尧图网页设计 
简介这份资源是一套基于YOLOv8的渔船作业监控系统完整项目面向计算机、人工智能、通信工程、自动化等专业的在校学生与教师可用于毕业设计、课程设计、大作业或项目初期立项演示也适合具备一定基础的学习者进阶练手。压缩包共97个文件约24.21MB以70个Python源码文件为核心辅以4个pt权重文件、5个xml配置、12个pyc缓存及txt说明、mp4测试视频等覆盖模型训练、检测推理、可视化界面与部署说明等模块。项目包含源码、数据集、可视化页面和部署教程可生成核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果与标签分布图代码均经测试运行成功简单部署即可运行。目前已有41人学习下载适合需要快速搭建目标检测监控系统、对照完整工程结构学习或直接用于毕设答辩的读者参考使用。1. 渔船监控也能跑 YOLOv8这套毕设资源到底能省多少事去年帮学弟看毕设他做的是渔船作业行为识别光数据集标注和环境配置就卡了两周最后跑出来的模型 mAP 只有 0.4 出头。后来我拿到这套《基于 YOLOv8 的渔船作业监控系统》从解压到可视化界面出结果前后不到一小时。它把源码、best.pt 权重、五类作业数据集、PyQt 可视化页面和部署说明打包在一起核心解决的就是毕设从零搭环境到出指标图这条链路。适合计算机、人工智能、通信、自动化方向的在校生做毕设或课程设计也适合刚接触 YOLOv8 想找一个完整可跑项目的从业者。下面我按资源结构 → 环境部署 → 训练与推理 → 可视化界面 → 避坑 → 进阶技巧的顺序拆一遍把参数和坑都摊开讲。2. 拆开压缩包目录结构与五类检测任务的技术选型2.1 从文件树看这套系统的模块划分解压后先别急着跑main.py花五分钟把目录过一遍后面排错能省大量时间。整个工程大致分四块模块关键文件作用可视化入口main.py、UI/icon.icoPyQt 主窗口加载模型和视频源检测服务five_type_det_service.py、detect.py封装 YOLOv8 推理输出五类作业标签训练相关train_mode.py、yolov8n.pt、yolo11n.pt训练脚本与预训练权重工具与配置utils/、config/、my_func.py数据增强、指标计算、模型配置utils/里那堆文件值得单独说loss.py、metrics.py、plots.py、augmentations.py基本是 YOLOv8 官方工具链的裁剪版autoanchor.py负责锚框自适应general.py里放着 NMS 和坐标变换。config/下能看到rtmdet_m_8xb32-300e_coco.py、faster-rcnn_r50_fpn_2x_coco.py这些配置文件说明作者在选型阶段对比过 RTMDet、Faster R-CNN 和 YOLOv8最终落到 YOLOv8 是因为它在小目标密集场景下推理速度和精度的平衡更好——渔船监控视频里船体、人员、渔网都算中小目标YOLOv8 的 C2f 结构和解耦头在这个尺度上表现稳定。2.2 五类作业检测的任务定义从five_type_det_service.py的命名和数据集目录推断系统做的是五分类目标检测对应渔船作业的典型行为类别如航行、捕捞、停泊、作业中、异常状态等具体类别以README.txt和数据集标注文件为准。这里有个选型细节为什么用检测而不是分类因为监控画面里多条船同时出现分类模型只能给整帧打一个标签无法区分哪条船在做什么。检测模型输出每个目标的边界框和类别才能支撑后续的作业统计和异常告警。best.pt是已经训练好的权重直接加载就能推理yolov8n.pt和yolo11n.pt是官方预训练权重用于从头训练或迁移学习。数据集部分包含abnoenal_video_five_type_test目录下的测试视频如gB_9_s5_2019-03-07T16;31;4801;00_rgb_body_005.mp4以及训练所需的标注数据。摘要里提到的混淆矩阵、F1 曲线、PR 曲线、标签分布图都是 YOLOv8 训练完成后自动生成的评估产物答辩时直接截图放进 PPT 即可。提示先打开README.txt和README.dataset.txt里面通常写了数据集路径配置和类别名称不看这两个文件直接跑脚本十有八九会报路径错误。3. 环境部署与推理跑通从 conda 到第一帧检测结果3.1 环境配置的版本约束YOLOv8 对环境版本比较敏感尤其是 PyTorch 和 CUDA 的匹配。我一般用 conda 建独立环境避免和系统 Python 打架# 创建 Python 3.9 环境这个版本和 ultralytics 兼容性最稳 conda create -n yolo_fish python3.9 -y conda activate yolo_fish # 安装 PyTorch根据你的显卡选 CUDA 版本 # 以 CUDA 11.8 为例30/40 系显卡都适用 pip install torch2.0.1 torchvision0.15.2 --index-url https://download.pytorch.org/whl/cu118 # 安装核心依赖 pip install ultralytics opencv-python PyQt5 numpy matplotlib pandas seaborn这里几个参数要说明python3.9是因为 ultralytics 在 3.10 上偶尔出现torch.load的兼容问题torch2.0.1是经过验证和 YOLOv8 各版本都能配合的稳定版PyQt5是可视化界面的依赖缺了它main.py直接闪退。如果你用的是 GTX 1660 Ti 这类 6G 显存的卡训练时 batch size 要压到 8 以下否则 OOM。3.2 用 best.pt 直接推理环境装好后先用现成权重跑一遍推理确认整条链路通畅from ultralytics import YOLO # 加载训练好的渔船作业检测权重 model YOLO(model/best.pt) # 对测试视频做推理saveTrue 会把结果视频存到 runs/detect 下 results model.predict( sourceabnoenal_video_five_type_test/gB_9_s5_2019-03-07T16;31;4801;00_rgb_body_005.mp4, conf0.25, # 置信度阈值低于此值的框被丢弃 iou0.45, # NMS 的 IoU 阈值控制重叠框合并 imgsz640, # 推理输入尺寸和训练时保持一致 saveTrue, device0 # 0 表示第一块 GPU没有 GPU 改成 cpu ) # 打印每帧检测到的目标数量和类别 for r in results: boxes r.boxes if boxes is not None: print(f检测到 {len(boxes)} 个目标类别: {boxes.cls.tolist()})逻辑说明conf0.25是 YOLOv8 的默认推荐值渔船监控场景下如果漏检严重可以降到 0.15但误检会增多iou0.45控制重叠框合并密集船只场景可以适当提高到 0.5imgsz640必须和训练时的输入尺寸一致否则精度会掉。跑完后去runs/detect/predict/目录看输出视频如果框的位置和类别都正常说明权重和环境都没问题。3.3 可视化界面的启动与操作main.py是 PyQt 主入口启动前确认UI/icon.ico路径正确# 在项目根目录下运行 python main.py界面通常包含视频选择、模型加载、开始/停止检测、结果展示几个区域。点击选择视频加载测试视频再点开始检测five_type_det_service.py会在后台线程里跑推理把带框的画面回传到界面。如果界面卡死多半是推理没放到子线程里检查five_type_det_service.py里有没有QThread或threading的封装。如果视频显示但没框先确认best.pt路径对不对再看conf阈值是不是设太高了。4. 训练自己的数据集从标注到指标曲线的完整链路4.1 数据集组织与 YAML 配置如果你想换自己的渔船数据需要按 YOLO 格式组织每张图对应一个.txt标注文件每行是类别 x_center y_center width height归一化到 0-1。目录结构建议dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yamldata.yaml是训练入口配置# 数据集路径建议写绝对路径避免找不到 path: /home/user/fish_dataset train: images/train val: images/val # 类别数和类别名称顺序必须和标注文件里的类别索引一致 nc: 5 names: [航行, 捕捞, 停泊, 作业中, 异常]这里最容易翻车的是nc和names的顺序。标注时类别 0 对应航行那names列表第一个就必须是航行顺序错了模型学出来的类别全是乱的。4.2 启动训练与关键参数from ultralytics import YOLO # 从预训练权重开始迁移学习比从头训练收敛快得多 model YOLO(yolov8n.pt) model.train( datadataset/data.yaml, epochs100, # 训练轮数毕设场景 100-150 足够 imgsz640, # 输入尺寸和推理保持一致 batch8, # 显存不够就往下调1660Ti 建议 8 lr00.01, # 初始学习率迁移学习用默认值即可 patience20, # 20 轮没提升就早停省时间 projectruns/train,# 结果保存目录 namefish_exp1, # 实验名方便对比多次训练 pretrainedTrue, # 加载预训练权重 optimizerSGD, # 优化器SGD 在小数据集上更稳 cos_lrTrue # 余弦退火学习率后期收敛更平滑 )参数说明epochs100对毕设够用太多容易过拟合batch8是 6G 显存的保守值8G 以上可以上 16patience20是早停机制验证集指标 20 轮不涨就停避免浪费时间cos_lrTrue让学习率按余弦曲线下降比阶梯下降更平滑。训练完成后runs/train/fish_exp1/下会生成confusion_matrix.png、F1_curve.png、P_curve.png、R_curve.png、PR_curve.png、results.png损失曲线和labels.jpg标签分布这些就是答辩 PPT 里的核心指标图。4.3 指标解读与答辩话术混淆矩阵看的是每个类别的误判情况对角线越深越好F1 曲线是精确率和召回率的调和平均峰值对应的置信度就是最优阈值PR 曲线下的面积就是 mAPYOLOv8 默认报 mAP50 和 mAP50-95 两个值。答辩时如果老师问你这个模型效果怎么样直接说mAP50 达到 0.XXF1 峰值在置信度 0.XX 处混淆矩阵显示主要混淆发生在捕捞和作业中两类之间比笼统说效果不错有说服力得多。5. 避坑与排查这套资源跑不起来时的五个血泪经验5.1 现象main.py启动报ModuleNotFoundError: No module named PyQt5原因可视化界面依赖 PyQt5但 pip 安装时可能因为网络或版本冲突没装上。解决单独重装pip install PyQt55.15.9如果还报错检查是不是在错误的 conda 环境里执行。5.2 现象推理时 CUDA out of memory原因imgsz640加默认 batch 在 6G 显存上跑不动。解决推理时加batch1训练时把batch降到 4 或 8或者加ampTrue开启混合精度。如果还不行devicecpu先跑通流程再换 GPU。5.3 现象检测框位置偏移或类别全错原因best.pt和data.yaml的类别顺序不匹配或者推理时imgsz和训练时不一致。解决确认训练时的data.yaml里names顺序推理时不要改imgsz如果换了数据集必须重新训练权重。5.4 现象训练 loss 不下降或震荡严重原因学习率太大、batch 太小导致梯度噪声大或者数据集标注质量差。解决把lr0降到 0.001batch尽量调大检查标注文件里有没有空文件或坐标超出 0-1 范围的异常值。5.5 现象可视化界面视频卡顿、延迟高原因推理在主线程里跑阻塞了 UI 刷新。解决确认five_type_det_service.py里用了QThread或threading.Thread把推理放到子线程主线程只负责画面更新。如果还是卡把推理分辨率降到 480。6. 进阶玩法换模型、加功能与答辩加分项跑通基础流程后这套代码还有不少可挖的空间。第一个方向是换检测头或骨干网络config/下已经放了 RTMDet 和 Faster R-CNN 的配置文件你可以把 YOLOv8 的 head 换成 RTMDet 的对比 mAP 和推理速度答辩时多一组对比实验就是加分项。第二个方向是加跟踪在detect.py里接一个 ByteTrack 或 BoT-SORT把逐帧检测变成轨迹跟踪就能统计每条船的作业时长这个功能在渔船监控场景里很实用。第三个方向是模型轻量化。如果你想把系统部署到 RK3588 这类边缘设备上需要把best.pt导出成 ONNX 再转 RKNNfrom ultralytics import YOLO model YOLO(model/best.pt) # 导出 ONNXopset 11 对 RKNN 工具链兼容性最好 model.export(formatonnx, opset11, imgsz640, simplifyTrue)导出后得到best.onnx再用 RKNN-Toolkit2 转成.rknn模型。注意 RK3588 的 NPU 对输入尺寸有对齐要求imgsz建议用 640 的倍数量化时准备 100-200 张校准图否则精度掉得厉害。最后一个技巧是答辩演示的稳定性。我一般会提前把测试视频和best.pt放在固定路径写一个run_demo.bat或run_demo.sh一键启动避免现场手忙脚乱输错命令。从那以后我每次交付毕设项目都会强制走一遍干净环境 一键脚本 离线视频的验证流程确保答辩现场不出岔子。希望帮到你。本文还有配套的精品资源点击获取 基于YOLOv8的渔船作业监控系统：毕设资源与实战指南
简介这份资源是一套基于YOLOv8的渔船作业监控系统完整项目面向计算机、人工智能、通信工程、自动化等专业的在校学生与教师可用于毕业设计、课程设计、大作业或项目初期立项演示也适合具备一定基础的学习者进阶练手。压缩包共97个文件约24.21MB以70个Python源码文件为核心辅以4个pt权重文件、5个xml配置、12个pyc缓存及txt说明、mp4测试视频等覆盖模型训练、检测推理、可视化界面与部署说明等模块。项目包含源码、数据集、可视化页面和部署教程可生成核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果与标签分布图代码均经测试运行成功简单部署即可运行。目前已有41人学习下载适合需要快速搭建目标检测监控系统、对照完整工程结构学习或直接用于毕设答辩的读者参考使用。1. 渔船监控也能跑 YOLOv8这套毕设资源到底能省多少事去年帮学弟看毕设他做的是渔船作业行为识别光数据集标注和环境配置就卡了两周最后跑出来的模型 mAP 只有 0.4 出头。后来我拿到这套《基于 YOLOv8 的渔船作业监控系统》从解压到可视化界面出结果前后不到一小时。它把源码、best.pt 权重、五类作业数据集、PyQt 可视化页面和部署说明打包在一起核心解决的就是毕设从零搭环境到出指标图这条链路。适合计算机、人工智能、通信、自动化方向的在校生做毕设或课程设计也适合刚接触 YOLOv8 想找一个完整可跑项目的从业者。下面我按资源结构 → 环境部署 → 训练与推理 → 可视化界面 → 避坑 → 进阶技巧的顺序拆一遍把参数和坑都摊开讲。2. 拆开压缩包目录结构与五类检测任务的技术选型2.1 从文件树看这套系统的模块划分解压后先别急着跑main.py花五分钟把目录过一遍后面排错能省大量时间。整个工程大致分四块模块关键文件作用可视化入口main.py、UI/icon.icoPyQt 主窗口加载模型和视频源检测服务five_type_det_service.py、detect.py封装 YOLOv8 推理输出五类作业标签训练相关train_mode.py、yolov8n.pt、yolo11n.pt训练脚本与预训练权重工具与配置utils/、config/、my_func.py数据增强、指标计算、模型配置utils/里那堆文件值得单独说loss.py、metrics.py、plots.py、augmentations.py基本是 YOLOv8 官方工具链的裁剪版autoanchor.py负责锚框自适应general.py里放着 NMS 和坐标变换。config/下能看到rtmdet_m_8xb32-300e_coco.py、faster-rcnn_r50_fpn_2x_coco.py这些配置文件说明作者在选型阶段对比过 RTMDet、Faster R-CNN 和 YOLOv8最终落到 YOLOv8 是因为它在小目标密集场景下推理速度和精度的平衡更好——渔船监控视频里船体、人员、渔网都算中小目标YOLOv8 的 C2f 结构和解耦头在这个尺度上表现稳定。2.2 五类作业检测的任务定义从five_type_det_service.py的命名和数据集目录推断系统做的是五分类目标检测对应渔船作业的典型行为类别如航行、捕捞、停泊、作业中、异常状态等具体类别以README.txt和数据集标注文件为准。这里有个选型细节为什么用检测而不是分类因为监控画面里多条船同时出现分类模型只能给整帧打一个标签无法区分哪条船在做什么。检测模型输出每个目标的边界框和类别才能支撑后续的作业统计和异常告警。best.pt是已经训练好的权重直接加载就能推理yolov8n.pt和yolo11n.pt是官方预训练权重用于从头训练或迁移学习。数据集部分包含abnoenal_video_five_type_test目录下的测试视频如gB_9_s5_2019-03-07T16;31;4801;00_rgb_body_005.mp4以及训练所需的标注数据。摘要里提到的混淆矩阵、F1 曲线、PR 曲线、标签分布图都是 YOLOv8 训练完成后自动生成的评估产物答辩时直接截图放进 PPT 即可。提示先打开README.txt和README.dataset.txt里面通常写了数据集路径配置和类别名称不看这两个文件直接跑脚本十有八九会报路径错误。3. 环境部署与推理跑通从 conda 到第一帧检测结果3.1 环境配置的版本约束YOLOv8 对环境版本比较敏感尤其是 PyTorch 和 CUDA 的匹配。我一般用 conda 建独立环境避免和系统 Python 打架# 创建 Python 3.9 环境这个版本和 ultralytics 兼容性最稳 conda create -n yolo_fish python3.9 -y conda activate yolo_fish # 安装 PyTorch根据你的显卡选 CUDA 版本 # 以 CUDA 11.8 为例30/40 系显卡都适用 pip install torch2.0.1 torchvision0.15.2 --index-url https://download.pytorch.org/whl/cu118 # 安装核心依赖 pip install ultralytics opencv-python PyQt5 numpy matplotlib pandas seaborn这里几个参数要说明python3.9是因为 ultralytics 在 3.10 上偶尔出现torch.load的兼容问题torch2.0.1是经过验证和 YOLOv8 各版本都能配合的稳定版PyQt5是可视化界面的依赖缺了它main.py直接闪退。如果你用的是 GTX 1660 Ti 这类 6G 显存的卡训练时 batch size 要压到 8 以下否则 OOM。3.2 用 best.pt 直接推理环境装好后先用现成权重跑一遍推理确认整条链路通畅from ultralytics import YOLO # 加载训练好的渔船作业检测权重 model YOLO(model/best.pt) # 对测试视频做推理saveTrue 会把结果视频存到 runs/detect 下 results model.predict( sourceabnoenal_video_five_type_test/gB_9_s5_2019-03-07T16;31;4801;00_rgb_body_005.mp4, conf0.25, # 置信度阈值低于此值的框被丢弃 iou0.45, # NMS 的 IoU 阈值控制重叠框合并 imgsz640, # 推理输入尺寸和训练时保持一致 saveTrue, device0 # 0 表示第一块 GPU没有 GPU 改成 cpu ) # 打印每帧检测到的目标数量和类别 for r in results: boxes r.boxes if boxes is not None: print(f检测到 {len(boxes)} 个目标类别: {boxes.cls.tolist()})逻辑说明conf0.25是 YOLOv8 的默认推荐值渔船监控场景下如果漏检严重可以降到 0.15但误检会增多iou0.45控制重叠框合并密集船只场景可以适当提高到 0.5imgsz640必须和训练时的输入尺寸一致否则精度会掉。跑完后去runs/detect/predict/目录看输出视频如果框的位置和类别都正常说明权重和环境都没问题。3.3 可视化界面的启动与操作main.py是 PyQt 主入口启动前确认UI/icon.ico路径正确# 在项目根目录下运行 python main.py界面通常包含视频选择、模型加载、开始/停止检测、结果展示几个区域。点击选择视频加载测试视频再点开始检测five_type_det_service.py会在后台线程里跑推理把带框的画面回传到界面。如果界面卡死多半是推理没放到子线程里检查five_type_det_service.py里有没有QThread或threading的封装。如果视频显示但没框先确认best.pt路径对不对再看conf阈值是不是设太高了。4. 训练自己的数据集从标注到指标曲线的完整链路4.1 数据集组织与 YAML 配置如果你想换自己的渔船数据需要按 YOLO 格式组织每张图对应一个.txt标注文件每行是类别 x_center y_center width height归一化到 0-1。目录结构建议dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yamldata.yaml是训练入口配置# 数据集路径建议写绝对路径避免找不到 path: /home/user/fish_dataset train: images/train val: images/val # 类别数和类别名称顺序必须和标注文件里的类别索引一致 nc: 5 names: [航行, 捕捞, 停泊, 作业中, 异常]这里最容易翻车的是nc和names的顺序。标注时类别 0 对应航行那names列表第一个就必须是航行顺序错了模型学出来的类别全是乱的。4.2 启动训练与关键参数from ultralytics import YOLO # 从预训练权重开始迁移学习比从头训练收敛快得多 model YOLO(yolov8n.pt) model.train( datadataset/data.yaml, epochs100, # 训练轮数毕设场景 100-150 足够 imgsz640, # 输入尺寸和推理保持一致 batch8, # 显存不够就往下调1660Ti 建议 8 lr00.01, # 初始学习率迁移学习用默认值即可 patience20, # 20 轮没提升就早停省时间 projectruns/train,# 结果保存目录 namefish_exp1, # 实验名方便对比多次训练 pretrainedTrue, # 加载预训练权重 optimizerSGD, # 优化器SGD 在小数据集上更稳 cos_lrTrue # 余弦退火学习率后期收敛更平滑 )参数说明epochs100对毕设够用太多容易过拟合batch8是 6G 显存的保守值8G 以上可以上 16patience20是早停机制验证集指标 20 轮不涨就停避免浪费时间cos_lrTrue让学习率按余弦曲线下降比阶梯下降更平滑。训练完成后runs/train/fish_exp1/下会生成confusion_matrix.png、F1_curve.png、P_curve.png、R_curve.png、PR_curve.png、results.png损失曲线和labels.jpg标签分布这些就是答辩 PPT 里的核心指标图。4.3 指标解读与答辩话术混淆矩阵看的是每个类别的误判情况对角线越深越好F1 曲线是精确率和召回率的调和平均峰值对应的置信度就是最优阈值PR 曲线下的面积就是 mAPYOLOv8 默认报 mAP50 和 mAP50-95 两个值。答辩时如果老师问你这个模型效果怎么样直接说mAP50 达到 0.XXF1 峰值在置信度 0.XX 处混淆矩阵显示主要混淆发生在捕捞和作业中两类之间比笼统说效果不错有说服力得多。5. 避坑与排查这套资源跑不起来时的五个血泪经验5.1 现象main.py启动报ModuleNotFoundError: No module named PyQt5原因可视化界面依赖 PyQt5但 pip 安装时可能因为网络或版本冲突没装上。解决单独重装pip install PyQt55.15.9如果还报错检查是不是在错误的 conda 环境里执行。5.2 现象推理时 CUDA out of memory原因imgsz640加默认 batch 在 6G 显存上跑不动。解决推理时加batch1训练时把batch降到 4 或 8或者加ampTrue开启混合精度。如果还不行devicecpu先跑通流程再换 GPU。5.3 现象检测框位置偏移或类别全错原因best.pt和data.yaml的类别顺序不匹配或者推理时imgsz和训练时不一致。解决确认训练时的data.yaml里names顺序推理时不要改imgsz如果换了数据集必须重新训练权重。5.4 现象训练 loss 不下降或震荡严重原因学习率太大、batch 太小导致梯度噪声大或者数据集标注质量差。解决把lr0降到 0.001batch尽量调大检查标注文件里有没有空文件或坐标超出 0-1 范围的异常值。5.5 现象可视化界面视频卡顿、延迟高原因推理在主线程里跑阻塞了 UI 刷新。解决确认five_type_det_service.py里用了QThread或threading.Thread把推理放到子线程主线程只负责画面更新。如果还是卡把推理分辨率降到 480。6. 进阶玩法换模型、加功能与答辩加分项跑通基础流程后这套代码还有不少可挖的空间。第一个方向是换检测头或骨干网络config/下已经放了 RTMDet 和 Faster R-CNN 的配置文件你可以把 YOLOv8 的 head 换成 RTMDet 的对比 mAP 和推理速度答辩时多一组对比实验就是加分项。第二个方向是加跟踪在detect.py里接一个 ByteTrack 或 BoT-SORT把逐帧检测变成轨迹跟踪就能统计每条船的作业时长这个功能在渔船监控场景里很实用。第三个方向是模型轻量化。如果你想把系统部署到 RK3588 这类边缘设备上需要把best.pt导出成 ONNX 再转 RKNNfrom ultralytics import YOLO model YOLO(model/best.pt) # 导出 ONNXopset 11 对 RKNN 工具链兼容性最好 model.export(formatonnx, opset11, imgsz640, simplifyTrue)导出后得到best.onnx再用 RKNN-Toolkit2 转成.rknn模型。注意 RK3588 的 NPU 对输入尺寸有对齐要求imgsz建议用 640 的倍数量化时准备 100-200 张校准图否则精度掉得厉害。最后一个技巧是答辩演示的稳定性。我一般会提前把测试视频和best.pt放在固定路径写一个run_demo.bat或run_demo.sh一键启动避免现场手忙脚乱输错命令。从那以后我每次交付毕设项目都会强制走一遍干净环境 一键脚本 离线视频的验证流程确保答辩现场不出岔子。希望帮到你。本文还有配套的精品资源点击获取