简介：本资源是一项面向高校计算机相关专业学生（如计算机科学、人工智能、自动化等）的毕业设计级计算机视觉项目，聚焦校园建筑玻璃幕墙清洁度智能检测这一实际应用场景，基于YOLOv8目标检测框架实现端到端的脏污识别与量化评估。压缩包共8个文件（3个Python主程序、3个PyTorch模型文件、2个文本说明），总大小15.91MB，涵盖训练脚本、视频检测模块、可视化交互界面及完整部署指南，开箱即用。已有34人下载学习，适用于课程设计、大作业或毕设立项演示，尤其适合深度学习入门者快速上手——无需调参基础，运行后即可生成验证集预测结果、标签分布图、混淆矩阵、F1分数与PR曲线等核心评估图表，并附带详细README说明与实测通过保障，答辩展示效果扎实，保底成绩可达85分以上。
1. 项目概述与核心价值
最近在整理过往项目时，翻到了一个挺有意思的毕设级作品——《基于YOLOv8的校园建筑玻璃幕墙清洁度检测》。这个项目麻雀虽小，五脏俱全，从模型训练、可视化界面到完整的数据集和部署教程都打包好了，号称“简单部署即可运行”。我仔细跑了一遍，发现它确实是个非常典型的计算机视觉落地案例，特别适合那些想快速上手YOLOv8，并做一个有完整流程、能实际演示的项目的同学，无论是应付课程设计、毕业设计，还是给自己技术栈添砖加瓦，都很有参考价值。
这个项目的核心，就是用YOLOv8这个当下最流行的目标检测框架，去识别和评估校园建筑玻璃幕墙的脏污情况。听起来好像很专业，其实拆解开来，就是让电脑学会像人眼一样，从图片或视频里找出玻璃幕墙，然后判断它上面有没有污渍、灰尘或者鸟粪之类的，再给个“清洁”或“需清洁”的结论。背后的需求很实在，对于高校、物业或者清洁公司来说，如果能用摄像头自动巡检，代替人工肉眼去一栋楼一栋楼地检查，那效率和成本控制就能提升一大截。
我之所以觉得它适合学习和复现，是因为它完整覆盖了一个AI项目从数据到交付的全链路：你需要自己收集和标注玻璃幕墙的数据集，然后用YOLOv8训练出一个能认得清玻璃和污渍的模型，接着还要写一个让普通人也能用的图形界面（GUI），最后还得把这一套东西打包，让别人能轻松部署运行。这个过程里，你会踩遍数据标注、模型调参、界面设计、工程封装这些经典的水坑，收获远比单纯跑通一个模型要多得多。
2. 项目整体设计与思路拆解
2.1 为什么选择YOLOv8与“清洁度检测”这个场景？
首先聊聊技术选型。为什么是YOLOv8，而不是更经典的YOLOv5或者其他的R-CNN系列？这得从项目需求说起。校园玻璃幕墙的检测，通常需要处理摄像头拍摄的实时视频流或大量巡检图片，这就要求模型必须够快。YOLO系列一贯以“单阶段检测”和“速度快”著称，YOLOv8作为Ultralytics公司的最新力作，在保持高速度的同时，精度和易用性上又有提升。它的API设计非常友好，几行代码就能完成训练和推理，对于课程设计这种时间有限的项目来说，能极大降低开发门槛。另外，YOLOv8社区活跃，遇到问题容易找到解决方案，配套的部署工具链（如ONNX导出、TensorRT加速）也成熟，方便后续的工程化扩展。
再来看“清洁度检测”这个具体任务。它本质上是一个细粒度的目标检测与分类问题。第一步，模型要能准确地框出图像中所有的玻璃幕墙区域（目标检测）。第二步，也是更具挑战的一步，需要对框出来的每个玻璃区域进行状态分类：是“干净”还是“脏污”？对于“脏污”，可能还需要进一步区分类型，比如灰尘附着、局部污渍、鸟粪等。这就要求数据集不仅要有玻璃的边界框标注，还要有对应的状态标签。项目采用的方法很巧妙：它没有去做复杂的像素级分割（比如区分污渍的具体形状），而是将“脏污玻璃”整体视为一个需要检测的类别，或者是在检测到玻璃后，对其区域进行一个二分类。这种设计平衡了精度和实现复杂度，非常务实。
2.2 技术方案架构全景图
整个项目的架构可以清晰地分为四个层次，我把它画在脑子里是这样的：
第一层是数据层。这是所有AI项目的基石。项目需要准备一个专门针对“校园建筑玻璃幕墙”的数据集。这包括在不同天气（晴、阴、雨）、不同光照（顺光、逆光）、不同角度（仰拍、平视）下拍摄的玻璃幕墙图片。每张图片都需要用标注工具（如LabelImg、CVAT）进行人工标注，标注信息至少包含两类：glass_clean（干净玻璃）和glass_dirty（脏污玻璃）。好的数据集要保证类别平衡和场景多样性，否则模型很容易过拟合或泛化能力差。
第二层是模型层。核心就是YOLOv8。这里的工作流是标准的：将标注好的数据集按照一定比例（如7:2:1）划分为训练集、验证集和测试集。然后选择YOLOv8的一个预训练模型（如yolov8n.pt或yolov8s.pt）作为起点，在自己的数据集上进行迁移学习。训练过程中要调整学习率、批次大小、训练轮数等超参数，并利用验证集监控模型性能，防止过拟合。
第三层是应用层。也就是可视化界面。一个只有命令行输出的模型是没法给非技术人员使用的。因此，项目通常会用Python的GUI库（如Tkinter、PyQt，或者更现代的Gradio、Streamlit）开发一个桌面或Web界面。这个界面至少需要提供“选择图片/视频”、“开始检测”、“显示结果”和“导出报告”等基本功能。检测结果需要直观地显示，比如在原图上用不同颜色的框标出干净和脏污的玻璃，并显示置信度。
第四层是部署层。如何让这个项目在别人的电脑上也能一键运行？这就需要考虑环境封装。常见做法是提供一个详细的requirements.txt文件列出所有Python依赖，或者更进一步，使用Docker容器将整个环境（包括Python解释器、库、模型文件）打包。对于课程设计，写一个清晰的README.md部署教程，一步步教同学安装Anaconda、创建虚拟环境、安装依赖、运行主程序，是必不可少的一环。
这个四层架构，从数据到交付，形成了一个闭环，完整地展示了一个AI应用从想法到产品的全过程。
3. 核心模块解析与实操要点
3.1 数据集构建：从拍摄到标注的实战细节
数据集是项目的命门。对于“校园玻璃幕墙”这个垂直场景，公开数据集几乎没有，所以自制数据集是必经之路。
数据采集要点：
- 设备与参数：使用手机或单反拍摄即可。建议关闭自动HDR，采用固定焦距，以JPEG格式存储。分辨率不宜过低，1080p是基础，确保能看清玻璃表面的细节。
- 场景覆盖：必须刻意追求多样性。
- 时间：早晨、中午、傍晚，不同时间的光线强度和色温不同。
- 天气：晴天、多云、阴天。特别注意逆光场景，玻璃会反射天空和周围建筑，形成干扰。
- 角度：平视、仰拍。仰拍时玻璃区域在画面中占比小，且透视变形大，对检测器是挑战。
- 脏污类型：均匀灰尘、局部泥点、喷射状鸟粪、水渍等，尽量都采集到。
- 数据量：对于课程设计级别，一个包含800-1500张图片的数据集通常足够。其中脏污样本的比例不应低于30%，否则模型可能学不会识别脏污。
数据标注实战（以LabelImg为例）：
- 安装LabelImg：
pip install labelImg，然后命令行运行labelImg。 - 创建标签文件：在项目根目录创建
labels文件夹，并在其中创建classes.txt，内容为两行：glass_clean和glass_dirty。 - 标注流程：打开LabelImg，设置图片目录和标签输出目录（通常设置为
labels）。使用Create RectBox工具框选每一块玻璃。关键点来了：对于一整块大玻璃，如果只有局部脏了，是标为glass_dirty一个框，还是将干净部分和脏污部分分开标？在这个项目中，为了简化任务，通常采用前者——将整块出现脏污的玻璃视为一个glass_dirty目标。标注务必精确，框要紧贴玻璃边缘。 - 标注格式：YOLOv8需要的是YOLO格式的txt文件。每个txt文件与图片同名，每行代表一个目标，格式为：
<class_id> <x_center> <y_center> <width> <height>。坐标和宽高都是相对于图片宽度和高度的归一化值（0到1之间）。LabelImg可以设置直接输出YOLO格式。
注意：标注一致性至关重要。最好由同一个人完成全部或大部分标注工作，避免不同人对“轻微脏污”的判断标准不同，导致标签噪声。
3.2 YOLOv8模型训练与调参避坑指南
拿到标注好的数据集后，就可以开始训练了。项目源码里一般会包含一个train.py脚本。
环境配置：
# 创建虚拟环境（强烈推荐） conda create -n yolo_glass python=3.8 conda activate yolo_glass # 安装PyTorch（根据CUDA版本选择） pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 安装Ultralytics pip install ultralytics数据准备：按照YOLOv8要求组织数据集目录结构：
dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ └── labels/ ├── train/ ├── val/ └── test/然后创建一个dataset.yaml配置文件：
path: /path/to/dataset # 数据集根目录 train: images/train val: images/val # test: images/test # 可选 nc: 2 # 类别数 names: ['glass_clean', 'glass_dirty'] # 类别名称启动训练：
yolo task=detect mode=train model=yolov8s.pt data=dataset.yaml epochs=100 imgsz=640 batch=16这里有几个关键参数需要理解：
model=yolov8s.pt：使用小尺寸（small）的预训练模型。平衡了速度和精度。如果更看重速度，可选yolov8n.pt；看重精度，可选yolov8m.pt或更大。epochs=100：训练轮数。需要根据数据集大小和损失曲线收敛情况调整。通常训练到验证集损失不再明显下降为止。imgsz=640：输入图片缩放尺寸。YOLOv8训练时会统一将图片缩放到此尺寸。更大的尺寸可能提升精度但显著增加显存消耗和训练时间。batch=16：批次大小。取决于你的GPU显存。GTX 1660 Ti这样的显卡，batch=16可能已经接近上限，如果出现CUDA out of memory错误，需要降低batch值。
训练过程监控与调参心得：
- 损失曲线：训练开始后，Ultralytics会自动启动一个本地Web服务（默认
http://localhost:3000），展示训练和验证的损失曲线（box_loss, cls_loss, dfl_loss）。重点关注验证集损失是否随训练轮数平稳下降，并在后期趋于平缓。如果验证损失在中间开始上升，而训练损失持续下降，这是典型的过拟合信号。 - 过拟合应对：
- 增加数据：最有效的方法，但对课程设计可能不现实。
- 数据增强：YOLOv8内置了强大的数据增强（如 mosaic, mixup, 色彩抖动）。可以在
dataset.yaml中配置augment: True。但要注意，过度增强也可能损害性能。 - 早停（Early Stopping）：使用
patience参数，如patience=50，表示验证集损失连续50轮不下降就停止训练。 - 权重衰减：在训练命令中加入
weight_decay=0.0005，防止权重过大。
- 评估指标：训练结束后，模型会在验证集上计算mAP50、mAP50-95等指标。对于玻璃清洁度检测，我们更关心“脏污”类别的查准率（Precision），因为误报（把干净玻璃报成脏的）比漏报（没检测出脏玻璃）可能带来更大的无效工作量。可以在验证时重点关注
glass_dirty类的P值。
3.3 可视化界面开发：让模型“能看见”
模型训练好了，一个.pt文件，怎么让用户用起来？这就需要GUI。这个项目常见的实现是使用Gradio或PyQt5。
方案一：Gradio（快速原型，Web界面）Gradio非常适合快速构建机器学习演示界面，几行代码就能生成一个Web应用。
import gradio as gr from ultralytics import YOLO # 加载训练好的模型 model = YOLO('runs/detect/train/weights/best.pt') def predict_image(input_image): # 执行推理 results = model(input_image) # results[0].plot() 会生成带标注框的结果图像 result_img = results[0].plot() # 可以额外解析结果，生成文本报告 boxes = results[0].boxes dirty_count = sum(1 for cls in boxes.cls if cls == 1) # 假设1是脏污类别 total_count = len(boxes) report = f"共检测到玻璃区域{total_count}处，其中{dirty_count}处需要清洁。" return result_img, report # 创建界面 iface = gr.Interface( fn=predict_image, inputs=gr.Image(type="pil", label="上传图片"), outputs=[gr.Image(label="检测结果"), gr.Textbox(label="清洁报告")], title="校园玻璃幕墙清洁度检测系统", description="上传一张包含玻璃幕墙的图片，系统将自动识别并评估清洁度。" ) iface.launch(share=True) # share=True可生成临时公网链接优点：开发极快，界面现代，易于分享（生成链接）。缺点：定制化程度较低，适合演示和轻度使用。
方案二：PyQt5（传统桌面，功能强大）PyQt5可以构建功能复杂的桌面应用，更适合需要本地化、离线运行、集成更多功能（如历史记录、批量处理、参数设置）的场景。
import sys from PyQt5.QtWidgets import * from PyQt5.QtGui import * from ultralytics import YOLO import cv2 class MainWindow(QMainWindow): def __init__(self): super().__init__() self.model = YOLO('best.pt') self.initUI() def initUI(self): # 创建菜单、按钮、图片显示区域等控件 open_btn = QPushButton('打开图片', self) open_btn.clicked.connect(self.open_image) # ... 更多界面布局代码 self.show() def open_image(self): fname, _ = QFileDialog.getOpenFileName(self, '选择图片', '.', 'Image files (*.jpg *.png)') if fname: # 使用OpenCV读取图片，YOLOv8推理 img = cv2.imread(fname) results = self.model(img) annotated_img = results[0].plot() # 将OpenCV格式的BGR图像转换为Qt可显示的RGB格式 height, width, channel = annotated_img.shape bytes_per_line = 3 * width qt_img = QImage(annotated_img.data, width, height, bytes_per_line, QImage.Format_RGB888).rgbSwapped() # 在界面上显示图片 # ... 更新界面控件的代码 if __name__ == '__main__': app = QApplication(sys.argv) ex = MainWindow() sys.exit(app.exec_())优点：完全可控，界面专业，可打包成独立exe。缺点：开发周期长，需要熟悉Qt框架。
对于课程设计，我推荐使用Gradio，它能让你在最短时间内得到一个像模像样的交互系统，把精力更多集中在模型本身。
4. 完整部署流程与工程化实践
4.1 本地一键部署教程（以Windows为例）
一个合格的课程设计项目，必须让评审老师或其他同学能够轻松复现。以下是详细的本地部署步骤：
步骤1：获取项目源码假设项目压缩包为Glass_Cleanness_Detection.zip，解压到一个没有中文和空格的路径下，例如D:\Projects\Glass_Detection。
步骤2：配置Python环境（使用Anaconda）
- 安装Anaconda（如果未安装）。
- 打开
Anaconda Prompt，导航到项目目录：cd D:\Projects\Glass_Detection - 创建并激活一个专门的虚拟环境（避免包冲突）：
conda create -n glass_detection python=3.8 conda activate glass_detection
步骤3：安装项目依赖查看项目根目录下的requirements.txt文件，通常包含：
ultralytics>=8.0.0 opencv-python>=4.5.0 gradio>=3.0.0 pyqt5 # 如果使用PyQt界面 pandas # 用于生成报告在激活的虚拟环境中，使用pip安装：
pip install -r requirements.txt如果安装PyTorch时遇到问题，请根据你的CUDA版本（可通过nvidia-smi查看）去 PyTorch官网 获取正确的安装命令。如果没有NVIDIA GPU，则安装CPU版本：pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu。
步骤4：准备模型与数据
- 将训练好的最佳模型权重文件（通常是
best.pt）放在项目指定的目录下，比如./models/。 - 确保测试图片或视频放在
./test_media/这样的目录中，或者界面支持任意路径选择。
步骤5：运行程序根据项目提供的入口文件运行。可能是：
python gradio_app.py（如果使用Gradio）python main.py（如果使用PyQt）- 或者直接运行一个打包好的脚本。
运行后，Gradio应用会在命令行输出一个本地URL（如http://127.0.0.1:7860），用浏览器打开即可。PyQt应用则会直接弹出桌面窗口。
4.2 使用Docker容器化部署（进阶）
对于想展示更工程化能力的同学，可以使用Docker。这能确保在任何机器上运行环境完全一致。
步骤1：编写Dockerfile在项目根目录创建Dockerfile：
# 使用带有CUDA的PyTorch基础镜像（如需GPU支持） FROM pytorch/pytorch:1.13.1-cuda11.6-cudnn8-runtime # 或使用CPU镜像 # FROM python:3.8-slim WORKDIR /app # 复制依赖文件并安装 COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple # 复制项目所有文件 COPY . . # 暴露Gradio端口 EXPOSE 7860 # 启动命令 CMD ["python", "gradio_app.py"]步骤2：构建与运行Docker镜像在项目根目录（包含Dockerfile）打开命令行：
# 构建镜像 docker build -t glass-detection-app . # 运行容器（CPU版本） docker run -p 7860:7860 glass-detection-app # 如果需要GPU支持，运行前请确保安装了NVIDIA Docker运行时，并使用以下命令 # docker run --gpus all -p 7860:7860 glass-detection-app之后，同样在浏览器访问http://localhost:7860即可。
5. 常见问题排查与优化技巧实录
在实际部署和运行过程中，你几乎一定会遇到下面这些问题。这里是我踩过坑后总结的排查清单。
5.1 环境与依赖问题
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
ImportError: No module named 'ultralytics' | 未安装ultralytics包，或在错误的Python环境中运行。 | 1. 确认已激活正确的conda虚拟环境。 2. 在环境中执行 pip install ultralytics。 |
RuntimeError: CUDA out of memory | GPU显存不足。通常发生在训练时batch_size设置过大，或推理时图片分辨率过高。 | 1.训练时：在train命令中减小batch参数（如从16降到8或4）。2.推理时：在代码中限制输入图片的尺寸，例如 results = model(input_image, imgsz=640)。3. 检查是否有其他程序占用了大量显存。 |
Torch not compiled with CUDA enabled | PyTorch安装的是CPU版本，无法使用GPU加速。 | 卸载CPU版PyTorch，根据CUDA版本重新安装GPU版。使用conda list | grep torch检查安装版本。 |
| Gradio界面打开后一片空白或报错。 | 端口冲突或Gradio版本兼容性问题。 | 1. 尝试在launch()中指定其他端口：iface.launch(server_port=7861)。2. 检查 requirements.txt中Gradio版本，尝试安装稍旧一点的稳定版，如pip install gradio==3.41.0。 |
5.2 模型训练与性能问题
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
| 训练损失不下降，mAP始终为0。 | 1. 学习率设置过高或过低。 2. 数据标注格式错误（如类别ID不对）。 3. 数据集路径配置错误，模型根本没读到数据。 | 1. 使用YOLOv8默认的学习率通常没问题，可尝试微调lr0参数。2.仔细检查 dataset.yaml中nc（类别数）和names是否与classes.txt完全对应。用yolo val命令快速验证数据集是否能被正确加载。3. 检查 dataset.yaml中的path、train、val路径是否为绝对路径或正确的相对路径。 |
| 模型在训练集上表现好，在验证集/新图片上表现差（过拟合）。 | 1. 训练数据太少或多样性不足。 2. 训练轮数过多。 3. 模型复杂度（如 yolov8m）相对于数据量过高。 | 1. 增加数据增强强度（在dataset.yaml中调整augment相关参数）。2. 使用早停（ patience参数）。3. 换用更小的模型（如从 yolov8m换到yolov8s）。4. 加入权重衰减（ weight_decay）。 |
| 检测速度很慢，无法满足实时性。 | 1. 使用的模型太大（如yolov8l）。2. 推理图片尺寸（ imgsz）设置过大。3. 在CPU上运行。 | 1. 换用更小的模型（yolov8n最快）。2. 减小推理时的 imgsz，如从640降到320，会大幅提升速度但可能损失精度。3. 确保在GPU环境下运行。对于最终部署，可以考虑将模型导出为ONNX或TensorRT格式，并进行推理优化。 |
5.3 功能与业务逻辑问题
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
| 模型把窗户框、玻璃反射的景物也误检为玻璃。 | 1. 训练数据中缺少此类负样本或困难样本。 2. 标注不准确，框包含了过多非玻璃区域。 | 1. 在数据集中加入一些包含窗户框、玻璃反射但玻璃本身不是主体的“困难”图片，并正确标注（不标或标为背景）。 2. 复查标注，确保边界框紧密贴合玻璃区域，尤其是边缘。 |
| 对于轻微脏污检测不出来（漏检），或把光斑误认为脏污（误报）。 | 这是细粒度分类的固有难点。 | 1.数据层面：针对性补充“轻微脏污”和“干净但有复杂反光”的样本，并精确标注。 2.模型层面：可以尝试在YOLOv8的检测头后增加一个小的分类网络，对每个检测出的玻璃区域进行二次精细分类。 3.后处理层面：提高 glass_dirty类别的置信度阈值（conf参数），减少误报，但可能会增加漏检。需要根据业务需求权衡。 |
| 批量处理图片时，程序内存占用越来越高直至崩溃。 | 代码中存在内存泄漏，例如每处理一张图片都加载一次模型，或结果图片没有及时释放。 | 确保模型只加载一次，在批量处理循环外初始化。使用循环处理时，及时将中间变量置为None或使用del语句，并调用gc.collect()进行垃圾回收。 |
5.4 独家优化技巧
- “伪标签”技术扩充数据集：当标注数据不足时，可以用训练好的初期模型在未标注的图片上推理，选取高置信度的预测结果作为“伪标签”，加入训练集进行下一轮训练。这能有效利用无标签数据，但需要谨慎，最好人工复核一下伪标签的质量。
- 针对逆光场景的预处理：校园建筑逆光拍摄是常态。可以在图片输入模型前，先使用CLAHE（限制对比度自适应直方图均衡化）等算法进行图像增强，提升暗部细节，能显著改善逆光下的检测效果。这可以在数据加载的
transforms中实现，也可以在前端界面中增加一个“增强处理”选项。 - 模型集成提升鲁棒性：如果计算资源允许，可以训练2-3个不同初始化或不同数据子集上的YOLOv8模型。在推理时，对它们的预测结果进行加权投票或非极大值抑制（NMS）融合，往往能获得比单一模型更稳定、更准确的结果。这对于减少误报特别有效。
- GUI中的细节打磨：在可视化界面中，除了显示带框的图片，可以增加一个“详情表格”，列出每个检测框的坐标、置信度和状态。再增加一个“导出”功能，将本次检测的所有结果（包括图片和表格数据）保存为一个结构化的文件（如JSON或Excel），方便后续的统计和管理。这些小功能能极大提升项目的完整度和实用性印象。
本文还有配套的精品资源，点击获取
