不会处理故障的运维不是好程序员，WX：li669216072 只帮忙协助博客所遇到的类似问题

摘要：针对4×4mm微小产品的盘装检测难题，采用YOLO系列模型进行训练测试时遇到识别率不足的问题，尝试了提升解析度（2000万像素CCD相机）、多尺寸训练（640-1920px）、增加标注数据（100张图/1000+标注点）和更换模型（YOLOv8到v11）均未解决。最终通过图像分割处理方案实现突破：将产品盘图像对半切分后分别识别再合并结果，配合1280px训练尺寸，使490个目标的识别准确率达到100%。测试发现模糊图像的特征简化反而提升识别效果，3060显卡下识别耗时约3秒。该方案通过L型定位规避分割

训练过程截图，我这里是使用CPU训练，i7 11700型号的， 8核心CPU测试下来5秒一张图，只要识别指定目标的，我放了18张图，共计包含150个标注信息，训练出来的结果已经很好了。训练好的模型放在my_train\自己定义的输出名称\weights中，bast.pt代表最佳模型，last.pt代表最后训练的模型。val文件夹中，需要放置几个错误的产品，放图片和txt文件，txt设置为空就行，图片名称和txt文件名要保持一致，用于验证的。*这两个是一一对应的，也就是说图片名称和标注名称是一致的。

一个可行的方案：先识别产品区域，再进一步无损裁剪二维码可能性的区域，裁剪的二维码识别精度低，还需要进一步放大后识别，之前使用了ZXing、Pyzbar 、cv2等最基础的识别库，识别能力一般般。3、I7 9700系列处理器，主要是加快识别速度，感觉还行，差距不大,识别瞬间会调用所有核心，几乎一秒钟后就搞定了。最后翻了好多资料，最终识别二维码采用的是微信开源的算法模型，能识别模糊的、倾斜角度的，识别能力是很靠谱。需求：产品中有二维码，但是二维码很小，需要进行整盘识别二维码并记录，难度大，精度低。