轮胎缺陷分割实战：YOLOv8-seg改进与部署全解析

轮胎缺陷分割这个需求，放在制造业质检场景里已经不算什么新鲜概念了。轮胎是整车上唯一直接接触地面的部件，出厂前漏掉一处气泡、一处裂纹，轻则影响动平衡，重则高速行驶时爆胎，所以各大轮胎厂对出厂质检都非常较真。过去产线上主要靠老师傅目检，一条胎扫一遍胎侧胎冠，眼睛一睁一闭之间全靠经验，漏检率直接和当天的疲劳状态挂钩。这几年深度学习视觉方案陆续落地，但很多团队还是习惯用传统图像处理或者两阶段分割网络，要么调参调到怀疑人生，要么FPS上不去，始终没有一套能真正塞进产线的方案。

这篇内容围绕一套完整的轮胎缺陷分割系统展开：数据集怎么标、YOLOv8-seg怎么跑通、50+改进创新点如何挑选组合、一键训练脚本怎么配、Web前端怎么做实时展示。如果你手上正好有类似的工业质检需求，或者想拿视觉分割方向做论文实验，这份记录可以直接当参考资料用。我会把踩过的坑、调参的心得、部署的细节都拆开讲，尽量让从没碰过YOLO分割的读者也能照着跑出自己的结果。

1. 项目整体思路与选题价值

1.1 为什么是轮胎缺陷分割，而不是普通检测

轮胎缺陷检测本质上是一个“找小目标、找低对比度目标”的活。缺陷类型包括气泡、裂纹、杂质、缺胶、毛边等，形状极不规则。气泡可能是凸包也可能凹陷，裂纹细得像发丝，杂质的轮廓和周围橡胶颜色非常接近，传统目标检测算法用矩形框很难表达这些目标的真实边界。

这里就得说清楚“检测”和“分割”的区别。做检测，模型输出的是一个水平矩形框，里面包含缺陷像素，但也包含大量背景。对于产线上的剔除决策来说，框够了，但如果你想算缺陷面积、计算缺陷占轮胎整体面积的比例、判断是否超过工艺标准，矩形框就完全不够用。分割模型能输出像素级掩码，气泡多大、裂纹多长、缺胶区域占比多少，全部能量化。

那为什么不直接上语义分割，把“所有缺陷像素”统一当一类？因为产线上同一张图里可能同时存在多个缺陷实例，一条裂纹旁边还有一个气泡，语义分割会把它们归成同一片区域，无法区分实例。后续要做按缺陷数量、按大小分级处理，必须能数清楚有“几个”缺陷。所以这里选的是实例分割，也就是YOLOv8-seg这一类路线。

1.2 为什么选YOLOv8-seg，而不是Mask R-CNN或传统CV

先说传统CV方案，就是阈值分割、边缘检测、形态学处理那一套。这套东西在单一背景、固定光照下确实能跑，轮胎厂如果产线光照恒定，找气泡用明暗阈值也许可行。但轮胎表面本身有纹理、有字标、有胎毛，光线一波动，背景梯度一大，阈值就崩了。每来一种新产品还要重新调一轮参数，非常痛苦。

再对比Mask R-CNN和YOLOv8-seg，我整理了个表格，供选型时参考：

在实际项目里，速度并不是唯一考量。Mask R-CNN的分割精度确实不低，但它的两阶段结构导致推理链路长，部署到产线边侧设备上经常只能跑到几帧，根本达不到在线检测的节拍要求。YOLOv8-seg采用单阶段设计，检测头和分割头共享主干特征，推理时一次性输出框、类、置信度和mask，整体时延小一个量级。更关键的是，Ultralytics开源生态把训练、验证、导出、推理全部做了标准化，我只是做项目的话，不用从零造轮子，连Web端做实时展示都有现成的范式可以抄。

2. 技术底座：YOLOv8-seg的实现原理与改进扩展

2.1 从C2f看YOLOv8-seg的骨架设计

先说主干网络。YOLOv8-seg沿用YOLOv8的整体架构，backbone里最有代表性的模块是C2f。它是从YOLOv5的C3演化来的，核心思路是“跨阶段部分连接+多条梯度路径”。C3模块对输入只做一个分支的变换后再拼接，C2f则是先把输入split成两条路，其中一条直接走快捷连接，另一条连续经过多个Bottleneck，最后再把所有分支拼回去。这样做的好处是梯度可以直接从深层流回浅层，网络更容易训练，特征复用也更充分。

整体结构上，YOLOv8-seg的neck采用PAFPN，也就是自顶向下传递语义信息、自底向上传递位置信息的多尺度特征金字塔，输出三个不同尺度的特征层，分别对应8倍、16倍、32倍下采样。小缺陷很多都在8倍特征层上被召回，所以后面改进时经常会在这个层级做文章。

head部分用的是解耦头，把分类和回归拆成两个独立分支，每个分支只干一件事，收敛更稳定。分割分支的实现思路参考了原型掩码那一类做法，网络会额外生成一组mask prototype，同时每个检测框预测一组mask系数，推理时把系数和prototype线性组合，再经过sigmoid和阈值得到最终掩码。这个设计和普通的分割头比起来，计算量小、速度快，部署时不会成为性能瓶颈。

2.2 辅助分支、RFAConv与注意力机制等改进套件

这次项目里最吸引人的点就是50+全套改进创新点。初次看到这个数，很多人会疑惑：一个YOLOv8-seg还能玩出这么多花样？实际拆开看就明白了，这些改进点本质上是可替换的模块库，不是把网络推倒重来。

先讲Aux辅助分支。YOLOv8-seg-aux指的是在训练时增加一个辅助检测头，通常放在浅层特征上，比如P2或者P3。浅层特征分辨率高、位置信息丰富，对小目标和边缘细节更敏感。辅助头的loss只在训练阶段参与反向传播，推理时直接剪掉，所以训练成本略增，但推理速度不受影响。对于气泡、裂纹这类小缺陷，加Aux分支通常能明显提升召回率。

再讲C2f-RFAConv。RFAConv全称是Receptive Field Attention Convolution，核心是在卷积中引入感受野注意力：不是直接把特征图全部送入固定方形卷积核，而是根据输入特征动态学习卷积核采样区域的重要性权重。轮胎缺陷里大量是弯曲裂纹、不规则杂质，普通卷积核是正方形固定采样，要么采到大量背景，要么遗漏细长结构。RFAConv能自动把注意力集中在和缺陷相关的区域，边缘拟合和形变适应能力更强。

除了这两个招牌改进点，剩余的改进点大体可以分成几类，我按场景整理了一个表：

每个改进点都是独立开关，可以单独验证效果，也可以自由组合。这就是它能做论文消融实验的原因：基线模型一套，单改进点多套，组合改进点多套，实验矩阵很容易铺开。

2.3 50+改进点怎么选、怎么组合

改进点不是越多越好，这一点我反复强调。所有改进一起上，训练时间翻几倍不说，模块之间还可能相互干扰，最后解释不清到底谁起了作用。我自己比较习惯的组合逻辑是先分析数据再选模块。

如果缺陷以细小裂纹为主，优先考虑RFAConv、P2检测层、Aux分支，因为细长结构更吃感受野和浅层特征。如果缺陷以低对比度气泡为主，优先考虑CA、EMA这类注意力模块，让模型主动关注到显著性很弱的区域。如果缺陷大小跨度很大，同一张图上既有大块杂质又有细小裂纹，那就优先上BiFPN或ASFF这类多尺度融合模块。

组合顺序也有讲究。一般先上“结构类”改进，比如卷积替换、特征融合，把这个版本作为新的基线；然后在上面的基础上加“注意力类”改进，看精度的边际提升；最后用“损失函数类”改进做训练层面的调优。每加一个模块就保存一个版本，做好日志记录。这样到了写论文或者做汇报的时候，每一层增益都有据可查。

3. 数据集构建与标注规范

3.1 缺陷采集与分类：轮胎缺陷类型怎么定

数据集是整个系统的地基。我见过太多团队，模型结构改得飞起，最后数据集就几百张图，怎么调都过拟合，这就是典型的地基没打牢。

轮胎缺陷在采集阶段通常分为胎侧和胎冠两大类，常见的缺陷类型包括气泡、裂纹、杂质、缺胶、毛边、胎侧凹陷等。气泡往往是圆形的鼓包，裂纹可能是直线也可能是分叉的细纹，杂质形态最不规则，可能是一小块异物嵌入橡胶表面。类别命名建议直接用英文，方便后续目录和标签文件统一管理：

0: bubble 1: crack 2: foreign_matter 3: missing_rubber 4: flash

每个类别的样本量建议至少在300~500个实例以上。缺陷检测是典型的长尾问题，很多缺陷平时出现频率极低，如果产线采集一个月也只有几十个实例，需要主动做数据扩充。采集的时候尽量覆盖不同光照、不同角度、不同型号轮胎，否则模型在换产品时容易失效。现场没有足够样本的时候，可以先用合成数据补量，比如用3D软件生成缺陷模型再渲染到样本上，或者做真实的缺陷复刻，说白了就是拿刀片、热熔物在废旧轮胎上造出缺陷再拍摄。

3.2 标注流程与格式转换

标注工具有很多选择，我用过Labelme这类本地标注工具，也用过CVAT这类网页标注平台。对于轮胎缺陷这类需要精细边缘的场景，建议用多边形标注，把缺陷轮廓逐点描出来，不要用矩形框去框。气泡这类封闭区域标注起来还简单，裂纹这种细长结构就非常考验标注员的耐心，通常要放大图片，沿着裂纹走向逐段添加锚点。

YOLOv8-seg的训练标签格式是文本文件，每行对应一个实例：

class_id x1 y1 x2 y2 x3 y3 ... xn yn

所有坐标都必须归一化到0~1之间，即像素坐标除以图像宽高。写个Python脚本就能把Labelme的json格式转成YOLO格式，核心逻辑如下：

import json import os def convert_labelme_to_yolo(json_path, out_dir, image_w, image_h, class_map): with open(json_path, 'r', encoding='utf-8') as f: data = json.load(f) lines = [] for shape in data['shapes']: cls = shape['label'] points = shape['points'] # [[x1,y1],[x2,y2],...] cls_id = class_map[cls] norm_points = [] for x, y in points: norm_points.append(x / image_w) norm_points.append(y / image_h) lines.append(f"{cls_id} " + " ".join(f"{p:.6f}" for p in norm_points)) with open(os.path.join(out_dir, json_path.replace('.json', '.txt')), 'w') as f: f.write("\n".join(lines))

目录结构按Ultralytics的习惯组织：

datasets/ ├── images/ │ ├── train/ │ ├── val/ ├── labels/ │ ├── train/ │ ├── val/ └── data.yaml

这里有个特别容易踩的坑：标注坐标有时候会因为边缘点顺序混乱导致多边形自相交，YOLO训练时会报错或者分割效果异常。建议标注完成后跑一遍校验脚本，检查每个多边形的面积是否为正值、坐标是否都在0~1区间内、是否存在重复的点对。这些问题在几百张图时还能人工排查，上千张图以后必须脚本化处理。

3.3 数据增强策略与类别不平衡处理

YOLOv8-seg内置了Mosaic、Mixup、HSV变换、翻转、随机透视等增强策略。但在工业质检场景里，增强策略不能盲目全开。比如HSV颜色增强，如果拉得过大，可能会把缺陷和背景的颜色分布搅乱，本来气泡和正常橡胶的对比度就很小，增强一变，模型反而学不到真实特征。我的习惯是把hsv_h、hsv_s、hsv_v都调小，保留轻微的明暗变化，不做大幅色域扰动。

Mosaic增强会把四张图拼在一起，生成的新场景有跨界拼接的概率。轮胎表面的纹理是连续结构，拼出来的图像会产生很多假边界，反而干扰缺陷分割。早中期训练可以开到0.5，最后二三十个epoch建议关闭，让模型在真实分布上收尾。

类别不平衡是工业数据集的通病。缺陷本身是小样本，气泡多、裂纹少的情况非常常见，模型会偏向多数类，导致裂纹的mAP非常难看。处理办法有几个：一是对少数类样本做过采样，让训练时每个epoch都能看到足够的裂纹实例；二是给少数类配置更高的损失权重；三是使用针对小目标的损失函数，比如SlideLoss、NWD。如果某个类别实在样本太少，还可以用复制粘贴增强，把少数类缺陷抠出来粘贴到其他正常样本的胎面上，注意粘贴位置要落在轮胎区域内，不要贴到背景上去。

标注质量检查同样不能省。画完一批图之后，我会统计每个类别的实例数、平均mask面积、图像尺寸分布。平均mask面积如果小于大概100像素，说明缺陷过小，训练时要么提高输入分辨率，要么考虑ROI裁剪方案，否则再怎么调模型都很难提升这部分的mAP。

4. 一键训练全流程：从环境配置到调参

4.1 环境准备

源码包里自带训练脚本、模型配置和数据集目录，第一步是把运行环境搭好。深度学习环境只要锁定几个关键版本，后面能省非常多事：

• Python版本3.8~3.10
• PyTorch 1.8以上，推荐2.x版本，AMP混合精度更稳定
• CUDA 11.7以上，驱动版本尽量新
• 依赖安装一行命令搞定：pip install ultralytics opencv-python tensorboard

显卡配置方面，有24G显存的RTX 3090或4090当然最舒服，批量大小和输入分辨率都能拉高一些。如果只有8G显存的卡，也不是不能跑，就是要把batch降到4、把imgsz降到512，训练时间长一点而已。建议至少12G显存起步，否则做组合改进点实验时，Aux分支叠加多了会频繁OOM。

4.2 训练配置详解

拿到的源码里会有一堆模型配置文件，比如yolov8n-seg-C2f-RFAConv.yaml、yolov8s-seg-aux.yaml。这些文件定义了backbone和head的层级结构。实际使用前要修改的是数据配置文件data.yaml，把数据集路径和类别名填进去：

path: ./datasets/tire_defect train: images/train val: images/val names: 0: bubble 1: crack 2: foreign_matter 3: missing_rubber 4: flash

训练超参数看起来多，核心就几个。epochs我会先设200，imgsz设640。batch根据显存来，能跑16就跑16，不行就8。优化器用SGD或者AdamW都可以，YOLOv8默认SGD在工业小数据集上更稳。初始学习率lr0设0.01，如果发现前几个epoch损失不降甚至上升，就降到0.005再试。

超参数示例：

# hyperparameters lr0: 0.01 lrf: 0.01 momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3.0 warmup_momentum: 0.8 box: 7.5 cls: 0.5 dfl: 1.5 seg: 1.0 mosaic: 0.5 close_mosaic: 10 hsv_h: 0.015 hsv_s: 0.2 hsv_v: 0.2

seg分支的loss权重建议保持在1.0附近，不要为了提升分割效果盲目调大，否则会挤压检测头的梯度，导致框定位变差。

4.3 一键脚本与训练监控

源码里的一键训练train.py本质上是把Ultralytics的命令行包装了一层，加上自动备份配置、自动选择设备、自动记录实验参数等功能。核心训练命令长这样：

python train.py \ --model models/yolov8n-seg-C2f-RFAConv.yaml \ --data datasets/tire_defect/data.yaml \ --epochs 200 \ --batch 16 \ --imgsz 640 \ --device 0 \ --amp

脚本内部会做几件事：检测GPU、加载预训练权重、把当前配置写入runs/segment/expN/目录、保存训练日志。训练过程中用TensorBoard监控最方便，会记录每个epoch的box_loss、cls_loss、dfl_loss、seg_loss以及mAP50、mAP50-95、mask_mAP等指标。

我比较关注的是seg_loss和mAP50-95是不是同步下降。如果box_loss降得很稳定，但seg_loss一直横盘，说明分割头的特征学习没跟上，这时候要去检查标注质量或者提高seg权重。

4.4 训练过程中的调参与避坑

这里把我实际踩过的坑列出来。

第一个坑是预训练权重选错。YOLOv8-seg有专门的分割预训练权重，比如yolov8n-seg.pt，不要拿检测版yolov8n.pt去初始化训练。虽然backbone能加载，但分割分支的mask prototype和系数头没有初始化，相当于从头学分割，收敛慢一大截。

第二个坑是冻结策略。数据集很小的时候，冻结前几层能防止学到的低级纹理特征被破坏。但冻结太多层会导致模型欠拟合，我的经验是冻结backbone前10层以内即可，后面层保持可训练。

第三个坑是显存管理。Aux分支会显著增加训练显存消耗，如果开启后OOM，优先降低batch而不是降低imgsz，因为输入分辨率对缺陷分割精度的影响比batch更直接。还可以开启梯度累积，等效batch不变、显存压力减半。

第四个坑是训练后期过拟合。轮胎数据集普遍不大，模型到了150个epoch左右通常就开始过拟合，验证集mAP不再上升，训练集mAP还在涨。可以用EMA策略稳定权重，或者提前停止训练，用验证集最优的那一个epoch的权重，不要等到训练结束才取出last.pt。

5. 模型导出与Web前端部署

5.1 模型导出

训练结束后得到best.pt，接下来要部署到Web端或产线侧设备。Ultralytics官方支持直接导出多种格式：

yolo export model=best.pt format=onnx opset=12 simplify=True yolo export model=best.pt format=engine half=True

导出ONNX时，如果后端要接TensorRT，建议把opset固定在12，simplify=True会把多余算子消除掉，推理框架解析更容易。半精度half=True在生产环境能明显降低延迟，但测试时要注意fp16在部分低对比度缺陷上会有精度损失，需要实测对比。

固定输入尺寸能进一步提升推理速度，比如固定640x640，避免动态shape带来的额外开销。如果产线上缺陷总是很小，可以使用960或1280的输入尺寸训练一个独立版本，靠分辨率换精度。

5.2 Web后端搭建思路

部署端用FastAPI写推理服务非常方便。加载一次模型，接收图片，跑推理，返回JSON结果。核心代码结构如下：

from fastapi import FastAPI, File, UploadFile from ultralytics import YOLO import cv2 import numpy as np app = FastAPI() model = YOLO("best.pt") @app.post("/api/infer") async def infer(file: UploadFile = File(...)): data = await file.read() img = cv2.imdecode(np.frombuffer(data, np.uint8), cv2.IMREAD_COLOR) results = model.predict(img, imgsz=640, conf=0.25, verbose=False)[0] output = [] if results.masks is not None: boxes = results.boxes.xyxy.cpu().numpy() confs = results.boxes.conf.cpu().numpy() clss = results.boxes.cls.cpu().numpy().astype(int) masks = results.masks.data.cpu().numpy() for i in range(len(confs)): mask = masks[i] area = int(mask.sum()) output.append({ "class": results.names[clss[i]], "confidence": float(confs[i]), "bbox": boxes[i].tolist(), "area_pixels": area, # 如果需要面积占比，可以结合原图分辨率计算 }) return {"defects": output}

有个并发问题要说一下。PyTorch模型在多线程并发推理时，如果多个请求同时打进来，有些算子的显存和上下文管理会冲突，可能直接报错。稳妥的做法是加一个全局锁，或者用消息队列维护一个推理worker池。对于单机Web demo，加锁就够了，吞吐量不会拉爆。

5.3 前端实时展示与结果可视化

Web前端展示的核心是两件事：掩码叠加和统计信息面板。

掩码叠加用Canvas再方便不过。后端返回每个缺陷的mask为二值数组，前端拿到后按类别映射成不同颜色，叠加到原图上，透明度设置成0.35左右，既能看到缺陷边界又不遮挡原始表面纹理。展示效果上可以有四种视图：原图、掩码叠加图、像素级mask图、缺陷轮廓图，方便对比模型输出和真实标注。

视频流实时展示则是用WebSocket把后端推理后的帧持续推到前端，前端直接绘制到Canvas上。要注意控制推理帧率，不要盲目追求高FPS，产线视觉通常每秒处理2~5帧就够，关键是保证每帧都完成完整检测和分割。

统计面板方面，我会在页面上显示缺陷面积占比、当前图像的缺陷数量、各类别置信度均值。这些数据其实就是后端JSON里的字段，前端拿下来整理一下，几行代码就能画出来。如果还有产线班次记录，做个简单的随时间变化的趋势折线，对现场工程师排查工艺问题也有参考价值。

6. 常见问题与排查实录

6.1 显存不足（OOM）

这是训练阶段最常报的错误，报错信息一般是torch.cuda.OutOfMemoryError。第一步先用nvidia-smi看显存到底被谁占了，如果其他进程占着几G，先清理掉再跑。如果只剩自己的训练进程，那就按优先级依次调整：降低batch、开启AMP、开启梯度累积、降低workers数量、最后再考虑降低imgsz。一般来说，开启AMP之后显存能省30%左右，是投入产出比最高的操作。

Aux分支带来的显存开销容易被低估，因为它额外加了一个检测头，相关损失计算都要保留中间特征。如果开了Aux分支就OOM，而不开就正常，那就说明显存余量不够，把batch减半就行。

6.2 loss出现NaN或训练发散

训练中loss突然变成NaN，不要慌，按顺序排查。最常见的原因是学习率太大，尤其是换了一些新的改进模块之后，梯度量级可能和原先不一样，0.01的学习率就会爆。先把lr0降到0.005，跑几十个epoch观察。

第二个原因是标签文件异常。有些标注多边形坐标越界或者点数为0，生成的txt文件为空，训练时就会在某个batch上计算出NaN。写个脚本检查一下，凡是空标签文件直接删掉。第三个原因是AMP混合精度在某些显卡上溢出，可以先关掉AMP跑几个epoch，如果能正常收敛，再考虑升级PyTorch版本或者改用torch.float32优化器状态。

6.3 分割效果差、边界毛糙、mAP上不去

如果你跑了几十个epoch，发现mAP50很低，不要急着改网络结构。先检查是不是数据集尺寸不统一，YOLO训练时会把所有图像resize到固定尺寸，如果原始图像是1920x1080的高清图，缺陷只占很小区域，缩放到640后缺陷可能只剩几十个像素，模型当然学不好。这种情况要么提高imgsz，要么提前对ROI区域做切图预处理。

边界毛糙的问题，先看是不是标注本身不准，标注锯齿多了模型学出来的边缘自然不光滑。确认标注没问题后，可以在mask后处理阶段加一次形态学闭运算或者多边形简化，去掉毛刺和碎点，视觉效果好很多。

mAP上不去的另一个常见原因是缺陷类别之间形态太像。比如气泡和杂质，在图像上都是凸起的块状区域，只有纹理细节不同。这时单纯加注意力模块帮助有限，更有效的做法是增加输入分辨率，或者把灰度图和梯度图一起作为输入，给模型更多区分依据。我把典型的几个问题整理成速查表：

7. 从项目到论文：改进点的实验设计与写作思路

7.1 消融实验怎么设计

这套系统的50+改进点能直接复用到学术实验上。但学术论文最看重的是严谨的消融分析，不是把改进点全部堆上然后报一个大数字。

一个标准的消融矩阵可以这样设计。第一行是基线，即原始YOLOv8-seg在轮胎缺陷数据集上的表现。之后每一行单独加入一个改进点，比如Aux分支、C2f-RFAConv、CBAM、BiFPN、NWD等，保持其他配置完全不变。最后再选一个最佳组合，报告最终结果。指标建议包括mAP50、mAP50-95、mask_mAP、参数量、推理耗时，这样既有精度维度又有效率维度。

我举个示例表格，实际操作时用自己跑出来的数字替换即可：

组合实验尤其要写清楚“为什么这些模块能互补”。比如Aux分支提升小缺陷召回，RFAConv改善细长裂纹边缘拟合，BiFPN增强多尺度融合，三者在原理上各管一块，堆在一起精度才能不断上涨。如果两个模块功效重叠，你会发现叠加后指标基本不涨，这种结果写进论文反而显得实验做得扎实。

7.2 论文结构建议与图表组织

论文的结构不需要多花哨，重点是让审稿人快速看得懂改进点。摘要部分点明“针对轮胎缺陷小目标、低对比度、形状不规则的问题，提出基于YOLOv8-seg的改进分割算法”。方法部分画清楚三个图：整体网络结构图、C2f-RFAConv的模块内部结构图、Aux分支训练推理对比图。每张图都要标注张量尺寸和流向，这是审稿人判断你改进是否有效的最快方式。

实验部分把数据集介绍放前面，说明采集环境、缺陷类型、样本数量、标注方式。然后把消融实验表格放在精度对比表前面，最后放几个轮胎缺陷的可视化结果，原图、真实标注、基线预测、改进模型预测四联排。可视化图里要挑有代表性的场景，比如一个小裂纹实例和一个低对比度气泡实例，这样审稿人一眼能看到差异。

写作时还有一个容易忽略的点：每个改进模块的原理描述要和控制变量实验对应上。写了RFAConv是感受野注意力，那实验就必须有证明边缘拟合提升的部分；写了Aux分支是浅层特征监督，那实验就必须有小缺陷召回提升的数据。不能只是改结构然后扔一个总结果表，那样会被审稿人追问到底哪个部分改了哪个指标。

最后再分享一点个人实操体会

这套系统从数据准备到跑通第一版可用模型，我自己的经验是一周半左右，其中最大的坑不是网络结构，而是数据。改进点再多，如果标注的裂纹跟实际缺陷对不上，mAP再高现场也用不起来。所以我建议拿到源码后，第一件事不是急着改模型，而是拿两三百张现场图手工标注一遍，跑一个基线，看哪些缺陷类型的mask输出不够准。等数据这块理顺了，后面的50+改进点才有底气一个个加上去验证，而不是盲目堆模块。还有一个细节，产线部署时模型如果换了轮胎批次，最好重新采集几十张图做快速验证，光照一变、纹理一变，很多仿真时的优势都会被拉平。这个方向后续还可以扩展的点很多，比如把分割结果直接对接机械臂剔除工位、把多个检测工位的模型统一做成模型服务，都有现成的工程路径可以继续延伸。