企业官网建设流程全解析

一个 AOI 芯片检测的真实项目，带你彻底认识深度学习落地的核心武器

开头：你以为深度学习很难？

你有没有过这种经历？

刷短视频看到别人用 AI 识别猫猫狗狗，觉得很酷。打开 GitHub 找了个 YOLO 教程，照着跑了一遍——识别效果还不错。

然后你想：「我也想在产线上用这个。」

打开项目代码，发现里面有train.py、export.py、compare_onnx.py、assemble_v4_cbroken_safe.py……每个文件都看不懂。

你以为深度学习很难，其实不是难——是没人告诉你从哪开始。

我第一次接触深度学习的时候，也是这样。Python 会写，PyTorch 没碰过，YOLO 只听说过名字。后来接手了一个 AOI（自动光学检测）项目，需要训练芯片焊盘缺陷检测模型。

三个月后，我训出了 99.93% 准确率的极性分类模型，部署到了产线上。

不是因为我有多聪明——而是因为深度学习的「入门门槛」比你想象的低。

一、深度学习到底是什么？

传统图像处理 vs 深度学习

传统图像处理： 输入图像 → 人工设计规则（阈值/边缘/形态学）→ 输出结果 例如：用 OpenCV 写 500 行代码检测芯片缺陷 深度学习： 输入图像 + 标注数据 → 模型自动学习特征 → 输出结果 例如：用 5 行代码训练一个检测模型

核心区别：传统方法靠人写规则，深度学习靠数据学规则。

工业视觉的三大任务

二、3 分钟跑通第一个 YOLO 训练

环境要求

# 1. 创建 Conda 环境conda create-n yolo_env python=3.12 conda activate yolo_env# 2. 安装 PyTorch（CUDA 12.8）pip install torch torchvision--index-url https://download.pytorch.org/whl/cu128# 3. 安装 Ultralyticspip install ultralytics

最简训练脚本

# train.py — 5 行代码训练一个分类模型fromultralyticsimportYOLO# 1. 加载预训练模型model=YOLO("yolov12n-cls.pt")# 2. 开始训练results=model.train(data="dataset/",# 分类任务：文件夹结构epochs=30,# 训练 30 轮batch=256,# 批大小imgsz=224,# 输入尺寸)# 3. 产出：runs/classify/train/weights/best.pt

5 行代码，训练完成。产出一个.pt权重文件。

三、AOI 项目：一个工业级深度学习项目的全貌

项目目录树

AOI_train_python/ ├── group_detect/ # 灯组检测（HBB 目标检测） │ ├── train.py # 训练脚本 │ ├── compare_hbb_onnx.py # ONNX 验证 │ └── data.yaml # 数据集配置 ├── chip_detect/ # 芯片检测（OBB 旋转检测） │ ├── train.py │ ├── yolo_obb_export.py │ └── data.yaml ├── polar_classify/ # 极性分类（图像分类） │ ├── yolo_train.py # 统一训练入口 │ ├── yolo_export.py # ONNX 导出 │ └── data/datasets/ # 数据集 ├── chip_defect/ # 缺陷分类（图像分类） │ ├── yolo_train.py │ ├── yolo_export.py │ └── assemble_v*.py # 数据组装脚本 └── deliveries/ # 模型交付归档 ├── defect_cls/ # 缺陷分类交付 ├── polar_cls/ # 极性分类交付 └── joint_e2e/ # 双模型联验

四大模块一览

业务流水线

整板图像（4000x3000） ↓ group_detect（找灯组，HBB） ↓ rotate_crop（切块，旋转校正） ↓ chip_detect（找芯片，OBB） ↓ polar_classify（极性分类，8 类） ↓ 导出 ONNX ↓ 产线 C++ 系统

四、技术栈全景图

┌─────────────────────────────────────────────────┐ │ 技术栈全景 │ ├─────────────────────────────────────────────────┤ │ 框架：Ultralytics YOLO（v8 / v11 / v12） │ │ 训练：PyTorch 2.7 + CUDA 12.8 │ │ GPU：NVIDIA GeForce RTX 5090 │ │ 导出：ONNX（opset=12, IR=8, FP16） │ │ 部署：C++ ONNX Runtime │ │ 标注：X-AnyLabeling │ │ 环境：Conda（Python 3.12） │ └─────────────────────────────────────────────────┘

为什么选 YOLO？

• 快：推理速度极快，满足产线实时要求
• 准：工业场景精度足够
• 简单：API 设计优雅，5 行代码就能训练
• 生态：Ultralytics 社区活跃，文档完善

为什么导出 ONNX？

• .pt是 PyTorch 专属格式，C++ 不认识
• ONNX 是通用格式，ONNX Runtime / TensorRT / OpenVINO 都支持
• 产线标准路径：.pt→.onnx→ C++ 推理

五、避坑指南（新手高频错误）

坑1：GPU 版本不匹配

# ❌ 错误：先装 PyTorch 再装 CUDApip install torch# 装的是 CPU 版本！python-c"import torch; print(torch.cuda.is_available())"# False# ✅ 正确：先确认 CUDA 版本，再装对应 PyTorchnvidia-smi# 查看 CUDA 版本pip install torch--index-url https://download.pytorch.org/whl/cu128 python-c"import torch; print(torch.cuda.is_available())"# True

坑2：显存不够

# ❌ 错误：直接上 large 模型model=YOLO("yolov12l-cls.pt")# 显存爆炸# ✅ 从 nano 开始model=YOLO("yolov12n-cls.pt")# 参数最少，显存友好

坑3：数据集格式不对

# ❌ 错误：分类任务用检测格式dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/# 分类任务不需要 labels# ✅ 正确：分类任务用目录结构dataset/ ├── train/ │ ├── class1/ │ ├── class2/ │ └── class3/ └── val/ ├── class1/ ├── class2/ └── class3/

坑4：训练集和验证集有重叠

现象：训练集上 99%，产线上 80%。
原因：同一张图既在训练集又在验证集，模型「背答案」了。
解法：严格划分训练集和验证集，不能有重叠。

坑5：不看训练日志

现象：训练完了不知道效果怎么样。
解法：训练完成后查看results.csv，关注val/box_loss和val/mAP50。

AOI 项目优秀实践

• 模块化架构：四大模块职责清晰，可独立训练和部署
• 统一训练入口：yolo_train.py参数化设计，一行命令训练
• 版本化管理：数据集、权重、ONNX 都有版本号，可追溯

AOI 项目可改进之处

• 缺少环境搭建文档：没有environment.yml，新人搭建环境靠猜
• 缺少 CONTRIBUTING 指南：不知道怎么参与贡献
• 缺少自动化测试：训练脚本没有单元测试

结尾

说回那个「深度学习很难」的故事。

后来我发现，深度学习的入门门槛其实很低。5 行代码训练一个模型，10 行代码导出 ONNX，20 行代码部署到 C++。

不是因为深度学习有多难——而是因为没人告诉你从哪开始。

现在你知道了。从pip install ultralytics开始，训练你的第一个模型。

翻翻你的项目：

1. 你的项目有深度学习需求吗？还是传统图像处理就够了？
2. 你有 GPU 吗？没有的话可以用 Google Colab 免费 GPU。
3. 你有标注数据吗？没有的话可以从 COCO 数据集开始练手。

评论区说说你对深度学习的第一印象，以及你想用它解决什么问题。

觉得有用？
收藏这篇，下次想入门深度学习时翻出来照着做。转发给你团队里那个天天说「深度学习太难了」的同事。

下期预告：

模型训练 80% 的时间在搞数据，你准备好了吗？
从标注到裁图到增强，AOI 项目的数据流水线全拆解。
下一篇，我们聊数据准备——深度学习的「粮食」。

本文是《深度学习基础知识与实战技术栈》系列第一篇。