再用标注一致性进行对比，分歧样本交给项目负责人仲裁。这个流程很费人，但非常值得——后期模型预测和人工标注的对账，很多错误其实都能追溯到标注不规范。

标注结果的统一规范是这样的：

• 类别编号：0代表凹陷，1代表腐蚀/锈蚀，2代表破损，3代表变形
• 坐标归一化：框中心点x、y以及框宽高都除以图片宽高，数值范围0到1
• 单图存在多个缺陷时，每个缺陷单独一行

举个例子，一张图上有一个凹陷框和一个锈蚀框，对应的标签文件内容就是：

0 0.3215 0.4523 0.0821 0.1134 1 0.6872 0.5831 0.1904 0.1422

注意格式里的四个数字必须是浮点型，用空格分隔，最后一个数字后面不要留多余空格。标注文件命名必须和图片同名，前缀相同、扩展名不同，比如IMG_0231.jpg对应IMG_0231.txt。这个规则看似基础，但我们在项目里不止一次因为文件名不匹配导致训练时数据加载报错。

2.3 类别不平衡与数据增强策略

采回来的数据天然不平衡：锈蚀最常见，标注框数量最多；变形最少，因为集装箱变形在日常流转里相对罕见。我们统计了一下初始分布，锈蚀框约占45%，凹陷约30%，破损约15%，变形只有10%。如果不做处理，模型会对锈蚀学得很好，对变形很容易漏检。

处理不平衡没有玄学，就是两条路：一是对少样本类别做过采样，复制粘贴或做增强，让训练时每类都能被充分学习；二是调整损失函数里的类别权重。我们实际采用的是“过采样+小幅类别权重”的组合，简单有效。

数据增强方面，YOLO自带Mosaic、随机仿射、色调抖动等策略。但对这个场景，有三点是必须谨慎的：一是水平翻转要慎用，因为集装箱的锁孔、铰链位置是有实际语义的，翻转后这些特征会对不齐；二是不要做太强的色彩增强，锈蚀的颜色本身就是关键特征，色相偏移太大反而会让模型学歪；三是亮度扰动可以做，但要适度，我们用的是默认值的0.5倍强度。Mosaic在训练前半段开着，最后10个epoch关掉，让模型在接近真实分布的输入上做收敛。

3. 模型选型与训练参数调优

3.1 YOLOv5还是YOLOv8：一次实测对比

项目启动时正好处于YOLOv5和YOLOv8交替的时期。我的建议是别只看发布时间的新闻，拿自己的数据实测。我们用同一份训练集、同样的数据增强参数，分别跑了YOLOv5s和YOLOv8s的对比实验。

两类模型都能到达可用的精度水平，但YOLOv8在高IoU阈值下的表现更稳，尤其对锈蚀这种边缘不规则的目标，框的贴合度更好。我们最终选了YOLOv8s，输入尺寸定为1280。

这里要特意说一句：很多教程默认用640分辨率训练，但我们的实验证明，对凹陷这种小目标，640会显著掉精度。mAP@0.5从0.956直接掉到0.912，看着跌幅不大，实际到现场就是每百个箱子多漏好几个缺陷。你要是有显存余量，至少用1280试试，效果差距非常直观。

3.2 训练配置清单与参数解释

最终跑通的训练配置大概是这样的：

# dataset.yaml train: ./dataset/images/train val: ./dataset/images/val nc: 4 names: ['dent', 'corrosion', 'breakage', 'deformation']

训练命令主要参数：

python train.py --data dataset.yaml --model yolov8s.pt --img 1280 \ --batch 16 --epochs 200 --optimizer SGD --lr0 0.01 --mosaic 1.0 \ --close_mosaic 10 --patience 30

几个关键参数的理解：

• batch 16：1280分辨率下，单卡要保证batch不低于16，太小的batch会让BatchNorm统计不稳定，模型容易震荡
• epochs 200 + patience 30：不用傻跑满200轮，设置早停，验证集连续30轮不涨就停。我们实际在第156轮左右触发了早停
• optimizer SGD：YOLOv8默认是AdamW，但在我们的数据量级上，SGD配合Warmup收敛更稳、最终精度更高。这个结论不一定普适，建议两个都试试
• close_mosaic 10：最后10轮关闭Mosaic增强，防止模型对拼接图产生依赖，这是YOLOv8官方推荐的做法

还有一个小坑要提醒：训练前可以开启auto anchor自动聚类锚框。集装箱缺陷的宽高比分布和通用目标数据集差异很大，锚框自动调整后，小目标的召回率会有肉眼可见的提升。

3.3 精度对比与过拟合控制

训练过程中要盯两件事：train loss和val loss的走势。我们遇到过典型的过拟合信号——训练loss一路下降，val loss在第80轮左右开始反弹，而mAP停滞不前。原因排查下来是数据多样性不足，某些角度的图片在训练集里出现了固定重复，模型记住了特定背景。

解决过拟合三板斧：

1. 增加真实多样性：补采不同角度、不同距离的图片，这是我们见效最明显的一步
2. 增强强度分层：把RandAugment的强度从默认值适当调低，避免增强过的图片和原图差异太大
3. 模型规模降档：从YOLOv8m回退到YOLOv8s，参数少了约40%，过拟合风险直接降一档

3.4 模型导出的关键

训练完成后要部署，导出格式绕不开ONNX和TensorRT。我们的步骤是：先导出ONNX，再转成TensorRT的FP16引擎。这里有几个容易踩的坑：

• 导出时记得指定--img 1280，否则模型会沿用训练时的默认尺寸
• 如果检测端用GPU推理，务必用TensorRT引擎而不是ONNX，推理速度能快3倍以上
• 有些老旧设备的GPU不支持FP16，要用FP32回退，别到时候上来就报错

4. 训练结果与部署实战

4.1 最终指标与误差分析

模型训练完成后，在独立测试集（约2000张，不参与训练）上跑出来的最终指标如下：

这个指标在实验室看着不错，但真正到现场跑的时候，问题就暴露了。最大的问题不是漏检，而是误报——闸口的背景太杂，墙上的污渍、反光的光斑、甚至是阴影都被模型当成凹陷框了出来。后来我们把测试集切成“场内背景”和“现场背景”两组对比，发现后者误报率比前者高出将近三倍。

4.2 阈值选择与多帧投票机制

解决误报，我们做了两件事。第一是置信度阈值调优，默认的0.25太低，现场跑到0.65才比较稳。但阈值抬高又会掉召回，我们用验证集画了Precision-Recall曲线，选取了精确率和召回率的平衡点——最终锁定在0.55到0.6之间。

第二，也是最有效的一招：多帧投票。闸口场景下集卡通过是连续抓拍的，同一个缺陷在连续多帧里都会出现。我们设置一个简单规则：某个缺陷只有出现在至少两帧里才判定为有效，单帧出现的孤立框直接丢弃。这一招把误报率直接砍掉了一大半，因为真正的缺陷会连续出现，而噪声往往是孤立的。

这里补充一下实现细节，多帧投票不是简单做NMS，而是用IoU做目标关联：帧A出现一个凹陷框，帧B里找一个IoU大于0.5的凹陷框，匹配上就计数加一。我们用了一个简单的类对象来管理滑动窗口内的检测结果。

4.3 硬件部署与闸口联调

部署环境是一台工业计算机，GPU用的是比较主流的算力卡。整体推理链路是：相机抓拍 → 图像预处理 → TensorRT推理 → 后处理 → 结果推送闸口系统。端到端单张图片处理耗时控制在80毫秒以内，完全满足现场集卡低速通过时对多帧抓拍的处理需求。

联调阶段最容易被忽视的是触发逻辑。我们最初设计的是“相机常开、匀速抓拍”，结果一张集卡过去能拍到30多张图，大量算力浪费在无箱体的空背景上。后来加了光电传感器触发，集卡压线时才开始抓拍箱体区域，图片量降到6到8张，处理压力轻了一大截。

还有网络层面要提前考虑好：相机到工控机走工业网线，工控机到闸口系统走内网。图像数据一帧大约6到8MB，如果走WiFi传输，卡顿和丢帧会让人崩溃。现场的教训是，凡是涉及高分辨率图像的链路，优先考虑有线网络。

5. 常见问题与排查技巧实录

5.1 误报高发场景与对策

第一类误报是“锈蚀识别成脏污”和“脏污识别成锈蚀”，这个在阴天和雨后特别明显。雨后的泥水飞溅在箱体上，颜色和初锈非常接近。我们的对策是强制要求采集阶段覆盖雨后场景，并且在标注时对“存疑的脏污”单独建了一个训练负样本库。模型后期对这类边界的区分能力提升非常明显。

第二类误报是“箱体边框和加强筋的阴影被识别成凹陷”。集装箱侧壁有横向波纹板，波峰波谷在侧光下会产生规律的明暗变化，模型很容易误判。这类问题靠调阈值解决不了，必须在地面真值标注的时候把“波纹板正常起伏”标注为背景，让模型见过足够多的“看似凹陷实则正常”的样本，才能学会区分。

第三类误报来自箱体上的铭牌、危险品标识等贴纸。这些贴纸边缘平整，反光强，形态上确实容易被误识别。我们的处理是在数据增强时加入小角度旋转和随机裁剪，让模型对边缘形状更敏感。另外，给每个类别加了“最小框宽高”限制，比如破损框宽度小于20像素的一律丢弃，也能过滤掉大量贴纸误报。

5.2 漏检高发场景与排查思路

漏检比误报更难定位，因为不跑数据分析根本不知道模型漏在哪。我们的排查方法很朴素：把测试集所有漏检的样本挑出来，一张张过，归纳出几类典型问题。

最典型的漏检是“极小平整凹陷”——没有明显阴影和形状变化，肉眼都需要凑近才能看到，模型确实很难学。这类问题目前业内也没有完美解法，我们实际的做法是降低这类缺陷的判定标准，在标注时只标“明显影响集装箱强度或运输安全”的凹陷，把轻微凹痕全部归入背景，避免模型在模糊边界上浪费学习能力。

第二类漏检原因是“目标过小且被遮挡”，比如箱角处的小锈斑恰好被锁杆挡住一半。这种我们在部署环节加了目标重叠逻辑，一旦某个箱体的锈蚀框或破损框命中关键区域（箱角、门框），系统会自动提示人工二次确认，不依赖模型自动下最终结论。

第三类漏检与图像质量直接相关：夜间补光不足或强逆光条件下，图片暗部噪声大，模型特征提取容易失效。最终方案是在采集端加了偏振镜片，减少金属表面的反光干扰，同时对夜间图片单独做了直方图均衡化预处理。

5.3 标注工具使用细节与版本管理

最后提醒一下数据集本身的版本管理。我们的数据集前后迭代了五版，每一版都有标注规范微调（比如变形类的判定范围扩大），如果不做版本控制，模型复现会变得非常痛苦。我们的做法是给每个数据集版本打标签，修改记录写在一个简单的变更日志里，训练时记录下具体用的哪一版数据。这个习惯花不了多少时间，但后期排查问题时能少掉很多头发。

标注工具的坑也值得一提：LabelImg的默认保存格式是Pascal VOC的XML，需要手动切换成YOLO格式，并且默认输出路径容易配置错误，导致标签文件跑偏到别的文件夹。新项目开始前，先把输出目录和格式确认好，别等标注了一千张图才发现要对路径做批处理，那感觉真的酸爽。

6. 这个项目后续还能怎么扩展

项目上线后，我们陆续收到一些新的需求点，这里一并列出来供参考。

一是损伤面积估算。当前检测只能输出矩形框，无法精确给出锈蚀面积占比。下一步方向是检测模型加分割头的组合方案，先用YOLO做目标定位，再用分割模型在框内生成像素级掩码，然后投影到真实尺度上计算面积。如果分阶段做，训练成本不会增加太多，但业务价值很直接——很多收箱方的定价逻辑是按损伤面积算的。

二是关键结构件专项检测。箱体的底梁、角件、门框扭曲这些位置，对安全影响远大于侧壁的普通凹陷，我们计划单独拆一个专用识别模型来对这几个关键部位做重点扫描，用不同于侧壁的拍摄角度和独立模型权重，精度还能往上提。

三是移动端识别。现在固定闸口的方案已经稳定，有客户提出想在堆场内用移动设备或轨道巡检小车做流动检测。迁移到移动端的主要挑战是算力受限，我们的计划是裁剪输入分辨率到960，并使用INT8量化，争取在轻量边缘设备上把单帧推理压到60毫秒以内。

不管怎么扩展，底层这套“数据采集规范-标注标准-YOLO训练-部署联调”的流程都不会变，希望这篇文章里的经验能帮你少走几步弯路。