YOLOv26药品铝塑板缺粒检测实战：Python训练、验证与推理完整代码

一、项目目标

针对药品铝塑板视觉检测，本项目使用：

500万彩色工业相机 + 穹顶漫射光 + YOLOv26

实现药品铝塑板的：

• 药粒有无检测
• 药粒缺失检测
• 药粒破损检测
• 药粒异常检测
• 药粒位置检测
• 后续扩展颜色检测

整体流程：

工业相机
   ↓
采集铝塑板图片
   ↓
人工标注
   ↓
YOLO数据集
   ↓
YOLOv26训练
   ↓
模型验证
   ↓
单张图片测试
   ↓
实时相机检测
   ↓
OK / NG

二、Python环境

建议单独建立虚拟环境：

conda create -n yolo26_drug python=3.11 -y
conda activate yolo26_drug

安装 Ultralytics：

pip install -U ultralytics

检查版本：

python -c "import ultralytics; print(ultralytics.__version__)"

检查 YOLO：

yolo checks

如果使用 NVIDIA GPU，还需要根据 CUDA 环境安装对应版本的 PyTorch。

三、项目目录

建议先建立一个非常简单的项目：

drug_yolo26/
│
├── datasets/
│   └── blister/
│       ├── images/
│       │   ├── train/
│       │   ├── val/
│       │   └── test/
│       │
│       ├── labels/
│       │   ├── train/
│       │   ├── val/
│       │   └── test/
│       │
│       └── data.yaml
│
├── train.py
├── val.py
├── predict.py
└── test_camera.py

四、建立YOLO数据集

例如采集 1000 张铝塑板图片。建议：

• 训练集：80%
• 验证集：10%
• 测试集：10%

最终 images/train、images/val、images/test 分别对应 labels/train、labels/val、labels/test。例如：

images/train/
  000001.jpg
  000002.jpg
  000003.jpg

labels/train/
  000001.txt
  000002.txt
  000003.txt

图片和标签必须一一对应。

五、检测类别设计

第一阶段建议不要把类别设计得过于复杂。例如：

0 normal
1 missing
2 damaged

对应：

names:
  0: normal
  1: missing
  2: damaged

后期如果增加颜色检测，可以扩展：

0 normal
1 missing
2 damaged
3 color_error
4 foreign_object

不过实际项目中，我仍然推荐：YOLO 负责目标和缺陷，Lab 负责精确颜色评价。不要一开始就让 YOLO 承担所有颜色判断。

六、data.yaml

创建 datasets/blister/data.yaml，内容：

path: ./datasets/blister
train: images/train
val: images/val
test: images/test

names:
  0: normal
  1: missing
  2: damaged

如果数据集使用绝对路径，也可以：

path: D:/AI/drug_yolo26/datasets/blister
train: images/train
val: images/val
test: images/test

names:
  0: normal
  1: missing
  2: damaged

七、YOLO标签格式

YOLO 标签一行表示一个目标：

class x_center y_center width height

例如：

0 0.215 0.318 0.085 0.092

所有坐标都是 0~1 归一化坐标。例如图片 2448 × 2048，药粒中心 x=600、y=700，那么：

x_center = 600 / 2448
y_center = 700 / 2048

八、Python训练程序

创建 train.py，代码尽量保持简单，方便调试：

from ultralytics import YOLO


def main():
    # 加载YOLOv26模型
    model = YOLO("yolo26n.pt")

    # 开始训练
    results = model.train(
        data="datasets/blister/data.yaml",
        # 输入尺寸
        imgsz=640,
        # 训练轮数
        epochs=100,
        # Batch
        batch=16,
        # GPU
        device=0,
        # 工作线程
        workers=4,
        # 项目名称
        project="runs/drug",
        # 实验名称
        name="yolo26n_blister",
        # 保存周期
        save_period=10,
        # 预训练
        pretrained=True,
        # 训练完成后进行验证
        val=True,
    )
    print("训练完成")


if __name__ == "__main__":
    main()

运行：

python train.py

九、第一次调试不要直接训练几百轮

第一次建议 epochs=5，例如：

model.train(
    data="datasets/blister/data.yaml",
    imgsz=640,
    epochs=5,
    batch=4,
    device=0,
    workers=2,
)

目的不是获得最终模型，而是检查：

• 数据集是否正确
• 标签是否正确
• 模型是否能正常训练
• GPU 是否正常
• 类别是否正确
• 图片是否能够读取

如果 5 轮可以正常完成，再增加到 50、100、200，甚至 200~300 轮。

十、CPU调试

如果电脑没有 GPU，可以 device="cpu"：

model.train(
    data="datasets/blister/data.yaml",
    imgsz=640,
    epochs=5,
    batch=2,
    device="cpu",
    workers=2,
)

CPU 主要用于验证程序能不能跑通，正式训练还是建议使用 GPU。

十一、训练结果

训练完成后通常可以看到：

runs/
└── drug/
    └── yolo26n_blister/
        ├── weights/
        │   ├── best.pt
        │   └── last.pt
        │
        ├── results.csv
        ├── results.png
        ├── confusion_matrix.png
        └── ...

其中 best.pt 是后续推理最重要的模型。

十二、Python验证模型

创建 val.py：

from ultralytics import YOLO


def main():
    model = YOLO(
        "runs/drug/yolo26n_blister/weights/best.pt"
    )

    results = model.val(
        data="datasets/blister/data.yaml",
        imgsz=640,
        batch=16,
        device=0,
    )
    print(results)


if __name__ == "__main__":
    main()

运行：

python val.py

重点关注 Precision、Recall、mAP50、mAP50-95。但是工业检测不能只看 mAP，真正应该重点关注：缺粒有没有漏检。

十三、为什么工业检测不能只看mAP？

例如正常药粒 10000 个、缺粒 100 个，模型可能获得非常漂亮的整体 mAP。但是如果缺粒漏检 20 个，对于药品包装来说，仍然可能是无法接受的。

所以实际项目应该单独统计：

• 缺粒 Recall
• 破损 Recall
• 颜色异常 Recall

特别是缺陷漏检率。

十四、单张图片推理

创建 predict.py：

from ultralytics import YOLO


def main():
    model = YOLO(
        "runs/drug/yolo26n_blister/weights/best.pt"
    )

    results = model.predict(
        source="test.jpg",
        # 输入尺寸
        imgsz=640,
        # 置信度
        conf=0.25,
        # IoU
        iou=0.45,
        # GPU
        device=0,
        # 保存结果
        save=True,
        # 保存标签
        save_txt=True,
        # 显示结果
        show=True,
    )

    for result in results:
        print("检测结果：")
        for box in result.boxes:
            cls_id = int(box.cls[0])
            conf = float(box.conf[0])
            print(
                f"class={cls_id}, "
                f"confidence={conf:.3f}"
            )


if __name__ == "__main__":
    main()

运行：

python predict.py

十五、获取YOLO检测框

实际工业软件开发时，我们通常不只是需要画框，而是需要获得 X、Y、W、H、Class、Confidence。例如：

for result in results:
    boxes = result.boxes
    for box in boxes:
        cls_id = int(box.cls[0])
        conf = float(box.conf[0])
        x1, y1, x2, y2 = box.xyxy[0].tolist()
        print(
            cls_id,
            conf,
            x1,
            y1,
            x2,
            y2,
        )

这样就可以继续做：颗粒定位、模板匹配、颜色分析、完整度分析、PLC 控制。

十六、建立铝塑板颗粒位置模板

这是实际项目中非常重要的一步。假设一板药有 20 颗，可以建立：

P01
P02
P03
...
P20

例如：

○ ○ ○ ○ ○
○ ○ ○ ○ ○
○ ○ ○ ○ ○
○ ○ ○ ○ ○

YOLO 识别以后：

P01 → normal
P02 → normal
P03 → missing
P04 → normal
...

最终：P03 = 缺粒，整板 NG。

十七、颜色检测

YOLO 检测到药粒以后，取得对应 ROI：

x1, y1, x2, y2 = map(int, box.xyxy[0])
roi = image[y1:y2, x1:x2]

然后：

ROI
 ↓
RGB
 ↓
Lab
 ↓
颜色特征
 ↓
ΔE
 ↓
颜色是否异常

Python 可以使用 OpenCV：

import cv2

lab = cv2.cvtColor(
    roi,
    cv2.COLOR_BGR2LAB,
)

注意：OpenCV 读取图片默认是 BGR，而不是 RGB，所以程序中一定要注意通道顺序。

十八、为什么使用Lab？

RGB 更适合图像显示，Lab 更适合颜色差异评价。因此：

相机
 ↓
BGR
 ↓
Lab
 ↓
L*
a*
b*
 ↓
ΔE

可以建立正常药粒颜色标准，例如：

正常颜色中心：
L = 72
a = 8
b = 31

当前药粒：
L = 70
a = 11
b = 21

计算颜色距离，超过设定阈值即为 Color NG。

十九、完整检测逻辑

最终建议使用下面的判断流程：

彩色工业相机
   ↓
   图像
   ↓
  YOLOv26
   ↓
 ┌────────┴────────┐
 ↓                 ↓
药粒检测         异常检测
 ↓                 ↓
位置模板匹配     缺粒/破损
 ↓
获得ROI
 ↓
Lab颜色分析
 ↓
ΔE
 ↓
┌─────┴─────┐
↓           ↓
完整度OK   颜色异常
↓           ↓
└─────┬─────┘
      ↓
  颗粒级结果
      ↓
  整板OK / NG

二十、建议第一阶段先不要做颜色训练

这是实际调试时非常重要的一点。第一阶段只训练：

normal
missing
damaged

先解决：药粒有没有、位置对不对、是否破损。等模型稳定以后，再加入 Lab + ΔE 处理颜色。这样调试会简单很多。

二十一、推荐的开发顺序

整个项目不要一次性全部开发，建议按照以下阶段推进：

第一阶段：图片读取 → YOLOv26 训练 → 单张图片推理

第二阶段：药粒位置模板 → 缺粒判断 → 整板 OK/NG

第三阶段：ROI 提取 → Lab 颜色分析 → ΔE

第四阶段：工业相机实时采集 → YOLOv26 实时推理

第五阶段：PLC → 剔除机构

第六阶段：MES → 批次 → 产品 → 检测结果

二十二、最终工程架构

最终 Python 调试程序可以形成：

drug_yolo26/
│
├── datasets/
│   └── blister/
│
├── models/
│   └── best.pt
│
├── train.py
├── val.py
├── predict.py
│
├── vision/
│   ├── color.py
│   ├── completeness.py
│   └── template.py
│
└── camera/
    └── camera.py

其中：

• train.py：负责训练
• predict.py：负责 YOLO 推理
• color.py：负责颜色检测
• completeness.py：负责颗粒完整度
• template.py：负责铝塑板颗粒位置判断

最终可以进一步将 Python 算法迁移到 C#、Qt/C++、OpenVINO、Intel NPU、NVIDIA GPU 进行工业部署。

二十三、总结

本项目最终采用：500万像素彩色工业相机 + 穹顶漫射光 + YOLOv26。其中：

• 相机负责获得高质量彩色图像
• 穹顶漫射光负责降低铝塑板反光和光照不均
• YOLOv26 负责药粒定位、缺粒和破损检测
• 位置模板负责判断每一个规定位置是否存在药粒
• Lab + ΔE 负责药粒颜色检测

最终输出：颗粒数量、缺粒数量、破损数量、颜色异常数量、完整度、整板 OK/NG。