基于yolo算法钢轨缺陷检测

核心业务（ToB 为主，ToG 为辅）
1. 缺陷检测服务
- 线路级：为工务段/地铁公司提供“检测车+算法+报告”整套外包，按公里计费。
- 设备级：向轨道巡检机器人厂商出售嵌入式算法授权（SDK），按台数授权。
- 云端SaaS：上传图片/视频即可在线检测，生成带坐标、置信度、缺陷类型的JSON报告，按调用量计费。
2. 数据增值服务
- 缺陷趋势预测：基于历史检测数据，预测未来3-6个月裂纹扩展趋势，指导换轨计划。
- 全生命周期档案：为每根钢轨建立“电子身份证”，融合超声、涡流数据，形成数字孪生。
3. 软硬一体产品
- 边缘盒子：Jetson Xavier + 5G，直接装在检测车/隧道壁，30ms内完成识别，只回传报警。
- 车载GPU服务器：单台覆盖双向8车道，巡检速度≥60km/h，不影响运营。
核心功能（软件/云端）
1. 多输入支持
- 图片、视频、RTSP相机流、本地摄像头、批量文件夹。
2. 实时检测
- 单图32ms，30FPS不掉帧；支持1080p-4K分辨率。
3. 六类缺陷识别
- 裂纹、磨损、剥离、掉块、弹性夹断裂、鱼尾板异常；mAP≥90%。
4. 小目标优化
- 0.1mm裂纹可检；引入CBAM+SPD-Conv+FPN-P2层，小目标召回率提升8%。
5. 复杂环境鲁棒
- 夜间/隧道/雨迹/油污/锈蚀场景下，误检率＜2%。
6. 结果可视化
- 边缘框+类别+置信度；一键生成Excel统计表+缺陷热力图。
7. 轻量化部署
- 模型≤30MB；CPU(i7)亦可跑，GPU最高162FPS；支持Windows/Linux/国产麒麟。

8. 一键升级
- 在线OTA：新缺陷类型、新精度版本后台推送，5分钟完成热更新。
典型落地场景
- 高铁天窗点：检测车1小时扫完20km，次日出具报告，替代30人·天人工巡检。
- 地铁日常巡检：夜间收车后，手推巡检小车+边缘盒子，3小时完成全线筛查。
- 重载货运专线：巡检机器人挂装在轨道梁，24h不间断监测，异常实时推送到值班室大屏。

项目已实现为 “可落地的三段式交付物”，源码 + 模型 + 部署包** 全部到位，
① 源码交付（Git 仓库结构）
rail-yolo/
├─ data/ ← 数据集、yaml、标签
├─ models/ ← 改进 YOLOv8 网络定义（yaml）
├─ runs/ ← 训练日志、权重、曲线
├─ ui/ ← PyQt5 可执行界面
├─ deploy/
│ ├─ edge/ ← Jetson Xavier 启动镜像
│ ├─ docker/ ← x86 GPU Docker 镜像
│ └─ http/ ← Flask 在线 API
├─ weights/
│ ├─ rail_yolo8s_cbam.pt ← 最终 30 MB 权重
│ └─ rail_yolo8n.pt ← 超轻 13 MB 权重
├─ requirements.txt
└─ README.md ← 一行命令复现

② 一键复现（3 分钟跑通）
1. 装好环境：
```bash
conda create -n rail python=3.12 -y
conda activate rail
pip install -r requirements.txt
```
2. 直接推理：
```bash
python detect.py --weights weights/rail_yolo8s_cbam.pt --source data/test/001.jpg
```
→ 结果保存在 `runs/detect/exp/001.jpg`
边缘框 + 置信度 + 类别。

3. 启动界面：
```bash
cd ui && python rail_gui.py
```
→ PyQt5 窗口 → 支持 图片 / 视频 / 摄像头 / 批量文件夹 → 实时 30 FPS。
③ 模型性能（已训练 800 epoch，可复训）
| 版本 | 大小 | mAP@0.5 | 推理时间 | 硬件 |
|---|---|---|---|---|
| rail_yolo8s_cbam.pt | 30 MB | 93.2 % | 32 ms | i7-127