NeuralVision Pro

Overview

YOLO + SAM 驱动的工业质检系统

NeuralVision Pro 是一个面向工业质检场景的视觉检测系统，基于 YOLOv8 实现高速目标检测，结合 SAM（Segment Anything Model）实现像素级缺陷分割。系统支持多种工业场景的缺陷识别，包括表面划痕、异物混入、尺寸偏差等常见质检问题。

通过 YOLO 的快速检测与 SAM 的精准分割级联推理，系统在保证检测精度的同时实现了亚 20ms 的端到端推理延迟。项目采用 Python + PyTorch 技术栈，后端服务基于 Flask 构建，数据存储使用 MySQL，支持 Docker 容器化部署，已成功应用于多个实际质检场景的验证测试。

Tech Stack

技术架构

从模型训练到服务部署，端到端技术选型

Python

PyTorch

YOLOv8

SAM

OpenCV

Docker

Flask

MySQL

Key Features

核心能力

⚡

YOLO 高速检测

基于 YOLOv8 的实时目标检测，单帧推理延迟低至 15ms，满足产线实时检测需求

🎯

SAM 精准分割

利用 SAM 对检测区域进行像素级分割，精确标注缺陷边界，支持自动与 Prompt 两种分割模式

🏭

多场景适配

支持表面划痕、异物混入、尺寸偏差等多种工业质检场景，可通过配置文件快速切换检测策略

📦

容器化部署

完整 Docker 部署方案，支持单机与集群部署，一键启动推理服务，方便在不同产线环境快速落地

Performance

性能指标

15ms

Inference

95%

mAP

3+

Models

50K+

Images

Code Example

核心推理流程

YOLO 检测 + SAM 分割的级联推理管道

pipeline.py

from ultralytics import YOLO
from segment_anything import sam_model_registry, SamPredictor
import cv2
# Initialize YOLO detector and SAM predictor
yolo = YOLO("yolov8m.pt")
sam = sam_model_registry["vit_h"](checkpoint="sam_vit_h.pth")
predictor = SamPredictor(sam)
# Step 1: YOLO detection
image = cv2.imread("defect_sample.jpg")
results = yolo.predict(image, conf=0.7)
boxes = results[0].boxes.xyxy.cpu().numpy()
# Step 2: SAM segmentation on detected regions
predictor.set_image(image)
masks, _, _ = predictor.predict(
    box=boxes[0],  # use first detection as prompt
    multimask_output=True
)
print(f"Detected {len(boxes)} defects, mask shape: {masks.shape}")