本文主要内容:详细介绍了瓶装酒瑕疵检测的整个过程，从创建数据集到训练模型再到预测结果全部可视化操作与分析。

文末有数据集获取方式，请先看检测效果

• 现状

在酒类生产领域，品质极为重要。瓶装酒的外观瑕疵，不仅影响消费者的购买决策，更关乎企业的品牌形象。在生产流程中，瓶装酒可能遭遇多种瑕疵，如瓶身的细微划痕、难以察觉的气泡、以及潜在的污点。传统的检测手段，依赖人工肉眼检查，不仅效率不高，且难以避免漏检，这已无法适应现代化生产线的高标准需求。Coovally利用先进的机器视觉技术和成熟的解决方案，运用YOLO算法进行模型训练，帮助厂商从生产线上快速识别瓶身瑕疵并进行标记与剔除。

• 数据集来源

公开数据集。此数据集中共包括2668张照片。

• 操作步骤与结果分析

1. 创建数据集：点击创建数据集，填入基本信息，上传图片数据压缩包和标签文件；

2. 模型训练：选择任务类型、模型算法以及实验参数；

3. 任务训练结束后，可查看任务是否成功及训练成功的指标数；

数据详情中可以看到数据集的基本信息以及标签的基本信息；

预测结果页面还可以查看混淆矩阵图并下载；

4. 模型转换：Coovally平台支持云边端转换，可转换成转换成onnx、TensorRT格式；

5. 模型部署：模型部署完成后即可上传图片，进行预测；

图片1预测结果：

图片2预测结果：

6. 模型下载与分享：用户可根据自己的需求在Coovally平台进行下载和分享。