项目 / AI Vision · YOLO · SAM
NeuralVision Pro
基于 YOLO 与 SAM 的实时目标检测与分割系统，面向工业质检场景，支持多类缺陷的自动识别与像素级分割，为产线自动化质检提供高效视觉解决方案。
- 独立开发者
- 4 months
- 3 人
- No. 12
01
YOLO + SAM 驱动的工业质检系统
Overview
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。
PythonPyTorchYOLOv8SAMOpenCVDockerFlaskMySQL
02
技术架构
Tech Stack
从模型训练到服务部署，端到端技术选型
03
核心能力
Key Features
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
04
性能指标
Performance
- 15ms
- 95%
- 3+
- 50K+
05
核心推理流程
Code Example
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}")