企业官网建设流程全解析

简介：面向工业自动化装配、质量监控与机器人视觉引导等场景，这份工具装配检测数据集提供1,873张源自真实装配线的训练图片，覆盖枪型工具、钳型工具、尖头工具、扫描工具及手部五类目标，已统一为YOLO边界框与类别标签格式，可直接用于YOLOv5/v8等目标检测模型训练与验证。压缩包共2,000个文件，以jpg图像、txt标注文件为主，另含yaml配置与docx说明文档，整体约80.98MB，目录结构简洁，便于导入项目后快速拆分训练集和验证集。数据集涵盖多角度、多光照的工业操作样本，标注贴合真实装配环境，可辅助搭建工具识别模型，优化装配流程、降低人工干预，也适合作为职业院校智能制造相关课程的实训素材。目前已有188人浏览学习，适合算法工程师、工业视觉开发者及教学人员快速获取标准化数据。

1. 工具装配检测数据集：一个 ZIP 里装好的工业目标检测起点

当你想把一个 YOLO 模型落地到装配线工具检测上，最头疼的往往不是训练代码，而是没有带标注的数据。工具装配检测数据集就是从这个真实需求来的——一个 zip 包里包含了来自工业装配场景的 1873 张训练图片，标注了枪型工具、手部、钳型工具、尖头工具、扫描工具五个类别，并直接给出 YOLO 格式的边界框标签。这意味着你不需要手工画框标数据，解压后改一条路径就能开始用 YOLOv5/YOLOv8 训练。它适合两类人：一是刚接触工业目标检测的开发者，想找一个干净、类别不多、立刻能上手的练手数据集；二是已经在做装配视觉项目、急需一组真实场景预训练样本的工程师。后者的坑在于“看起来能跑”和“真的能上线”差距很大，这个差距我会在后面的避坑章节专门展开。

2. 读懂数据集的目录与标注：1873 张图背后的 YOLO 格式细节

在动手训练之前，先做两件事：把 zip 解开后把所有文件放整齐，再验证标签对应关系。跳过这一步的人，后面八成要翻车。工业数据集的“可用”不只是能解压，而是目录结构、标签格式、类别映射全部对得上。这一章我按我实际拆包的习惯来写。

2.1 Roboflow 导出文件命名里藏着的源信息

解压后你大概率会看到这样的文件名：

1591587432198_jpg.rf.6cee4fe03f30966306dcc3e8d7360995.jpg WIN_20240614_04_47_55_Pro_mp4-0067_jpg.rf.f6a327b2c6d792d1634bae74081d9354.jpg

注意中间那段_jpg.rf.，rf是 Roboflow 导出的惯例，它说明这批图是从视频帧里截出来后在 Roboflow 平台上标注的。前一段时间戳或视频文件名（比如WIN_20240613_04_24_07_Pro_mp4-0095）是截图来源，后面的 32 位十六进制是平台分配的样例 ID。这对使用没影响，但能解释两件事：为什么有些图看起来像连拍视频帧，以及为什么压缩包里没有统一的原始目录结构。

Roboflow 标准导出通常长这样：

data.yaml train/images/xxx.jpg train/labels/xxx.txt valid/images/xxx.jpg valid/labels/xxx.txt test/images/xxx.jpg test/labels/xxx.txt

下载的 zip 里如果少了 valid 或 test 目录，别慌，用后面的脚本补一刀就行。先确认一下实际结构，再决定要不要重建目录。你可以用一条命令把当前结构打出来：

find . -maxdepth 2 -type d | sort

如果只有一堆散装 jpg 和 txt，那就意味着数据集的划分需要自己完成。这里有 1873 张训练图，按 8:1:1 的比例划分是一个常用做法：1500 张左右进训练、180 张左右进验证、剩下进测试。工业场景样本少，测试集可以不要太大，至少保证验证集能代表装配线不同工位的角度分布。划分脚本我放在后面的 2.4 小节。

2.2 五个类别与类别 ID 的映射表

数据集标注了五个类别，YOLO 标签里的一串数字没有意义，必须配合data.yaml里的names顺序使用。下面是我对照原始标签整理的中英映射：

为什么把手部也当一类？因为装配合规检查的规则常常依赖工具与手的位置关系——检测到手但没检测到工具，代表工人操作中断；检测到工具但没检测到手，可能是工具悬挂或放置状态。这个数据集把 hand 作为独立类别，就是方便你做这类逻辑判断，而不是只输出工具框。

类别 ID 的顺序以data.yaml里names列表的第一个为准。如果你是直接把这里五个类别映射到自己项目里，务必先读 names。我见过有人把第 3 类当成第 0 类，因为下意识按字母序排了类别，结果训练出来的模型所有枪型工具都标成尖头工具，这就是典型的 ID 错配。

2.3 用 Python 把标签画回图片验证坐标

YOLO 标签每行是五个数字，对应类别ID 中心点x 中心点y 宽度 高度，坐标全部除以图片宽高做了归一化。格式没问题时，最简单可靠的验证方式是画框回看。下面是一段把标签画回图片的 Python 代码：

import cv2 image_path = "train/images/1591587432198_jpg.rf.6cee4fe03f30966306dcc3e8d7360995.jpg" label_path = "train/labels/1591587432198_jpg.rf.6cee4fe03f30966306dcc3e8d7360995.txt" img = cv2.imread(image_path) h, w = img.shape[:2] names = ["gun-type tool", "hand", "pliers-type tool", "pointed tool", "scanning tool"] with open(label_path, "r") as f: lines = f.readlines() for line in lines: cls, xc, yc, bw, bh = map(float, line.split()) x1 = int((xc - bw / 2) * w) y1 = int((yc - bh / 2) * h) x2 = int((xc + bw / 2) * w) y2 = int((yc + bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, names[int(cls)], (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1) cv2.imwrite("check_bbox.jpg", img)

这里的核心是把归一化坐标乘回图片宽高。xc - bw/2算左边界，yc - bh/2算上边界，减出来是左上角，+是右下角。注意最终要转成int再交给 OpenCV 绘制，否则画线函数会报类型错。如果画出来的框明显偏离工具或框住了半个背景，先怀疑标签文件和图片文件名是否一一对应，再怀疑类别映射 ID 是不是错位。

我一般会随机抽 20 张图跑一遍这个脚本，确认五类都出现且框位置合理再进入训练。这一步不能跳，因为它能同时发现文件名配对错误和标签解压缺失两个问题。

2.4 补齐缺失的 train/valid/test 目录

如果压缩包解压后没有按 Roboflow 标准目录分好，可以用一个 Python 脚本重建。常见做法是先把所有图片扩展名和同名 txt 配好，再按 8/1/1 划分：

import os import random import shutil random.seed(42) img_dir = "images" # 散装图片目录 lbl_dir = "labels" # 散装标签目录 out_dir = "dataset" # 输出目录 images = [f for f in os.listdir(img_dir) if f.endswith((".jpg", ".png"))] random.shuffle(images) n_train = int(len(images) * 0.8) n_valid = int(len(images) * 0.1) for i, img_name in enumerate(images): if i < n_train: subset = "train" elif i < n_train + n_valid: subset = "valid" else: subset = "test" base = os.path.splitext(img_name)[0] txt_name = base + ".txt" if not os.path.exists(os.path.join(lbl_dir, txt_name)): continue dst_img = os.path.join(out_dir, subset, "images", img_name) dst_txt = os.path.join(out_dir, subset, "labels", txt_name) os.makedirs(os.path.dirname(dst_img), exist_ok=True) os.makedirs(os.path.dirname(dst_txt), exist_ok=True) shutil.copy(os.path.join(img_dir, img_name), dst_img) shutil.copy(os.path.join(lbl_dir, txt_name), dst_txt)

这段脚本的关键参数是random.seed(42)，它保证每次划分结果一致。如果你不改种子，同一批数据怎么重跑结果都一样，方便复现训练。还有一个常见误区：划分时只根据图片文件名 shuffle，导致连续的视频帧全部进训练集、验证集里全是另一种镜头角度。为了避免这个问题，最好先按文件名的来源前缀分组再划分，比如前缀WIN_20240613_04_24_07_Pro是一段视频，1591587432198是另一段。分组划分的完整逻辑我会在第 4.3 节再单独讲，因为这是工业数据泄漏最隐蔽的地方。

3. 把数据集跑通：YOLOv8 训练工具检测模型的关键参数与调优

这一章从写 YAML 到跑出 best.pt，全程用 YOLOv8 举例，同时会说明换成 YOLOv5 或 YOLOv12 时哪些参数可以直接平移。内容偏实操，先把配置文件和参数吃透，再谈训练和调优。

3.1 数据配置 YAML：路径、names 顺序与训练集划分

YOLO 系列框架通过一个 YAML 文件读取数据集配置。在项目根目录新建tool_assembly.yaml：

path: ./dataset # 数据集根目录 train: train/images # 训练图片相对路径 val: valid/images # 验证图片相对路径 test: test/images # 测试图片相对路径 names: 0: gun-type tool 1: hand 2: pliers-type tool 3: pointed tool 4: scanning tool

path是绝对路径或相对路径，YOLOv8 会把它和train、val拼接起来找图片。这里最容易出错的是path末尾千万别加多余的斜杠，train字段写train/images，不是./train/images，两个写法多数时候都能跑通，但会有人把train和val写成train.txt这种文件列表格式，这种旧写法 YOLOv8 已经不太认。names必须从 0 开始且顺序和标签文本第一个数字一一对应，否则类别标签全部错位。

提示：如果 zip 包在 Windows 网盘里转了一圈，注意data.yaml的换行符和路径里的中文字符。YOLO 不识别带中文和空格的绝对路径，建议整个项目目录放在纯英文路径下。

如果你下载的 zip 自带data.yaml，也不要直接用，先打开看一眼names顺序和你手里项目代码里的 class 映射表是否一致。工业项目经常要加一个“背景/其他”，那就在names后面追加第 5 类，同时把丢弃的背景框补标进去。没有背景类时，阈值稍低就容易把无关物体当工具。

3.2 训练命令怎么选参数：模型规格、输入尺寸与批量

YOLOv8 官方安装好后，一条命令就能开始训练：

yolo train \ data=tool_assembly.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ batch=16 \ patience=20 \ project=runs_tool \ name=exp1

参数含义：model=yolov8n.pt是 COCO 预训练权重，n 代表 nano 版本，速度最快但精度有限；显存充足建议换成yolov8s.pt，工业小目标场景通常比 nano 高 2~3 个 mAP 点。imgsz是训练输入边长，默认 640。由于工具在画面中占比常常不大——一把螺丝刀可能只有 40×200 像素——我一般会在工业场景提到 800，代价是显存占用增加，batch 按比例减半，比如 16 变 8。patience=20是早停参数，验证集指标连续 20 个 epoch 不涨就停，避免浪费时间。

训练结束后，结果在runs_tool/exp1/目录下。重点看三个东西：weights/best.pt、results.png、confusion_matrix.png。results.png里如果看到 val loss 后期不降反升，就是过拟合信号。这时优先做两件事：打开第 5 章说的增强参数，或者把patience从 20 改回 10，别等模型彻底飞了才停。

3.3 训练日志里的指标解读：mAP50 与 mAP50-95 谁更可靠

YOLO 训练日志里最常见的两个指标是mAP50和mAP50-95。mAP50算的是 IoU 阈值 0.5 下的平均查准率，相对宽松；mAP50-95把 0.5 到 0.95 之间 10 个阈值全算一遍再取平均，更严格。对工具装配检测来说，mAP50 更重要一点，因为装配线只关心你“框得够准”，不关心边界框和真实框的重合度是 0.7 还是 0.9。工具轮廓不是圆形物体，标注框是人手画的矩形，本身存在框不严的误差。所以当 mAP50 到 0.9 而 mAP50-95 只有 0.5 时，不用恐慌，先把 mAP50 稳住。

但有一个例外：如果你的模型最后要用来计算工具和手的相对位置，比如判断“手是否握住工具”，对两个框的交并比很敏感，这时候就得把 mAP50-95 也拉上去。方法是把imgsz从 640 提到 800，并将batch降到 8，再跑 50 个 epoch。原因是小尺寸输入会压缩小工具的边界细节，IoU 计算稍微偏差一点，mAP50-95 的分数就会掉得很明显。

3.4 在未标注视频上做第一轮推理验证

训练完别急着看指标表格，先拿一段现场装配视频做推理，肉眼判断才靠谱。模型指标好只能说明它在评估集上表现好，没见过的新视频才是真正考题。

yolo predict \ model=runs_tool/exp1/weights/best.pt \ source=test_video.mp4 \ conf=0.3 \ iou=0.5 \ save=True \ project=runs_tool/predict

conf=0.3意味着置信度低于 30% 的框会被过滤。视频场景里背景杂、有遮挡，0.3 有时不够，我会降到 0.2 看一轮误检数量再回调。iou=0.5是 NMS 去重阈值，框重叠超过 50% 时保留置信度更高的那个。工具互相叠放时，iou可以提到 0.6，不然同一个钳子会被输出两个框。

推理结果视频跑一遍，很快就能看到这个数据集的局限：有些图来自视频帧，模型对完全没见过的光线、水杯、工作台边缘会有误报。这些不是模型 bug，是后续要重点收集的数据盲区。

4. 避坑指南：工具装配数据集训练中的五个翻车现场

下面五个坑是复现过程中最容易踩的，每个都按「现象 → 原因 → 解决」来写，都是我实际遇到或看到别人踩过的。

4.1 目录结构缺失：zip 解压后只剩散装文件

现象：用yolo train直接指定data=tool_assembly.yaml，控制台报错AssertionError: train: No labels in .../train/images，打开目录一看全是 jpg，没有对应的 txt。

原因：从 Roboflow 导出的 zip 在解压时如果被网盘工具重命名了顶层目录，原本的train/labels目录没有被正确释放，图片和标签各住在不同层级。或者下载的是“图片+标签打包版”，需要自己配对。

解决：先运行find . -name "*.txt" | head看标签文件是否已经解压出来。如果有，直接用上一章的目录重建脚本，把图片和标签按train/ valid/ test/重新拷贝一次。注意脚本里的base = os.path.splitext(img_name)[0]，如果图片是.jpg而标签是.JPG.txt这种大小写不一致，要先统一后缀再配对。

4.2 类别 ID 错配：标签文本里的 0 并不是枪型工具

现象：训练时 loss 下降正常，mAP50 也能到 0.85，但推理时发现：螺丝枪被识别成“手”，扫码枪被识别成“枪型工具”。看标签文件，类别数字对不上。

原因：标签文件里的第一列数字只代表序号，实际含义完全取决于data.yaml里的names列表顺序。这份数据集里 gun-type tool 的 ID 是 0，hand 是 1。如果你在训练代码里手动把类名排序成["hand", "pliers-type tool", ...]，模型学到的是“0 号特征是手”，推理时自然全错。

解决：用第 2.2 节的映射表逐项核对data.yaml，并且把names写死在这个文件里，不要在训练脚本里再改一次。推理代码里加载模型前后也要用相同的映射顺序。最稳妥的办法是在data.yaml所在目录放一个class_names.txt，内容和names完全一致，供后续部署引用。

4.3 帧级近重复样本：模型 mAP 虚高但上线即翻车

现象：训练集上 mAP50 高达 0.97，验证集也不错，到现场一跑，只要光线变化稍大就漏检。测试集的准确率和现场表现完全不成正比。

原因：这个数据集的 img 文件名里有很多WIN_20240613_04_24_07_Pro_mp4-xxxx前缀，说明部分样本是从同一段视频中按帧抽取的。同一段视频相邻帧高度相似，随机划分后很可能把同一时刻的近似帧同时分进训练和验证集，造成模型记忆而不是泛化。训练指标好看，现场直接现原形。

解决：按来源前缀分组划分，而不是按单文件随机划分。分组逻辑示意如下：

groups = {} for f in os.listdir(img_dir): prefix = f.split("_jpg")[0] # 去掉 .rf 哈希 groups.setdefault(prefix, []).append(f)

prefix取_jpg之前的来源段，比如WIN_20240613_04_24_07_Pro_mp4-0095，这样同一段视频的多帧就聚到同一组。划分时把 group 整体按 8:1:1 分到 train/valid/test，保证同一段视频的帧不会同时出现在两个集合里。这样验证集才能真正代表模型没见过的新样本。

4.4 训练 loss 震荡收敛不动：mosaic 增强导致的小目标丢失

现象：前面 30 个 epoch 一切正常，之后 val loss 开始上下抖动，训练曲线像个波浪线，等 patience 触发了早停，但 best.pt 依然很差。

原因：YOLOv8 默认开启 mosaic 数据增强，它把四张图拼接成一张。当画面里有大量小尺寸工具时，mosaic 会进一步把目标缩小，模型学不到有效纹理。到了训练后期，mosaic 的随机性又容易干扰收敛。

解决：调整关闭 mosaic 的时机和比例。在 YOLOv8 训练配置里通过close_mosaic参数控制，比如训练 100 个 epoch 时设置close_mosaic=10，代表最后 10 个 epoch 关闭 mosaic，让模型在接近真实分布的数据上收尾。另外把mosaic=0.5左右调低，比直接关掉更稳，避免训练轮数不够时丢失多样性。

4.5 推理阈值没调：工具背面和阴影全成了误检

现象：模型把桌上倒扣的钳子、地上的影子、甚至反光的金属台面都框出来。单张看图概率还都大于 0.3，无法用低置信度过滤简单解决。

原因：工业装配场景里，很多工具的背面与正面纹理差异不大，加上灯光直射会产生大面积高光，训练集里这类负样本太少，模型只能用“色彩偏亮、形状偏长”这些粗特征判断，置信度虚高。

解决：分三层解决。第一层，推理参数把conf从默认 0.25 提到 0.45，先过滤一部分低质量框。第二层，在预测代码里加一个尺寸过滤器，宽度小于图片宽 10% 的框直接丢掉。第三层，收集几十张只有背景、没有工具的负样本图，放进数据集的train/images并生成空标签 txt，让模型学到“这个场景不输出框”。空标签文件在 YOLO 里允许存在，直接把 txt 留空即可。

5. 用数据增强救活小样本：类别不均衡与泛化能力提升

在只有 1873 张图的小数据量场景里，类别分布几乎不可能平均。增强手段要用在刀刃上，而不是盲目堆参数。这一章先把类别统计做出来，再谈增强怎么配。

5.1 先查类别统计：用脚本摸清每类目标的占比

不管网上怎么说，我拿到数据集的第一件事永远是统计。写个脚本扫一遍 label 目录：

import os from collections import Counter label_dir = "dataset/train/labels" obj_counter = Counter() img_counter = Counter() for txt in os.listdir(label_dir): if not txt.endswith(".txt"): continue seen = set() with open(os.path.join(label_dir, txt), "r") as f: for line in f: cls = int(line.split()[0]) obj_counter[cls] += 1 seen.add(cls) for cls in seen: img_counter[cls] += 1 names = ["gun-type tool", "hand", "pliers-type tool", "pointed tool", "scanning tool"] for cls in range(5): print(f"{names[cls]}: objects={obj_counter[cls]}, images={img_counter[cls]}")

这里两个数字是有区别的：objects是边界框总数，images是包含该类的图片数量。做数据增强时要看的是images，因为一幅图里如果有 10 把螺丝刀，flip 增强只能让模型多学一种角度，并不会带来 10 倍的新知识。以工业装配的经验看，hand 通常是占比最高的一类，因为每张操作图里几乎都有手；pointed tool 或 scanning tool 会明显偏少。如果某类images数少于总图片数的 15%，就要针对性处理。

5.2 内置增强参数：mosaic、mixup、fliplr 怎么配合

YOLOv8 的增强参数可以在训练命令里直接覆盖。最常用的一条命令是这样的：

yolo train data=tool_assembly.yaml model=yolov8s.pt \ epochs=100 imgsz=640 batch=16 \ flipud=0.0 fliplr=0.5 \ mosaic=0.8 mixup=0.2 \ close_mosaic=10

fliplr=0.5表示 50% 概率水平翻转，钳子和枪型工具左右对称，这个增强安全且几乎不会失效。flipud=0.0保持关闭，因为装配线上方的摄像头不会看到倒置的工具，强行翻转会引入不符合物理规律的样本。mosaic=0.8是拼接增强，适合增加背景多样性。mixup=0.2混合两张图，能在类别不均衡时让模型更不易过拟合。

注意增强参数有边际递减：mosaic=1.0和mosaic=0.8训练效果差距极小，反而可能让训练更慢。工业项目里第一优先是fliplr和scale（缩放扰动）。如果显存只有 8G，建议优先只开fliplr=0.5和mosaic=0.5。

5.3 数据裁剪与复制粘贴：稀缺类别最后补救

增强参数解决不了某类样本数量从 30 张变成 60 张的质变。对pointed tool这种稀缺类，常见做法是复制粘贴增强：从原图截出目标区域，贴到另一张只含背景的图里，同时复制标签坐标。写一个极简版本：

import cv2 import numpy as np def paste_object(src_img, src_label, dst_img, dst_label_path, class_id): h, w = dst_img.shape[:2] xc, yc, bw, bh = map(float, src_label.split()[1:]) x1 = int((xc - bw / 2) * w) y1 = int((yc - bh / 2) * h) x2 = int((xc + bw / 2) * w) y2 = int((yc + bh / 2) * h) obj = src_img[y1:y2, x1:x2] scale = 0.7 + 0.6 * np.random.rand() obj = cv2.resize(obj, None, fx=scale, fy=scale) # 新位置避开中心区域，模拟桌面边缘 nx = 0.2 + 0.6 * np.random.rand() ny = 0.2 + 0.6 * np.random.rand() obj_h, obj_w = obj.shape[:2] new_x1 = int((nx - 0.5) * (w - obj_w)) new_y1 = int((ny - 0.5) * (h - obj_h)) dst_img[new_y1:new_y1 + obj_h, new_x1:new_x1 + obj_w] = obj norm_x = (new_x1 + obj_w / 2) / w norm_y = (new_y1 + obj_h / 2) / h norm_w = obj_w / w norm_h = obj_h / h with open(dst_label_path, "a") as f: f.write(f"{class_id} {norm_x:.6f} {norm_y:.6f} {norm_w:.6f} {norm_h:.6f}\n")

这个脚本的边界在于：粘贴位置是纯随机的，没有考虑“手应该握着工具”“工具不能悬空”的业务规则。工业检测模型只学视觉特征，暂时不需要物理合理性，但如果后续要做合规逻辑判断，手工合成的样本只能用来解决误检问题，别指望靠它训练出“手-工具关系”的语义理解。生成后必须重新跑一遍第 2.3 节的画框脚本，肉眼确认没有半截贴图。

5.4 早停与收敛判断：别让增强拖慢训练

增强开多以后，训练时间会变长，epochs=100可能 40 个 epoch 后就不再提升。这时不要无脑等完 100 个 epoch。我的习惯是同时监控results.png里的val/box_loss和metrics/mAP50(B)：当 mAP50 连续 15 个 epoch 不再上升且波动小于 0.01，就手动用patience=15早停。

这个数据集的工业价值在于适配真实现场。如果训练阶段发现 mAP50 很高但 val loss 偏高，别急着调参，先回到第 4.3 节的按来源分组划分，把数据泄漏堵上，再回来谈精度。数据泄漏导致的虚高指标是工业场景最隐蔽的坑，模型上线前再发现就晚了。

6. 进阶验证：把模型接到 RTSP 视频流里做合规性检查

模型训完只是第一步，落地到装配线才算结束。最后分享一个我一直在用的验证方法：用训练好的best.pt跑一段实时摄像头流，而不是只跑测试集图片。这一步能直接把第 4 章说的“现场翻车”提前暴露出来。

6.1 用批处理脚本跑视频文件看稳定性

先不接真实摄像头，拿一段录像跑分帧推理，观察连续帧输出是否稳定。如果某几帧工具消失、下一帧又出现，基本是阈值和类别不匹配的问题。

from ultralytics import YOLO model = YOLO("runs_tool/exp1/weights/best.pt") results = model.predict( source="assembly_line.mp4", stream=True, conf=0.35, iou=0.5, imgsz=800, classes=[0, 1, 2, 3, 4], verbose=False )

stream=True是惰式加载器，逐帧产出结果，不会一次性把整个视频读进内存。classes参数可以用来先只输出需要的类别。在实时验证中，我会给每类单独统计数量，比如判断：hand 类连续 10 帧出现，但 gun-type tool 类一直为 0，说明工人拿错工具或者工具被身体遮挡，这种逻辑很适合做装配合规检查。

6.2 实时流推理的两种做法

接 RTSP 摄像头和控制台一样，把source改成rtsp://user:pass@ip:554/stream1即可。但工业现场网络不稳定，重连逻辑比模型精度更影响效果。YOLOv8 的predict在推流断开时直接抛异常，我建议在业务代码里套一个断线重连：

import cv2 import time from ultralytics import YOLO model = YOLO("best.pt") cap = cv2.VideoCapture("rtsp://admin:123456@192.168.1.64:554/Streaming/Channels/1") while True: if not cap.isOpened(): print("reconnect...") time.sleep(2) cap.open("rtsp://admin:123456@192.168.1.64:554/Streaming/Channels/1") continue ret, frame = cap.read() if not ret: cap.release() continue results = model(frame, conf=0.35, imgsz=800) for r in results: for box in r.boxes: cls = int(box.cls[0]) conf = float(box.conf[0]) print(f"cls={cls}, conf={conf:.2f}")

这里有个容易被忽略的细节：model(frame, imgsz=800)会先把输入拉伸到 800 再推理，但输出框坐标已经映射回原始 frame 坐标系，不需要手工换算。另外rtsp的用户名密码都是 URL 编码过的，密码里有@或/必须转义，否则 cv2 打开失败。那以后我每次训练完都不直接凭 mAP 下结论，而是强制用 RTSP 流跑十分钟，统计各类的漏检和误检比例，记录在训练卡片上。再好的指标，在现场视频里经不住一帧闪烁就会暴露。希望帮到你。

本文还有配套的精品资源，点击获取