SAM微调工业缺陷分割：YOLO检测+精准分割的完整方案

一、痛点

PCB质检标注员手动勾勒缺陷边界8分钟/张。YOLO框不准，SAM对工业缺陷水土不服。

二、方案

LoRA微调SAM：只改2%参数，速度3倍，显存降到8GB。

YOLO粗定位+SAM精分割：全自动流程。

Dice+Focal损失：微小划痕召回率58%→87%。

三、成果

深圳PCB企业：AI凌晨跑3000张，人力5人→1人，年省28.8万。

指标微调前微调后
召回率68%92%
IoU0.730.89

四、部署

腾讯云Lighthouse一键部署，99元/年。

2026年，目标检测仍是CV落地最核心的技术：安防监控、自动驾驶、工业质检、无人机巡检、医疗影像……所有"让机器看懂物体位置和类别"的场景都离不开它。

行业价值：

  • 实时性决定生死：传统两阶段检测（Faster R-CNN）精度高但速度慢，单阶段检测（YOLO系列）把FPS从10+提升到100+，真正实现"边看边决策"。
  • YOLO核心地位：从2015年YOLOv1到2024年的YOLOv10，Ultralytics官方版本已成为工业标配——开源、易用、精度与速度完美平衡。
  • 零基础友好：只需Python + Ultralytics库，单卡3090就能训练70B参数量级模型。

核心知识点：YOLO = You Only Look Once，一次前向传播同时完成定位+分类，是单阶段检测的王者。

为方便大家学习 这里给大家整理了一份系统学习资料包 需要的同学 根据下图指示自取就可以

图片

# 深度学习
Logo
天工造物局

北京人形旗下天工造物具身智能开源社区，聚焦具身天工与慧思开物两大平台

更多推荐

graphify 视频音视频转写全流程解析：从 detect 结果到知识图谱文档的 Step 2.5

graphify 的核心能力是把任意语料（代码、文档、PDF、图片）转化为可查询的知识图谱，而视频与音频文件无法被直接阅读，必须先把它们转写成文本。本文围绕 `graphify` 运行手册中的转写参考文档 [transcribe.md](https://link.gitcode.com/i/d3285781588e0f1b84886dfdbc4fe7f6)，完整讲解 "Step 2.5 - Tra

avatar 天工造物局

ML-For-Beginners 终章：经典机器学习在金融、医疗、零售等八大行业中的真实落地场景

本篇技术指南基于开源课程仓库 ML-For-Beginners 的收尾课程《Postscript: Machine learning in the real world》（对应仓库目录 [9-Real-World/1-Applications](https://link.gitcode.com/i/6b23002df80861c20abf34d7db63ef41)）编写。该课此前 11 周的教学带

avatar 天工造物局

graphify 知识图谱查询实战：query / path / explain 与可审计的答案闭环

本指南以 graphify 的 Trae 版查询技能参考（[graphify/skills/trae/references/query.md](https://link.gitcode.com/i/72a7875d46ec6d3706d31791f3cdcbe0)）为主体，系统讲解如何针对**已构建好的知识图谱**执行三类查询：语义相关节点遍历（query）、两概念间最短路径（path）、单节点关

avatar 天工造物局