基于YOLOv8n的钢材表面缺陷检测-yolov8n

## 项目描述 基于YOLOv8n的钢材表面缺陷检测
基于 YOLOv8n 骨干，面向钢材表面缺陷检测任务，对 SE、EMA、CBAM 三种注意力机制进行消融对比的定制化目标检测仓库。以东北大学 NEU-DET 数据集（6 类缺陷：龟裂、夹杂、补丁、麻点、氧化轧入、划痕）为基准，全部模型由随机初始化训练，EMA 版本在 mAP50-95 上较基线提升约 2.92 个百分点。

## 项目功能
– SE / EMA / CBAM 三种注意力模块已嵌入 YOLOv8 源码（ultralytics/nn/modules/conv.py）
– 三份模型配置 yaml（yolov8-{se,ema,cbam}.yaml）可直接训练
– 已跑完的 4 组消融实验产物（results.csv、best.pt、混淆矩阵、PR/F1 曲线）均在 experiments/ 下
– 生成对比图脚本（generate_comparison_chart.py）与消融汇总脚本（experiments/generate_ablation_summary.py）可一键重生成结果图表
– Flask Web Demo 提供浏览器端检测、历史记录和消融仪表盘

## 运行环境
– Python 3.10+
– PyTorch ≥ 1.8.0（CPU 版可跑推理，训练建议 CUDA 版）
– pip install -e . 安装项目定制版 ultralytics（8.0.210）
– pip install flask 用于 Web Demo
– NEU-DET 数据集放在 datasets/NEU-DET/ 下，目录结构需符合 YOLO 格式（images/{train,val} + labels/{train,val}）

## 项目技术
– 检测框架：Ultralytics YOLOv8（本地修改 8.0.210 源码，自定义注意力模块）
– 注意力模块：SE（通道注意力，c²/8 参数）、EMA（高效多尺度注意力，10cg²+4cg）、CBAM（通道+空间双重注意力，c²+c+98）
– 训练配置：imgsz=640、batch=32、seed=0、EMA patience=50，基线用 COCO 预训练权重，三组注意力模型均随机初始化
– 评估指标：Precision、Recall、mAP50、mAP50-95
– 技术栈：PyTorch、Flask（Web 层）、Matplotlib（绘图）、OpenCV（图像读写）、CSV/JSON（数据汇总）

以上系统源码经过技术整理与调试，确保能正常运行