基于YOLO11的半导体晶圆缺陷检测系统（Python源码+数据集+Pyside6界面）

原创

AI小怪兽

发布于 2025-03-11 09:13:27

9643

文章被收录于专栏：毕业设计毕业设计 YOLO大作战

💡💡💡本文摘要：基于YOLO11的半导体晶圆缺陷检测，阐述了整个数据制作和训练可视化过程

博主简介

AI小怪兽，YOLO骨灰级玩家，1）YOLOv5、v7、v8、v9、v10、11优化创新，轻松涨点和模型轻量化；2）目标检测、语义分割、OCR、分类等技术孵化，赋能智能制造，工业项目落地经验丰富；

添加图片注释，不超过 140 字（可选）

1.YOLO11介绍

Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

结构图如下：

添加图片注释，不超过 140 字（可选）

1.1 C3k2

C3k2，结构图如下

添加图片注释，不超过 140 字（可选）

C3k2，继承自类C2f，其中通过c3k设置False或者Ture来决定选择使用C3k还是Bottleneck

添加图片注释，不超过 140 字（可选）

实现代码ultralytics/nn/modules/block.py

1.2 C2PSA介绍

借鉴V10 PSA结构，实现了C2PSA和C2fPSA，最终选择了基于C2的C2PSA（可能涨点更好？）

添加图片注释，不超过 140 字（可选）

实现代码ultralytics/nn/modules/block.py

1.3 11 Detect介绍

分类检测头引入了DWConv（更加轻量级，为后续二次创新提供了改进点），结构图如下（和V8的区别）：

实现代码ultralytics/nn/modules/head.py

2.半导体晶圆缺陷检测系统

随着半导体行业的迅猛发展，晶圆制造过程中的缺陷检测和分割技术愈发重要。晶圆作为半导体器件的基础，其表面缺陷的存在直接影响到后续的电路设计和产品性能。因此，开发高效、准确的缺陷检测系统成为提升晶圆制造质量的关键环节。近年来，深度学习技术的快速进步为图像处理和缺陷检测提供了新的解决方案，尤其是基于卷积神经网络（CNN）的目标检测和分割模型，如YOLO（You Only Look Once）系列，因其高效性和实时性而受到广泛关注。

2.1 晶圆缺陷数据集介绍

数据集大小6228张

6个类别：

  0: scratch
  1: edge_bite
  2: stains_enbedded
  3: gray_line
  4: open
  5: Short_circuit

细节图：

标签可视化分析

2.2 配置wafer.yaml

ps:建议填写绝对路径

path: D:/yolo11/data/Wafer  # dataset root dir
train: train.txt  # train images (relative to 'path') 118287 images
val: val.txt  # val images (relative to 'path') 5000 images

nc: 6

# Classes
names:
  0: scratch
  1: edge_bite
  2: stains_enbedded
  3: gray_line
  4: open
  5: Short_circuit

# Download script/URL (optional)
#download: https://ultralytics.com/assets/crack-seg.zip

2.3 如何训练

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('ultralytics/cfg/models/11/yolo11.yaml')
    model.train(data='data/wafer.yaml',
                cache=False,
                imgsz=640,
                epochs=200,
                batch=8,
                close_mosaic=10,
                device='0',
                optimizer='SGD', # using SGD
                project='runs/train',
                name='exp',
                )

2.4 训练结果可视化结果

YOLO11 summary (fused): 283 layers, 2,618,426 parameters, 0 gradients, 7.1 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 53/53 [00:53<00:00,  1.01s/it]
                   all       1668       3230      0.903      0.865      0.888      0.551
               scratch        510        829      0.875      0.883      0.919      0.667
             edge_bite        243        335      0.879      0.833      0.824      0.465
       stains_enbedded        743        948      0.894      0.879      0.908      0.482
             gray_line        175        329      0.887      0.821      0.826      0.524
                  open        247        330      0.943      0.867      0.916      0.527
         Short_circuit        410        459       0.94      0.911      0.936      0.641

预测结果：

3. 半导体晶圆缺陷检测系统设计

3.1 PySide6介绍

受益于人工智能的崛起，Python语言几乎以压倒性优势在众多编程语言中异军突起，成为AI时代的首选语言。在很多情况下，我们想要以图形化方式将我们的人工智能算法打包提供给用户使用，这时候选择以python为主的GUI框架就非常合适了。

PySide是Qt公司的产品，PyQt是第三方公司的产品，二者用法基本相同，不过在使用协议上却有很大差别。PySide可以在LGPL协议下使用，PyQt则在GPL协议下使用。

PySide目前常见的有两个版本：PySide2和PySide6。PySide2由C++版的Qt5开发而来.，而PySide6对应的则是C++版的Qt6。从PySide6开始，PySide的命名也会与Qt的大版本号保持一致，不会再出现类似PySide2对应Qt5这种容易混淆的情况。

3.2 安装PySide6

pip install --upgrade pip
pip install pyside6 -i https://mirror.baidu.com/pypi/simple

基于PySide6开发GUI程序包含下面三个基本步骤：

设计GUI，图形化拖拽或手撸；
响应UI的操作（如点击按钮、输入数据、服务器更新），使用信号与Slot连接界面和业务；
打包发布；

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

腾讯技术创作特训营S12#AI进化论