点击上方蓝字关注我们
💡💡💡本文摘要：基于YOLO11的PCB分割检测系统，阐述了整个数据制作和训练可视化过程
YOLO11 PCB实例分割技术在电子制造业中具有重大意义。其核心价值在于实现了对印刷电路板（PCB）上缺陷和元器件的像素级精确识别与定位。
传统的检测方法可能仅能框出缺陷的大致位置，而YOLO11的分割模型能够精确勾勒出缺陷（如微小的划痕、焊锡桥连、断路、缺件等）以及每个元器件的具体轮廓。这种精细化能力带来了多重优势：
提升检测精度与可靠性：能够发现人眼难以察觉的微小缺陷，并准确区分密集排列的元件，极大降低了漏检和误检率。
赋能自动化智能制造：作为自动化光学检测（AOI）系统的核心，它为后续的维修、分拣或工艺调整提供了精确的空间信息，是实现工业4.0和质量控制闭环的关键。
提高生产效率与良率：通过快速、精准的在线检测，能及时发现问题PCB，避免有缺陷的产品流入下个环节，从而节省成本，提升整体生产良率。
博主简介
AI小怪兽 | 计算机视觉布道者 | 视觉检测领域创新者
深耕计算机视觉与深度学习领域，专注于目标检测前沿技术的探索与突破。长期致力于YOLO系列算法的结构性创新、性能极限优化与工业级落地实践，旨在打通从学术研究到产业应用的最后一公里。
🚀 核心专长与技术创新
YOLO算法结构性创新：于CSDN平台原创发布《YOLOv13魔术师》、《YOLOv12魔术师》等全系列深度专栏。系统性提出并开源了多项原创自研模块，在模型轻量化设计、多维度注意力机制融合、特征金字塔重构等关键方向完成了一系列突破性实践，为行业提供了具备高参考价值的技术路径与完整解决方案。
技术生态建设与知识传播：独立运营 “计算机视觉大作战” 公众号（粉丝1.6万），成功构建高质量的技术交流社群。致力于将复杂算法转化为通俗易懂的解读与可复现的工程代码，显著降低了计算机视觉的技术入门门槛。
🏆 行业影响力与商业实践
荣获腾讯云年度影响力作者与创作之星奖项，内容质量与专业性获行业权威平台认证。
全网累计拥有 7万+ 垂直领域技术受众，专栏文章总阅读量突破百万，在目标检测领域形成了广泛的学术与工业影响力。
具备丰富的企业级项目交付经验，曾为工业视觉检测、智慧城市安防等多个关键领域提供定制化的算法模型与解决方案，驱动业务智能化升级。
💡 未来方向与使命
秉持 “让每一行代码都有温度” 的技术理念，未来将持续聚焦于实时检测、语义分割及工业缺陷检测的商业化闭环等核心方向。愿与业界同仁协同创新，共同推动技术边界，以坚实的技术能力赋能实体经济与行业变革。
原创自研系列， 25年计算机视觉顶会创新点
《YOLOv13魔术师》
《YOLOv12魔术师》
《YOLO11魔术师》
《YOLOv8原创自研》
《YOLOv5原创自研》
《YOLOv7原创自研》
《YOLOv9魔术师》
《YOLOv10魔术师》
应用系列篇：
《YOLO小目标检测》
《深度学习工业缺陷检测》
《YOLOv8-Pose关键点检测》
23、24年最火系列，加入24年改进点内涵100+优化改进篇，涨点小能手，助力科研，好评率极高
《YOLOv8魔术师》
《YOLOv7魔术师》
《YOLOv5/YOLOv7魔术师》
《RT-DETR魔术师》
Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。
结构图如下：
1.1 C3k2
C3k2，结构图如下
C3k2，继承自类C2f，其中通过c3k设置False或者Ture来决定选择使用C3k还是Bottleneck
实现代码ultralytics/nn/modules/block.py
1.2 C2PSA介绍
借鉴V10 PSA结构，实现了C2PSA和C2fPSA，最终选择了基于C2的C2PSA（可能涨点更好？）
实现代码ultralytics/nn/modules/block.py
1.3 11 Detect介绍
分类检测头引入了DWConv（更加轻量级，为后续二次创新提供了改进点），结构图如下（和V8的区别）：
实现代码ultralytics/nn/modules/head.py
2.1 PCB分割数据集介绍
数据集大小：训练集1992张，验证集27张，测试集48张
类别 17类：
nc: 17names: ['Inductor', 'circular-pcb', 'damaged_inductor', 'feedback resistor', 'feedback_resistor_missing', 'input-terminal', 'input_terminal_missing', 'large-capacitor', 'large_capacitor_missing', 'led', 'led-driver-IC', 'led_driver_ic_missing', 'led_missing', 'missing_both_capacitors', 'missplaced_capacitor', 'small-capacitor', 'small_filtering_capacitor_missing']
细节图：
标签可视化分析
2.2 配置pcb-seg.yaml
ps:建议填写绝对路径
path: D:/YOLOv11/data/pcb_segtrain: ./train/imagesval: ./valid/imagestest: ./test/imagesnc: 17names: ['Inductor', 'circular-pcb', 'damaged_inductor', 'feedback resistor', 'feedback_resistor_missing', 'input-terminal', 'input_terminal_missing', 'large-capacitor', 'large_capacitor_missing', 'led', 'led-driver-IC', 'led_driver_ic_missing', 'led_missing', 'missing_both_capacitors', 'missplaced_capacitor', 'small-capacitor', 'small_filtering_capacitor_missing']
2.3 如何训练
import warningswarnings.filterwarnings('ignore')from ultralytics import YOLOif __name__ == '__main__':model = YOLO('ultralytics/cfg/models/11/yolo11-seg.yaml')model.train(data='data/pcb-seg.yaml',cache=False,imgsz=640,epochs=200,batch=8,close_mosaic=10,device='0',optimizer='SGD', # using SGDproject='runs/train',name='exp',)
2.4 训练结果可视化结果
YOLO11-seg summary (fused): 368 layers, 3,521,025 parameters, 0 gradients, 11.0 GFLOPsClass Images Instances Box(P R mAP50 mAP50-95) Mask(P R mAP50 mAP50-95): 100%|██████████| 2/2all 48 1360 0.978 0.988 0.99 0.715 0.951 0.961 0.965 0.623Inductor 42 42 0.996 1 0.995 0.712 0.972 0.976 0.971 0.549circular-pcb 47 47 0.972 1 0.983 0.983 0.972 1 0.983 0.835damaged_inductor 6 6 0.951 1 0.995 0.641 0.792 0.833 0.898 0.636feedback resistor 40 40 0.993 0.975 0.981 0.673 0.942 0.925 0.914 0.587feedback_resistor_missing 8 8 0.991 1 0.995 0.66 0.991 1 0.995 0.541input-terminal 45 46 1 0.948 0.981 0.616 0.977 0.927 0.951 0.55input_terminal_missing 3 3 0.996 1 0.995 0.529 0.995 1 0.995 0.568large-capacitor 45 45 0.991 1 0.995 0.847 0.991 1 0.995 0.77large_capacitor_missing 3 3 0.928 1 0.995 0.722 0.928 1 0.995 0.685led 48 965 1 0.986 0.995 0.856 0.968 0.955 0.974 0.59led-driver-IC 44 44 0.977 0.969 0.993 0.662 0.885 0.878 0.905 0.557led_driver_ic_missing 4 4 1 0.964 0.995 0.652 1 0.964 0.995 0.805led_missing 13 62 0.983 0.984 0.979 0.862 0.983 0.984 0.979 0.548small-capacitor 39 39 0.962 1 0.974 0.685 0.938 0.974 0.932 0.565small_filtering_capacitor_missing 6 6 0.93 1 0.995 0.618 0.929 1 0.995 0.553
预测结果：
3.1 PySide6介绍
受益于人工智能的崛起，Python语言几乎以压倒性优势在众多编程语言中异军突起，成为AI时代的首选语言。在很多情况下，我们想要以图形化方式将我们的人工智能算法打包提供给用户使用，这时候选择以python为主的GUI框架就非常合适了。
PySide是Qt公司的产品，PyQt是第三方公司的产品，二者用法基本相同，不过在使用协议上却有很大差别。PySide可以在LGPL协议下使用，PyQt则在GPL协议下使用。
PySide目前常见的有两个版本：PySide2和PySide6。PySide2由C++版的Qt5开发而来.，而PySide6对应的则是C++版的Qt6。从PySide6开始，PySide的命名也会与Qt的大版本号保持一致，不会再出现类似PySide2对应Qt5这种容易混淆的情况。
3.2 安装PySide6
pip install --upgrade pippip install pyside6 -i https://mirror.baidu.com/pypi/simple
基于PySide6开发GUI程序包含下面三个基本步骤：
-
设计GUI，图形化拖拽或手撸；
-
响应UI的操作（如点击按钮、输入数据、服务器更新），使用信号与Slot连接界面和业务；
-
打包发布；
3.3 PCB分割系统设计
