基于YOLOv8的PCB缺陷检测实战：从数据标注到边缘端部署

去年接了个PCBA代工厂的预研项目，要用视觉方案检测PCB裸板上的缺陷。设备预算卡得紧，每个工位都上工业级AOI不太现实，于是想到了基于YOLOv8做一套轻量级的PCB缺陷检测方案。折腾了一个多月，从环境配置到数据标注、从模型调优到边缘端部署，踩了不少坑，也积累了不少一手经验。今天把这段完整过程整理出来，如果你正准备做相关方向的毕业设计，或者在评估产线质检的智能化改造，这份实操记录应该能帮你少走很多弯路。

1. PCB缺陷检测为何选择YOLOv8：方案对比与项目边界

1.1 传统视觉方案在PCB缺陷检测上的局限

先聊聊为什么没有走传统机器视觉的老路。PCB裸板缺陷检测最常见的需求是检测短路、断路、缺口、毛刺、余铜这些问题，看起来都是"形状异常"，似乎用模板匹配、差影法就能搞定，但实际落地时坑非常多。

第一个问题是公差。PCB制程本身有工艺公差，同一批次板子的走线宽度、焊盘位置都存在细微差异。模板匹配要求待测图像与标准模板严格对齐，稍有偏差就会在差值图像上产生大量假阳性，把正常的工艺波动当成缺陷报出来。我当时用OpenCV做过一轮差影法测试，无论如何调形态学参数，误报率都压不下去，根本原因是铜箔边缘的亚像素偏移在差值图上形成了大量"伪边缘"。

第二个问题是缺陷形态的多样性。短路不一定是两根线连在一起，可能是细小的铜渣搭桥；断路也不一定是线完全断开，可能是线宽局部收窄到临界值。这些缺陷用固定规则描述非常困难，往往是"看到了能认出来，但写不出公式"。Halcon那套算子虽然强大，本质还是靠工程师手工设计特征和逻辑规则，换一种板卡、换一种光源，规则就要重新调一遍。

目标检测网络恰好绕开了这个问题。它不显式定义"什么是缺陷"，而是从大量标注样本中隐式学习缺陷的视觉特征，面对工艺波动和形态多样时鲁棒性更好。这也是为什么我会把方案重心放到深度学习方法上。

1.2 为什么是YOLOv8而不是其他网络

现在工业缺陷检测可选的网络不少，Faster R-CNN、YOLOv5、YOLOv8、还有更新的YOLOv9、v10。我最终选YOLOv8，核心是三点。

第一是推理速度与精度的平衡。Faster R-CNN在精度上确实扎实，尤其小目标上因为有RPN和ROI Align，表现优秀，但在1660Ti这类工控机上跑不到实时。PCB检测虽然不像自动驾驶那样要求毫秒级响应，但产线节拍通常只有几秒甚至一秒多，Faster R-CNN在CPU或低端显卡上容易成为瓶颈。YOLOv8的anchor-free设计、C2f结构和Decoupled Head，在同等算力下能拿到明显更好的速度和精度组合。

第二是生态成熟度。YOLOv8依托ultralytics这个框架，训练、验证、导出、推理全链路通吃，命令行和Python API都齐全。数据格式、预训练权重、调参入口全部标准化，没有乱七八糟的历史包袱。YOLOv9和v10我也关注过，个别指标确实更好看，但工业项目求的不是榜单分数，是稳定性——背靠活跃社区和成熟文档的YOLOv8，遇到问题能搜到大量解决方案。

第三是对小目标的先天支持。PCB缺陷是典型的小目标，很多缺陷只有几十个像素。YOLOv8在neck部分和anchor-free分支上做了针对性设计，配合高分辨率输入，小目标召回率比我预想的好。

1.3 检测目标的定义：哪些缺陷值得做

做工业项目第一件事不是急着跑模型，而是把检测目标定义清楚。我这边检测的是PCB裸板外观缺陷，选取了工业界最常见的六类：

需要强调的是，这个范围刻意排除了焊点检测和贴片元件的锡膏检测——那是另一套光学方案和检测逻辑，混在一起做会让数据集和目标定义都变得模糊。做检测项目先画边界，边界不清后面全乱。

2. 环境配置与数据集准备：从零到可训练状态

2.1 开发环境搭建：1660Ti这种入门显卡也能跑

先说环境。我用的是GTX 1660Ti，6GB显存，属于入门级显卡。很多人担心这个配置跑不了YOLOv8，实际上完全能跑，只要别盲目贪大模型就行。

我的环境组合供参考：

• 系统：Ubuntu 20.04（Windows也能跑，但后续部署到Linux工控机时会有环境迁移成本）
• Python：3.9
• CUDA：11.8
• PyTorch：2.x（pip安装时会自动匹配CUDA版本）
• ultralytics：8.1.0+

安装命令很简单，顺序很重要：

conda create -n yolo python=3.9 -y conda activate yolo pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics

装完验证一下，能正常打印版本号就说明环境OK：

yolo predict model=yolov8n.pt source=https://ultralytics.com/images/bus.jpg

这里有个容易踩的坑：先装ultralytics再装torch，或者直接pip install ultralytics让它自动装torch，大概率会装上CPU版torch。训练时进度条半天不动，才发现GPU根本没用上。装完之后用python -c "import torch; print(torch.cuda.is_available())"检查，返回True再往下走。

2.2 数据从哪来：公开数据集与自采数据的配合

数据集是最费时间的环节。PCB裸板缺陷这边有一个公开的PCB_DATASET数据集，包含一千多张真实PCB图像，覆盖上面说的六类缺陷，标注格式是VOC格式的XML，需要转成YOLO格式。这个数据集做算法验证和毕设完全够用，但如果要落地到特定产线，必须补充自己采集的实际板卡图像。

为什么必须自采？因为公开数据集和你产线上的板卡在板材颜色、铜厚、走线密度、光照环境上都有差异。算法是"所见即所学"，训练时没见过你产线上的场景，部署时就会水土不服。

自采数据有几个细节值得注意。首先是相机选型，面阵相机加远心镜头是首选，远心镜头能消除透视畸变，保证成像尺寸一致性；其次是光源，PCB铜面是高反光材质，推荐低角度环形光或同轴光，能有效抑制铜面反光带来的过曝。我用的是低角度红光加蓝光组合，铜面在红光下呈亮色、基材在蓝光下呈深色，对比度非常舒服。

2.3 标注规范与格式转换：细节决定模型上限

公开数据集已经有标注，但格式是VOC。转换时注意坐标系的坑：VOC是左上角x1y1、右下角x2y2，YOLO是归一化的中心点x_center、y_center和宽高w、h，而且YOLO要求归一化到0~1之间。

import os import xml.etree.ElementTree as ET def voc_to_yolo(xml_path, out_path, class_map): tree = ET.parse(xml_path) root = tree.getroot() img_w = int(root.find('size/width').text) img_h = int(root.find('size/height').text) with open(out_path, 'w') as f: for obj in root.findall('object'): cls_name = obj.find('name').text if cls_name not in class_map: continue cls_id = class_map[cls_name] box = obj.find('bndbox') x1 = float(box.find('xmin').text) y1 = float(box.find('ymin').text) x2 = float(box.find('xmax').text) y2 = float(box.find('ymax').text) x_center = (x1 + x2) / 2 / img_w y_center = (y1 + y2) / 2 / img_h w = (x2 - x1) / img_w h = (y2 - y1) / img_h f.write(f"{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}\n")

自采数据的标注我用的X-AnyLabeling。这个工具支持加载YOLOv8模型做自动标注，先用已有模型在图片上跑一遍预标注，再把框拖拽修正，效率比从头画框高很多。标注规则上有一条关键经验：PCB缺陷普遍小且边缘锐利，框必须紧贴缺陷边缘，宁紧勿松。框太松会让模型学到大量背景特征，推理时把正常铜箔也框进来。

标注完成后按8:2划分训练集和验证集。注意划分前先按"板卡批次"分组，避免同一块板子的不同图像同时出现在训练集和验证集里，那会导致验证集虚高，上线后原形毕露。

2.4 数据增强：工业场景别撒欢

ultralytics自带数据增强，Mosaic、随机透视、色彩抖动、翻转都有。但对PCB这种高精度检测场景，增强策略要克制。

Mosaic默认开启，前几个epoch会明显提升模型对不同光照和背景的适应能力。但有个细节：训练最后10个epoch，ultralytics默认会关闭Mosaic（close_mosaic参数），让模型从高噪声增强回归到真实数据分布上，微调收敛。这个默认行为很合理，不用改。

翻转增强我建议关闭或在数据划分时特别小心。PCB板有丝印文字和元器件方向性，垂直翻转后文字倒置、引脚方向相反，虽然缺陷本体还在，但语义发生了变化。模型学到的特征可能和真实场景不符，反而降低泛化能力。

我实测下来，对PCB检测最有用的增强是HSV色彩抖动和轻微的光照变化。把hsv_h设为0.02，hsv_s设为0.6，模拟产线不同时段光线的轻微波动，能明显提高模型的抗光照干扰能力。

3. 模型训练：从默认参数到自定义数据集的调优过程

3.1 模型规格选择：n、s、m怎么选

YOLOv8有n/s/m/l/x五个版本，由浅到深。PCB缺陷是典型小目标，理论上模型越大特征提取能力越强，但数据量只有一千多张，模型过大容易过拟合，而且1660Ti跑不动大模型。

我的建议是s起步，n做对照组。几个版本在COCO上的基础数据供参考：

实测下来，YOLOv8n在PCB数据集上mAP50能到0.88左右，v8s能到0.93以上，m的提升幅度有限，但训练时间和显存占用明显上升。工业项目我推荐直接用s，精度和速度均衡最理想。如果你算力紧张，n也能用，只是对极小缺陷的召回率会差一些。

3.2 训练超参数：基于6GB显存的实际配置

这是我的训练配置文件，直接能跑：

# pcb.yaml path: ./datasets/PCB train: images/train val: images/val nc: 6 names: ['missing_hole', 'mouse_bite', 'open_circuit', 'short', 'spur', 'false_copper']

训练命令：

yolo detect train \ data=pcb.yaml \ model=yolov8s.pt \ epochs=200 \ imgsz=640 \ batch=16 \ optimizer=AdamW \ lr0=0.001 \ patience=30 \ amp=True \ project=runs/pcb \ name=exp1

参数说明几个关键点：

imgsz=640还是1280？PCB_DATASET原始图像大约1600x1600，直接缩到640会让很多小缺陷缩到十几个像素甚至几个像素，丢失特征。我的经验是先640跑通流程，然后训练一个1280版本对比。1280版本的mAP50通常能提升2到3个点，但当显存只有6GB时，1280分辨率加s模型batch只能开到4左右，训练速度很慢。实操中更推荐先用640训练快速迭代，最终模型确定了再用1280重新训练一版，作为上线模型。

batch怎么定？6GB显存跑s模型640输入，batch=16配合自动混合精度amp，刚好能跑，显存占用约5.5GB。如果爆显存，优先降batch到8，不要轻易降分辨率。

epochs和patience。1000多张图的数据量，150到200个epoch足够，设一个patience=30提前停止。如果训练到50个epoch还没有任何改善，说明数据或参数有问题，不是时间不够。

优化器。工业落地我推荐AdamW，收敛稳定，对学习率的敏感度比SGD低，不容易跑飞。用SGD调得好的话mAP可能略高，但调参成本高，不是最优性价比。

3.3 训练曲线怎么读：三个损失函数各有脾气

训练过程中，ultralytics会在runs/pcb/exp1/下输出三张损失曲线图：box_loss、cls_loss、dfl_loss。刚开始接触YOLOv8的人容易盯着loss绝对值看，这是个误区——不同损失函数的量纲不同，绝对值大小没有可比性，要看的是下降趋势和收敛情况。

box_loss是边界框回归损失，YOLOv8用的是CIoU加DFL的组合。它前期下降明显，后期会呈现小幅震荡，尤其在最后一个epoch Mosaic被关闭后可能会有轻微回升，这正常。

cls_loss是分类损失，收敛趋势比box_loss更平缓。如果cls_loss出现先降后升的反弹，同时验证集精度在下降，基本可以断定过拟合了。这时候应该回调patience、增加数据增强力度，或者直接用验证效果最好的那个epoch的权重，也就是best.pt，不要用last.pt。

dfl_loss是distribution focal loss，负责框边缘的精细回归。这个loss对PCB这种需要精确定位的场景很重要。如果dfl_loss迟迟不降，往往和标注框不准确有关——标注的框边缘质量不高，模型无论如何都拟合不了。

3.4 经典问题：数据不均衡导致的单类AP偏低

PCB_DATASET的六类缺陷样本量并不均匀，short和spur的样本多，missing_hole的样本量明显偏少。训练完看每个类别的PR曲线时，missing_hole的AP大概率垫底，这是典型的样本不足表现。

处理数据不均衡有几种思路，按见效速度排序：

第一优先是补数据。去产线多拍各种孔径、位置的漏孔板，扩充样本量。如果实在补不了，对漏孔区域做裁剪复制粘贴，但要注意粘贴位置不要和原图重叠，语义更自然。

第二是调整损失权重。ultralytics没有直接暴露类权重参数，但可以在数据加载层面动手脚——使用过采样，让少量类别在训练时被抽样到的概率更高。简单实现可以复制数量少的类别样本到额外文件，但注意要把复制样本放在同一个划分集里，避免验证集和训练集重复。

第三是调整置信度阈值。在推理阶段，对个别类别降低conf-thres来提高召回率，虽然会增加一些误报，但在产线场景中误报可以靠复检工位兜底，漏检才是真正致命的。

4. 实测中的误检与漏检根因：排错链路与针对性优化

4.1 最大的误检来源：铜面纹理与反光

模型训练完，验证集mAP50有0.93，当时觉得稳了。拿到产线测试板一跑，发现问题远比预想的多——最多的误报出现在大面积的铜皮区域，正常走线之间的夹角、铜面的划痕、甚至丝印字符的边缘，都被模型当成毛刺和余铜报了出来。

回到图像上分析，根因是训练样本的"背景多样性"严重不足。公开数据集的图像里，背景以深色基材为主，铜面纹理干净；但实际产线的板子有铜箔织纹、有划痕、有字符丝印，这些在模型看来都是"没见过的怪东西"，干脆一梭子全报为缺陷。

这也是我前面强调自采数据的重要原因。模型对背景的鲁棒性，完全取决于训练时看了多少种背景。没有足够的真实背景样本，再好的网络结构也扛不住场景迁移。

4.2 小目标漏检：输入分辨率与切片推理

另一个典型问题是极小缺陷的漏检。鼠咬和缺口这类缺陷，在640分辨率下往往只有20x20像素左右，特征极少，模型容易漏。

提高输入分辨率是最直接的解法。我对比过同一批数据在640和1280分辨率下的测试结果，1280版本的small类缺陷召回率提升了近10个百分点。代价是推理速度大幅下降——1660Ti上yolov8s在640输入下推理约40ms，1280下直接翻倍到接近100ms。

如果产线节拍紧张，还可以考虑切片推理（SAHI方案），把大图切成若干小图分别推理再合并结果。PCB板图像尺寸大、缺陷尺寸小，切片推理非常契合，而且可以把输入分辨率相对降低，整体速度和精度都比直接高分辨率推理划算。

4.3 一个典型的误检排查过程：完整链路复现

拿个真实案例带你走一遍排查流程。当时的情况是：验证集mAP50高达0.92，但小批量产线测试时，余铜（false_copper）一类疯狂误报，达到了每块板15次以上，完全不可用。

排查第一步，我看的不是网络，而是数据分布。把所有误报检测框在原图上叠加输出，发现误报集中在两个区域：大面积铺铜的角落、字符丝印的边缘。这些位置在铜面反光下，局部纹理与真实余铜缺陷高度相似。

第二步，回看训练集。余铜这个类别的标注样本主要来自公开数据集，形态单一，样本里几乎没有"复杂字符丝印边缘"这种困难负样本。模型学到的余铜特征偏理想化——孤立的、形状明显的铜渣，自然会把真实场景中模样相近的纹理全纳入进来。

第三步，针对性修数据。我从产线拍的大量正常板子中，截取包含字符丝印、铺铜角落、正常走线夹角的区域，作为负样本加入训练。这里有一个重要概念：负样本不是标注为"无缺陷"就行，而是让模型看到"这些复杂但正常的区域不产生检测框"。在YOLO体系里，背景区域本身就是隐式的负样本，提供越多的困难背景，模型学到的背景特征就越准确。

第四步，调整推理阈值。训练集补充后，重训一轮，误报降到每块板一两次。随后把conf-thres从0.25提到0.4，误报归零，同时观察漏检率没有明显上升。最终余铜这一类的可用性完全达标。

4.4 不同缺陷的阈值策略：后处理的工程手段

YOLOv8原生的推理命令只支持统一阈值，但实际产线中不同缺陷的容忍度是不一样的。例如短路是致命缺陷，必须高召回，宁可容忍一些误报；而毛刺如果很微小，可能不影响电气性能，误报多了反而干扰生产。

ultralytics没有提供per-class阈值参数，但自己写后处理很简单：推理时把conf-thres设得低一些，比如0.05，拿到所有候选框，然后在后处理代码里按类别分别过滤：

from ultralytics import YOLO model = YOLO('best.pt') results = model.predict(source='test.jpg', conf=0.05, iou=0.5, verbose=False) class_threshold = { 0: 0.2, # missing_hole 漏孔，要求高召回 1: 0.3, # mouse_bite 鼠咬 2: 0.4, # open_circuit 断路 3: 0.3, # short 短路，高召回 4: 0.5, # spur 毛刺，压误报 5: 0.5, # false_copper 余铜，压误报 } for r in results: boxes = r.boxes keep = [] for i in range(len(boxes.cls)): cls_id = int(boxes.cls[i]) if boxes.conf[i] >= class_threshold[cls_id]: keep.append(i) # 按 keep 序号过滤检测框，输出给下游

这个技巧帮我解决了大量"类别间置信度分布不一致"的问题。核心原因是不同缺陷的形态复杂度和背景干扰程度不同，统一阈值永远只能委屈一头。

5. 模型导出与产线部署：从验证到落地的最后一公里

5.1 导出ONNX：验证一致性

模型在PyTorch环境里跑得好，不等于部署环境里一样好。第一步是导出ONNX，并在导出后做一致性校验。

yolo export model=best.pt format=onnx opset=12

导出后在ONNX Runtime下跑同一张图，拿结果和PyTorch推理对比。实际使用中FP32 ONNX与PyTorch的结果几乎一致，可以放心。如果发现检测框偏移或置信度明显变化，优先怀疑是预处理差异——ultralytics在推理时做了letterbox缩放，ONNX部署时要用完全相同的预处理逻辑。

导出的几个注意事项：固定batch size能降低算子复杂度，但产线推理通常是动态batch，建议导出时加dynamic=True；opset版本选择12到17都可以，太老的新算子不支持，太新的在部分推理框架里可能报错。

5.2 TensorRT加速：精度与速度的平衡

在1660Ti上，PyTorch直接推理yolov8s单帧640大约40ms，ONNX Runtime下也差不多。但部署设备往往不止跑一个模型，还要做图像预处理、结果后处理，时间预算必须留足。TensorRT是N卡上绕不开的加速方案。

TensorRT FP16量化后的模型，实测推理时间可以压到10ms以内，速度提升4倍以上，而mAP50掉点通常在0.5个百分点以内，对于PCB缺陷检测这种任务完全可接受。

INT8量化我一直不建议直接用。PCB图像的缺陷和背景对比度不高，INT8量化后小目标的响应值容易被量化噪声淹没，出现莫名其妙的漏检。FP16的精度和速度已经足够好，不必冒INT8的风险。

5.3 边缘设备部署：RK3588的NPU路线

产线工控机如果不想配独显，边缘设备是更经济的选择。目前国内用得比较多的是RK3588，8核CPU加6 TOPS NPU，部署YOLOv8s这种量级的模型很合适。

RK3588的完整部署流程大致是：PyTorch模型导出ONNX，然后在PC上用rknn-toolkit2把ONNX转换成RKNN格式，支持INT8和FP16混合量化，转换过程中需要准备一些校准图片用于量化。转换完成后，在板端用RKNN Runtime的Python或C API调用。

实际踩坑最多的是算子兼容性。YOLOv8中某些上采样算子和split操作在RKNN转换时会报不支持或警告，处理办法一般是修改模型结构，用板端支持更好的算子替代，比如用最邻近上采样替代某些特定实现。这一步需要查RKNN的算子支持列表，不同版本的rknn-toolkit2支持情况也有差异。

部署后性能预期：yolov8s在RK3588上INT8量化后，640输入的单帧推理时间大约在30ms到50ms之间，可以满足慢速产线的节拍。如果节拍更快，就得考虑yolov8n版本或者做切片并行推理。

5.4 从模型到完整检测系统

最后一步是把模型嵌进检测链路，这可能是工期占比最被低估的环节。一个完整的PCB检测工位需要处理几件事：

相机触发与图像采集必须和产线PLC联动。通常用接近开关或光电传感器触发相机，采图后立刻送入检测程序，检测结果再回传给PLC，由PLC控制NG/OK分选机构或报警灯。这个闭环整个走下来，单板检测时间预算要在产线节拍内，所以模型的推理时延只是其中一环，图像传输、预处理、I/O通信的时间都要算进去。

误检率和漏检率在生产中的权衡策略也是和工艺一起定的。电性能相关的缺陷如短路、断路，漏检会造成客诉，必须高召回；外观类的缺陷如毛刺、余铜，不直接影响电气性能，可以适度压误报。产线上的常规配置是：检测程序标记NG的板子不直接判废，进入人工复检工位。操作员每天面对大量误报会疲劳，过度压误报又会漏真缺陷，这个平衡点必须根据实际NG率动态调整。

上线前还有一个常规但非常有效的动作：把历史积累的NG图片全部跑一遍，统计badcase分布。这一步能在正式投产前暴露大部分场景迁移问题，提前规避生产事故。

个人体会与扩展建议

整个项目走下来，我最大的体会是：YOLOv8只是工具，真正决定缺陷检测上线效果的是数据和图像采集质量。模型选型半小时就能定，训练一轮也就一两个小时，但数据标注和实地测试花掉了整个项目百分之六十以上的时间。如果你刚起步，别急着追求新模型新算法，先把数据质量做扎实，YOLOv8s就已经能顶住绝大多数PCB缺陷检测场景。

最后分享一个小技巧：上线后不要只盯着mAP，在推理代码中加一个保存badcase的逻辑，把误报和漏检的样本自动存下来，定期回灌到训练集里重新微调。这个是工业部署里最实用也最容易被忽略的迭代闭环——模型的精度不是训练一次定终身的，而是随着生产数据积累不断成长的。