企业官网建设流程全解析

简介：面向计算机视觉相关专业学生与毕业设计开发者，这套基于YOLOv8的考古文物识别系统是一套可直接运行的完整项目，覆盖目标检测算法训练、评估与可视化展示，可解决毕设选题落地难、代码调不通的常见问题。压缩包共97个文件，以70个Python脚本、12个pyc缓存、4个模型权重pt、5个配置文件及说明文本等组成，约24.21MB；py文件涵盖检测服务、数据处理、模型训练与可视化页面，pt为训练好的权重，配合mp4演示视频与README，按部署说明即可上手。目前已有76人学习下载。压缩包内含源码、完整数据集、可视化界面和部署教程，可产出核心指标曲线、混淆矩阵、F1曲线、精确率-召回率曲线、验证集预测结果与标签分布图，适合答辩展示，运行后即可复现，也可在此基础上二次修改。

1. 一个考古文物识别系统，凭什么用 YOLOv8 来做

如果你拿到的是“基于YOLOv8的考古文物识别系统”这个毕设项目包，那它本质上是由三块拼起来的：一个 YOLOv8 目标检测模型、一批带标注的文物图片、一个能选图出结果的可视化界面。这类项目最反直觉的地方在于：模型不是卡点，数据才是。公开的文物类目标注集少得可怜，常见做法是每个类目自己凑一两百张图，而 YOLOv8 在几百张小样本上就能训练出可演示的效果，这也正是它在毕设和课设里被反复选择的原因。适合谁？文博或计算机方向的毕业生，以及想把“识别展品/文物碎片”做成馆内演示程序的同学。这篇按我能落地的方式，从环境、数据、训练、界面到部署逐层讲清。

2. 先把 YOLOv8 跑通：CPU 环境搭建与最小推理命令

2.1 先看推理链路：你拿到的到底是个什么模型

YOLOv8 不是黑匣子，但很多人是当黑匣子用的。一张文物图片进去，先按 640×640 做 letterbox 缩放，保持宽高比并填充灰边；然后进入 backbone 提取特征，head 同时输出每个位置的类别概率和边界框回归值；最后经过 NMS 去掉重复框，剩下带置信度的预测结果。

YOLOv8 的 head 是 anchor-free 的，相比 YOLOv5 少了一套 anchor 先验参数，训练时省心一点，对边缘设备也更友好。你要做的毕设系统不需要改网络结构，只需要准备数据、训练权重、把权重接进界面。真正值得花时间的是环境能不能一次配好，以及训练数据干不干净。

2.2 Ubuntu 20.04 或 Windows 下搭环境：CPU 版也能跑

不管你是 Ubuntu 20.04 还是 Windows，我都建议先用 conda 建独立环境，别把 ultralytics 装进 base 环境里，后面版本冲突会让你想删掉重来。CPU 版本完全能跑推理，只是训练慢。

conda create -n yolo8 python=3.10 -y conda activate yolo8 pip install ultralytics pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu

python 3.10 是目前和 ultralytics 兼容最稳的版本，3.11、3.12 在部分 Linux 机器上会碰到 opencv 或 numpy 的预编译问题。第二条 pip 命令用 PyTorch 官方的 CPU 索引，避免把 CUDA 版 torch 装到没显卡的机器上，白白多占 2GB 空间。有 N 卡的同学把最后一行换成 cu118 或 cu121 后缀即可，但不装也能先跑通流程。

2.3 用官方权重跑一次推理：验证环境的最小命令

环境配好后别一上来就训练，先拿官方权重跑一次推理，确认模型能加载、图片能输出。

yolo predict model=yolov8n.pt source=./test_pic.jpg device=cpu conf=0.25 save=True

或者用 Python 方式，方便后面接进界面：

from ultralytics import YOLO model = YOLO("yolov8n.pt") results = model.predict(source="test_pic.jpg", conf=0.25, save=True) print(results[0].boxes)

第一次执行会自动下载 yolov8n.pt 权重，如果下载不下来，找同事拷贝一份放到项目根目录就行，权重文件很小。conf=0.25 表示只保留置信度高于 25% 的框；save=True 会在 runs/detect/predict 下生成带框的结果图。这一步跑通，说明环境没问题，后面训练、界面、部署都建立在这个基础上。

2.4 没显卡怎么办：CPU 推理参数与 GTX 1660 Ti 的取舍

CPU 推理一张 640 文物图片大约 2 到 5 秒，做成毕设演示完全能接受。训练就不一样了，CPU 一个 epoch 可能跑几分钟甚至十几分钟，不建议硬扛。

常见配置是 GTX 1660 Ti 6G 显存，这个卡跑 YOLOv8s 足够。我的习惯是：显存 6G 用 yolov8s，batch 设 8；显存 8G 用 yolov8m，batch 设 8；4G 以下老老实实用 yolov8n。显存不足时优先减 batch，而不是换更小模型，因为小模型在文物这类类间差异小的数据上，精度下降会很明显。

3. 文物数据集从哪来：采集、标注与 YOLO 格式转换

3.1 文物图片怎么凑：公开图库、博物馆拍摄与类目设计

公开的文物目标检测数据集非常少，常见做法是三个渠道混着来：博物馆官网的高清展品图、文物数字资源平台的公开图集，以及自己拍摄的实物或翻拍画册。别只盯着一类青铜器，要尽量覆盖你系统要识别的全部类目。

类目设计是第一个坑。比如“青铜鼎”和“青铜簋”外轮廓相似，模型很容易混。我的建议是控制类目在 8 到 12 类之间，每类至少 150 到 300 张。如果两类的照片连人眼都分不清，就合并成一个粗类，比如“青铜礼器”。毕设系统的演示效果比类目数量更重要。

图片收集时注意背景多样性。全挑白背景博物馆图，模型学到的可能只是“白底加器物”，而不是器物本身。多留一些展柜反光、偏斜角度、部分遮挡的照片，这些才是真实场景。

3.2 Labelme 手动标注：多边形还是矩形

文物外形不规则，用 Labelme 画多边形比矩形框更贴近真实轮廓，但 YOLO 训练只需要矩形框。常见做法是 Labelme 里画多边形，转换时取多边形外接矩形；如果器物密集排列、互相遮挡，直接画矩形框更快。

安装很简单：pip install labelme，打开后选 open dir 指向图片文件夹，用 create polygons 或 create rectangle 标注。每张图的标注结果是一个同名 json 文件，里面记录 imageWidth、imageHeight 和 shapes 数组。标注完成后，要做的不是直接把 json 丢给 YOLO，而是转成 txt 格式。

3.3 转成 YOLO txt：转换脚本与四个边界坑

import json import os import glob from PIL import Image CLASS_NAMES = ["bronze_ding", "pottery_jar", "jade_disc"] # 固定顺序，训练时与 yaml 保持一致 def labelme_to_yolo(json_path, out_dir, class_names): with open(json_path, "r", encoding="utf-8") as f: data = json.load(f) img_w = data["imageWidth"] img_h = data["imageHeight"] base_name = os.path.splitext(os.path.basename(json_path))[0] lines = [] for shape in data["shapes"]: label = shape["label"] if label not in class_names: continue cls_id = class_names.index(label) pts = shape["points"] xs = [p[0] for p in pts] ys = [p[1] for p in pts] x_min, x_max = min(xs), max(xs) y_min, y_max = min(ys), max(ys) # YOLO 格式：class cx cy w h，全部归一化到 [0,1] cx = ((x_min + x_max) / 2.0) / img_w cy = ((y_min + y_max) / 2.0) / img_h bw = (x_max - x_min) / img_w bh = (y_max - y_min) / img_h # 越界裁剪，防止标注点在图像边缘外时产生 >1 的宽高 cx = max(0.0, min(cx, 1.0)) cy = max(0.0, min(cy, 1.0)) bw = max(0.0, min(bw, 1.0)) bh = max(0.0, min(bh, 1.0)) lines.append(f"{cls_id} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}") out_path = os.path.join(out_dir, base_name + ".txt") # 即使没有有效标注也要生成空 txt，否则训练端会警告标签文件缺失 with open(out_path, "w", encoding="utf-8") as f: f.write("\n".join(lines)) # 批量转换 os.makedirs("labels", exist_ok=True) for jp in glob.glob("json_files/*.json"): labelme_to_yolo(jp, "labels", CLASS_NAMES) print("converted:", os.path.basename(jp))

这里聚集了四个最容易翻车的点。第一，归一化坐标要用 json 里记录的 imageWidth/imageHeight，不能直接用图片文件尺寸，Labelme 有时会记录缩略图尺寸，两者不一致会导致框全部偏移。第二，yaml 里的类别顺序必须和这里 CLASS_NAMES 完全一致，类别 id 从 0 开始，顺序错了模型学到的名字全是错的。第三，如果一个框跨图片边缘，算出来宽度可能大于 1，训练时边界框坐标会异常，所以要 clip 到 [0,1]。第四，txt 文件名必须和图片主文件名完全一致，否则图片找不到对应标注，训练会跳过它。

3.4 数据划分：随机之外还要防泄漏

YOLO 训练需要 images/train、images/val 和 labels/train、labels/val 四个目录，图片和 txt 一一对应。常规做法是 8:2 随机划分，但要注意一个隐藏问题：如果你从同一张文物图里裁剪出多张局部图，它们必须进同一个集合，否则模型在验证集上会“见过”训练集的同源样本，mAP 虚高，答辩时被问到就会露馅。

import os import random import shutil files = os.listdir("images") random.seed(42) random.shuffle(files) train_files = files[: int(len(files) * 0.8)] val_files = files[int(len(files) * 0.8):] for split, split_files in [("train", train_files), ("val", val_files)]: os.makedirs(f"datasets/wenwu/images/{split}", exist_ok=True) os.makedirs(f"datasets/wenwu/labels/{split}", exist_ok=True) for f in split_files: base = os.path.splitext(f)[0] shutil.copy(f"images/{f}", f"datasets/wenwu/images/{split}/{f}") shutil.copy(f"labels/{base}.txt", f"datasets/wenwu/labels/{split}/{base}.txt")

random.seed 固定下来，保证每次复现同一个划分结果。注意 labels 里可能存在没有对应 txt 的图片，划分前先检查一遍，把缺标注的图片剔除，否则训练时静默跳过，你都不知道模型少学了几张图。

4. 训练自己的文物检测模型：参数、损失曲线与权重选择

4.1 数据配置 YAML：路径、类别名与 id 对齐

训练前要写一个数据 yaml，YOLOv8 通过它找到图片目录和类别名。这里我吃过亏：path 用相对路径时换个终端就找不到数据集，直接写绝对路径最稳。

path: /home/user/projects/wenwu/datasets/wenwu train: images/train val: images/val names: 0: bronze_ding 1: pottery_jar 2: jade_disc

path 指向数据集根目录，train 和 val 是相对 path 的图片目录。yaml 里的 names 顺序必须和第 3 章转换脚本里的 CLASS_NAMES 一致。这个文件放哪都行，训练命令里用绝对路径引用它。

4.2 模型尺寸选择：n、s、m 怎么选

文物数据样本少，通常几百张，我的经验是从 yolov8s 起步。n 模型在类间相似度高时误检明显，m 模型在 6G 卡上训练要频繁处理 OOM，s 是最稳的平衡点。如果你的数据只有一百张以内，那就用 n，避免过拟合。

4.3 训练命令与关键参数：epochs、imgsz、batch、lr

yolo train \ model=yolov8s.pt \ data=/home/user/projects/wenwu/wenwu.yaml \ epochs=100 \ imgsz=640 \ batch=8 \ device=0 \ patience=20 \ project=./runs \ name=wenwu_train

model=yolov8s.pt 是预训练权重，会从 COCO 的 80 类知识迁移过来，比从零训练收敛快得多。epochs 设 100，配合 patience=20，即验证集指标连续 20 轮不提升就自动早停，防止无效的空转。imgsz 保持 640，和预训练权重一致，改大反而可能掉点。batch=8 是 6G 显存的稳妥值，显存不够就先减到这个值的 1/2。device=0 表示第一张显卡，CPU 训练改成 device=cpu，但要有心理准备，100 轮可能要跑十几个小时。

学习率一般不用动，YOLOv8 默认的 lr0=0.01 在小数据集上是够用的。如果你发现 loss 曲线剧烈震荡，可以调低到 0.005。权重衰减、动量这些参数按默认即可，在小数据集上乱调这些只会增加玄学。

4.4 看损失曲线判断状态：画出来的才是真相

训练过程中 YOLOv8 会把每个 epoch 的指标写进 runs/wenwu_train/results.csv，我习惯每训练几轮就把它画出来看一次，不要等训练完才后悔药。

import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv("runs/wenwu_train/results.csv") plt.figure(figsize=(10, 6)) plt.plot(df["epoch"], df["train/box_loss"], label="train_box_loss") plt.plot(df["epoch"], df["val/box_loss"], label="val_box_loss") plt.plot(df["epoch"], df["metrics/mAP50(B)"], label="mAP50") plt.legend() plt.savefig("wenwu_train_loss.png")

正常的特征是 train/box_loss 前 20 轮快速下降，之后缓慢收敛；val/box_loss 和 mAP50 同步稳定。如果 train loss 一直降但 val loss 回升，是过拟合，说明数据量撑不起模型容量，换小模型或加数据增强。如果 loss 变成 nan，第一反应是检查数据里有没有全零的标注文件，或者学习率是不是被调太高。

4.5 选哪个权重：best.pt 与 last.pt 的差别

训练结束 runs/wenwu_train/weights 下会有 best.pt 和 last.pt。best.pt 是验证集 mAP 最高的一版，用于演示、评估、转 ONNX；last.pt 是最后一轮的结果，主要用于训练中断后续训。我的习惯是：答辩演示一律用 best.pt，并且把 best.pt 改名成更容易调用的名字复制到项目根目录，避免到时候路径找不着。

5. 可视化界面与部署避坑：从检测脚本到可交付的毕设系统

5.1 界面技术选型：PyQt5、Streamlit 还是 Flask

毕设最稳的是 PyQt5，因为最后能交一个独立 exe，双击就能跑。Streamlit 做演示最快，十几分钟就能把上传图片、显示检测框串起来，适合时间紧先交差；但老师如果要求“系统”而不是“网页”，还是得回到桌面方案。Flask 适合你已经想好了要扩展到手机端或展示端的情况。

5.2 PyQt5 接入 YOLOv8 的最小代码：加载模型、选图、显示结果

import sys from PyQt5.QtWidgets import QApplication, QWidget, QPushButton, QLabel, QVBoxLayout, QFileDialog from PyQt5.QtGui import QPixmap, QImage from ultralytics import YOLO model = YOLO("best.pt") # 在界面启动前先加载模型 class MainWindow(QWidget): def __init__(self): super().__init__() self.setWindowTitle("文物识别系统") self.label = QLabel("请选择图片") self.btn = QPushButton("选择图片") self.btn.clicked.connect(self.select_image) layout = QVBoxLayout() layout.addWidget(self.label) layout.addWidget(self.btn) self.setLayout(layout) def select_image(self): path, _ = QFileDialog.getOpenFileName(self, "选择图片", "", "Images (*.jpg *.png *.jpeg)") if not path: return # 推理结果默认是 RGB 格式，转成 QImage 显示 results = model.predict(path, conf=0.25, imgsz=640, device="cpu") img = results[0].plot() # 已经画好检测框的 BGR 图像 rgb_img = img[:, :, ::-1] # BGR 转 RGB h, w, c = rgb_img.shape qimg = QImage(rgb_img.data, w, h, c * w, QImage.Format_RGB888) pix = QPixmap.fromImage(qimg).scaled(self.label.width(), self.label.height()) self.label.setPixmap(pix) if __name__ == "__main__": app = QApplication(sys.argv) win = MainWindow() win.show() sys.exit(app.exec_())

这段代码为了让逻辑直接，推理与界面放在同一个线程，演示没问题，但选大图时界面会卡一两秒。要上档次就加一个 QThread 处理推理，结果通过信号回传。plot() 返回的图像是 BGR 顺序，不转 RGB 直接显示颜色会偏蓝，这是最常见的界面显示翻车点。

5.3 打包成 exe：三个关键步骤

打包最好在干净的 conda 环境里做，不要在装了一堆包的系统环境里打包，否则 exe 体积会很夸张。

pip install pyinstaller pyinstaller -F -w --name wenwu_gui main.py --hidden-import cv2 --hidden-import torch

-F 打成一个单文件，-w 去掉控制台黑窗口。打包完成后，把 best.pt 复制到 exe 同目录下，程序启动时用绝对路径调YOLO("best.pt")或YOLO("./best.pt")。不建议把权重打进 exe 内部，那样每次换模型都要重新打包一次，而且 pyinstaller 解压临时目录的路径处理会让你多踩一个坑。

首次启动慢是正常的，因为 PyInstaller 单文件模式要把全部依赖解压到临时目录。如果杀毒软件误删，把它加入白名单即可，这不是代码问题。

5.4 常见部署翻车现场：现象、原因与解决

界面打开后点选图片直接卡死。原因是推理在 UI 主线程同步执行，大图推理期间界面事件循环被阻塞。解决办法是把 predict 放进 QThread，推理完通过 signal 把结果图传回主线程更新 QLabel。这是毕设答辩时最容易暴露的问题。

exe 提示找不到 best.pt。原因是程序在 exe 解压临时目录运行，相对路径找不到当前目录下的模型文件。解决办法是启动时先取 exe 所在目录绝对路径，再拼接模型路径，不要依赖 os.getcwd()。

打包后体积巨大，或提示缺少 opencv 依赖。原因是 PyInstaller 默认静态分析漏掉了 cv2 的隐式导入。解决办法是打包命令里显式加--hidden-import cv2 --hidden-import torch；如果还报错，用--collect-all ultralytics把 ultralytics 的资源和子模块全部收进去。

摄像头或视频画面全黑，推理却有结果。原因多数是 OpenCV 的 VideoCapture 与 PyQt 的图像格式转换没对齐。解决办法是先用cap = cv2.VideoCapture(0)单独测试，再逐帧把 BGR 转 RGB，再转 QImage 显示。不要上来就合并写。

同一个 best.pt，服务器上效果好，本机部署后漏检严重。原因往往是推理时 imgsz 和训练时不一致，或者图片有 EXIF 旋转信息没被处理。解决办法是作推理代码里固定imgsz=640，并用 PIL 打开图片后再转 numpy，把 EXIF 问题提前消化掉。

6. 验证效果与进阶技巧：评估、混淆矩阵与边缘部署

6.1 用模型自带的验证命令看 mAP

训练结束只贴 loss 曲线还不够，要跑一次正式的验证得到 mAP 数值。用下面这段代码，把 best.pt 在验证集上的表现量化出来。

from ultralytics import YOLO model = YOLO("runs/wenwu_train/weights/best.pt") metrics = model.val(data="/home/user/projects/wenwu/wenwu.yaml", imgsz=640, split="val") print("mAP50:", metrics.box.map50) print("mAP50-95:", metrics.box.map)

对文物识别这种类目少、样本也少的小任务，mAP50 比 mAP50-95 更能说明演示效果，mAP50 到 0.7 以上就足够撑起一个毕设系统。

6.2 混淆矩阵与漏检处理

验证跑完后会在 runs/detection/val 下生成混淆矩阵图，重点看哪两个类互相误检。如果“青铜鼎”和“青铜簋”混得很厉害，说明这两个类的训练样本外观太接近，要么补样本，要么合并类目。别试图靠调参解决类间混淆，这是数据问题，不是模型问题。

6.3 转 ONNX 做边缘部署：进阶方向

如果以后想把这套东西跑在 RK3588 这类边缘设备上，先转 ONNX 验证精度是否保留。

yolo export model=best.pt format=onnx imgsz=640

转完用 onnxruntime 加载跑一遍验证集，对比原权重 mAP 是否明显下降。正常下降幅度很小，如果掉点明显，先检查输入尺寸和归一化方式。进一步转 RKNN 时再做 int8 量化校准，这一步才是精度丢失最多的地方，需要拿一批真实场景图做校准集，否则模型基本废掉。

我的习惯是把验证集的 mAP 结果、混淆矩阵截图全部留在 runs 目录里，答辩时直接展示，这比任何口述都有说服力。希望帮到你。

本文还有配套的精品资源，点击获取