为什么数据标注是工业质检的第一道坎
据媒体报道,在2026飞书AI先锋大赛先进制造专场上,东风康明斯用大模型读取发动机连杆配对码,将视觉检测准确率从70%提升至99.5%;其工程师的体会是工业AI的核心不是算力,而是把老师傅经验翻译成机器能懂的规则。这条经验同样适用于缺陷检测:高质量、带标注的样本比模型本身更关键。
用 Label Studio 组织缺陷标注
Label Studio 是开源标注平台,可定义矩形框、多边形等标注模板。启动后通过 Web 界面分配任务、沉淀标注:
# 安装并启动标注服务(建议内网部署)
pip install label-studio
label-studio start --host 0.0.0.0 --port 8080
# 标注模板示例(缺陷框选)
标注完成后,用 Label Studio 的导出功能得到 COCO 或 YOLO 格式数据集。
用 YOLOv8 做自动预标与微调
先以预训练权重对新图做推理,把高置信度结果回灌为预标注,人工只需修正低置信度框,标注效率可显著提升;再用自有数据微调:
from ultralytics import YOLO
# 1) 自动预标:把模型输出写回标注池
model = YOLO('yolov8n.pt')
res = model('unlabeled/', conf=0.5, save_txt=True)
# 2) 用标注好的数据微调
model = YOLO('yolov8n.pt')
model.train(data='defect.yaml', epochs=50, imgsz=640, batch=16)
metrics = model.val()
print('mAP50-95:', metrics.box.map)① defect.yaml 须正确声明类别数与训练/验证路径,路径建议用绝对路径避免歧义;
② 先小样本验证 pipeline 跑通,再逐步扩大数据规模,避免一上来就长周期训练;
③ 把最终模型封装为 HTTP 服务,对接产线相机与 MES,形成拍—检—判闭环。
落地边界
说明:模型检测结果仅作辅助,关键工位应保留人工复检与拦截;涉及产品放行的判定须符合企业质量体系要求。标注数据应包含足够多的缺陷形态与光照条件,防止过拟合。
参考来源
Label Studio 官方文档 - HumanSignal;Ultralytics YOLOv8 官方文档 - Ultralytics;人工智能技术多维度赋能制造业升级 - 经济日报。