人工智能机器学习深度学习比赛

发布日期: 2026-10-08

更新日期: 2026-10-09

文章字数: 6k

阅读时长: 27 分

阅读次数:

人工智能比赛

一、竞赛相关知识与能力要求

1.1 岗位与业务场景知识

5 个核心岗位能力：人工智能数据采集与治理岗、数据标注与质量检验岗、计算机视觉模型训练与评测岗、人工智能模型部署与应用验证岗、智能巡检应用与报告核验岗。

赛项 10 大巡检识别任务库

工业场景	识别任务	识别状态
生产车间	设备指示灯状态	正常灯、故障灯
生产车间	压力表状态	0 状态、80 状态
生产车间	挡位指示开关	挡位 1、挡位 3
生产车间	人员安全帽状态	佩戴安全帽、未佩戴安全帽
动力用房	变压器火情	正常变压器、着火变压器
动力用房	配电箱电闸状态	电闸开启、电闸关闭
仓储用房	安全出口门堵塞	通道堵塞、通道通畅
仓储用房	安全出口标志状态	标志点亮、标志未点亮
废料间	废料桶状态	废料桶未满、废料桶已满
废料间	消防器材存在	识别消防器材，并结合预期位置判断器材存在、器材缺失

注意：比赛不公开场景组合、物料摆放位置，重在理解业务逻辑，不记忆固定图片。

1.2 模块 A 数据集制作（30%）理论

视频抽帧原理；图像质量判别：模糊、过曝、遮挡、重复帧、损坏、无关图像识别标准
目标检测矩形框（bounding box）标注规范；遮挡、截断目标标注处理规则；标注一致性、质量校验方法
数据集划分原则（训练集 / 验证集 / 测试集）、划分比例；类别统计、类别不平衡问题及解决手段（数据增强、重采样）
数据清洗流程、重复数据去重；数据来源记录、归档；数据安全、可追溯；数据集可训练性验证。

1.3 模块 B YOLO 模型训练评测（40%，核心重点）理论

YOLO 系列模型基础结构，单阶段目标检测原理，不同模型规格选型依据
训练参数含义：学习率、batch‑size、epoch 训练轮次、损失函数、优化器、早停 early‑stopping
过拟合、欠拟合现象、产生原因、识别方法；正则化、数据增强等应对策略
评价指标：IoU 交并比、Precision 精确率、Recall 召回率、mAP50、mAP50‑95、宏平均 F1 分数含义与解读
训练日志、结果图表解读；误检、漏检、类别性能差异分析；模型迭代优化思路。

1.4 模块 C 模型部署与智能巡检（20%）理论

模型格式转换原理、推理引擎概念；模型加载、图像预处理、输出后处理流程
运行可调参数：置信度阈值、NMS 非极大抑制阈值、输入图像尺寸、推理帧率调整原则
模型哈希校验、部署日志、参数快照规范
巡检点位、报警触发机制；自动巡检报告包含内容：点位信息、检测结果、报警信息、证据图片、运行时限
四足机器人操作：上电、下电、急停装置使用；巡检流程调用；碰撞、失控异常处置。

1.5 模块 D 安全规范与职业素养（10%，贯穿全程）理论

设备安全：机器人运动隔离，严禁闯入运动路径；风险场景急停操作流程
信息安全：禁止拷贝导出赛题、数据、模型成果；禁止外网、外接存储介质
竞赛纪律：成果封存规则；禁止篡改日志、证据文件；故障报告流程
熟记扣分项与取消成绩情形，训练阶段规避风险。

二、教材、视频教程资源

适配 4 个竞赛模块：A 数据集制作、B‑YOLO 模型训练评测、C‑模型部署与四足机器人巡检、D‑安全职业素养。区分纸质教材、免费视频 (B 站 / 官方平台)、官方文档，标注对应学习模块，优先高职难度、实战导向，避开复杂论文与高深算法推导。

2.1 纸质教材（按模块匹配）

📘模块 A：数据集制作（数据采集、清洗、标注、数据集构建）

教材名称	主编	出版社	适配模块	核心匹配内容
《人工智能数据服务（微课版）》	王珊珊，梁同乐	人民邮电出版社人邮教育	模块 A	视频抽帧、图像清洗、目标检测标注规范、数据集质检、数据来源归档；配套微课，贴合人工智能训练师岗位，高职专用教材。
《数据标注工程（第 2 版）》	李彤、刘鹏	清华大学出版社清华大学出…	模块 A	标注流程、质量校验、数据安全、类别不平衡处理；讲解标注错误（错标、漏标、框偏移）排查方法。
《计算机视觉应用开发》（1+X 配套）	百度网讯科技	高等教育出版社高等教育出…	模块 A、C	图像预处理、视频标注、数据集划分、模型部署基础；智慧职教配套数字课程。

📘模块 B：YOLO 目标检测模型训练与评测（分值最高 40%）

教材名称	主编	出版社	适配模块	核心匹配内容
《计算机视觉：YOLO 目标检测原理与实践》	相关编写组	清华大学出版社清华大学出…	模块 B	YOLO 系列原理、训练参数、mAP50、召回率、混淆矩阵解读；过拟合 / 欠拟合识别；训练日志分析；适合高职学生，重工程实战。
《计算机视觉技术实战》	谢志强、张力文	西安电子科技大学出版社西安电子科…	模块 B、C	项目化教学，目标检测、模型评测、模型导出部署，大量实训案例，高职高专教材。

📘模块 C：模型部署、边缘推理、智能巡检

赛项是平台化部署，不要求大量手写代码，重点学习模型转换、推理参数（置信度、NMS）、部署日志、边缘部署概念
| 教材名称 | 适配模块 | 说明 |
|—|—|—|
|《计算机视觉应用开发》（1+X）| 模块 C | 模型格式转换、推理引擎、部署记录；理解边缘部署流程，无需底层 C++ 开发高等教育出…。|

📘模块 D：安全规范、职业素养、法规标准

教材名称	适配模块	内容
《人工智能训练师基础》	模块 D	人工智能训练师国家职业标准；数据安全法、个人信息保护；设备安全、信息保密要求。

提示：赛项使用大赛封闭软件，不需要完全精通 Python 底层代码，重点掌握软件界面操作、指标解读、流程、成果归档。

2.2 免费视频教程资源（B 站、国家智慧教育平台，优先免费）

🔹模块 A｜数据集制作：抽帧、清洗、标注、数据集划分

B 站：YOLO数据集制作全流程：视频抽帧‑清洗‑标注‑划分数据集
- 学习点：视频抽帧间隔选择；无效样本剔除；矩形框标注；遮挡 / 截断物体标注；训练集验证集划分；样本不均衡处理。
国家高等教育智慧教育平台：计算机视觉应用开发课程国家高等教…
- 单元：视觉数据获取、预处理、数据标注。
Ultralytics 官方免费课程《Building High‑Performance YOLO Datasets》（英文，有字幕）Ultralytic…
- 重点：数据集质量检查、标注 QC、数据集划分原则、类别不均衡，和赛项要求高度对齐。

实操重点：重点学习矩形框标注质量自查：错标、漏标、框偏移；数据清洗记录留存。

🔹模块 B｜YOLO 模型训练、调参、评测分析（赛项核心 40%）

B 站【YOLOv8 从零开始，自定义数据集训练 + 指标解读】BV1RXL16tEid
- 学习内容：模型选型；学习率、batch‑size、epoch、早停设置；loss 曲线识别过拟合欠拟合；mAP50、Recall、Precision 指标解读；混淆矩阵分析误检漏检。
B 站：YOLO训练结果分析｜看懂mAP、召回率、混淆矩阵
- 必学：区分 “数据集问题” 还是 “参数问题” 导致模型效果差，学会写模型分析记录。
Ultralytics Academy《Train your first YOLO model》官方教程Ultralytic…
- 学习：模型导出，训练配置保存；理解不同模型大小速度精度取舍。

⚠️赛项注意：比赛是平台软件训练，不是命令行，但原理、参数含义、指标完全一致。

🔹模块 C｜模型部署、推理参数、巡检相关

B 站：YOLO模型导出部署、置信度与NMS阈值讲解
- 学习：模型格式转换；置信度阈值高低对误检漏检的影响；NMS 非极大抑制；部署参数快照概念。
国家智慧教育平台：机器视觉与边缘计算单元，学习推理引擎概念、模型部署流程国家高等教…。

四足机器人部分：赛项机器人运动、巡检流程全部预置，不用编写机器人控制代码，视频不需要学习 ROS、机器人底层开发。只需要学习：急停操作；风险识别；巡检报告核验，读懂自动生成证据、报警记录。

🔹模块 D｜安全规范、职业素养

国家职业教育平台：人工智能训练师职业素养培训短视频，学习数据保密、故障上报流程。
反复学习赛项规程原文的安全、扣分项章节，是最重要学习材料。

2.3 官方文档参考（免费在线文档）

Ultralytics YOLO 官方文档（中文）
- 重点阅读：自定义数据集训练、评估指标、模型导出部署部分，理解参数含义，不要啃源码。
《人工智能训练师国家职业标准》（人社部公开文档），赛项全部岗位能力来源。
本赛项规程 PDF（最重要学习资料，一切训练以规程为准）。

2.4 付费课程（选学，不强制，适合想快速进阶）

OpenCV 学堂 YOLOv8 从训练到部署全流程课程
- 优点：完整覆盖数据集‑训练‑调参‑部署全链路；适合提升工程理解。
- 不建议：花大量时间学习 C++ 推理、底层源码，赛项平台软件不要求手写底层代码。

三、软件安装

3.1 硬件参数

CPU：Intel i5‑12 代 / AMD Ryzen5 5600
GPU：显存≥16GB（训练模型，必须 16G 及以上显存，显存太小无法完成训练）
内存：16GB
系统盘：1TB 以上
操作系统：Windows11 专业版 64 位

训练设备

3.2 赛场预装软件（全部封闭一体化平台）

大赛专用视觉训练软件（核心）

集成全部竞赛模块功能：视频抽帧、图像清洗、目标检测标注、数据集划分、YOLO 模型训练、模型导出、模型部署、测试验证。

⚠️该软件不对外公开下载，选手本地无法获取，本地训练只能用开源工具模拟对应功能。

四足机器人配套巡检部署环境（赛场局域网，模型部署到机器人推理环境）
系统配套驱动：显卡驱动、四足机器人传感器驱动、急停控制组件
系统安全设置：USB 接口屏蔽，无外网访问，隔离局域网。

总结：赛场软件拿不到，本地训练用开源工具模拟 A/B/C 模块全部业务流程。

3.3 选手本地训练：硬件最低 & 推荐配置

配置项	最低配置（勉强跑通）	推荐配置（贴近赛场，训练速度快）
操作系统	Windows11 64 位专业版	Windows11 64 位专业版
CPU	i5‑10 代 / R5‑3600	i5‑12 代 / R5 5600 及以上
GPU 显存	≥8GB（会慢，不推荐）	≥16GB（硬性推荐，和赛场一致，RTX3060 16G、RTX4060 16G、A2000）
内存	16GB	16GB‑32GB
硬盘	500G SSD	1TB NVMe SSD

⚠️显存小于 16G：训练大模型容易 OOM 显存溢出，模拟赛训练速度极慢，容易模拟不出比赛真实情况。

没有 N 卡 GPU：只能 CPU 训练，速度极慢，仅适合学习标注，不适合完整模拟 B 模块模型训练。

3.4 本地训练需要安装软件（开源工具，模拟比赛全部 4 个模块）

分工：

模块 A 数据集制作：视频抽帧、清洗、标注、数据集划分

模块 B 模型训练评测：YOLO 训练、指标查看、日志图表输出

模块 C 模拟部署：模型格式转换，调整置信度 / NMS 阈值推理测试

模块 D 安全：不需要软件，训练习惯

1）基础运行环境

NVIDIA 显卡驱动

必须安装官方 Game‑Ready / Studio 驱动，保证 CUDA 可用，GPU 加速训练。
CUDA + cuDNN

版本匹配：Ultralytics YOLO 推荐 CUDA11.8 或者 CUDA12.1。

注意：Windows 下安装 PyTorch 会自带 CUDA runtime，也可以不手动装完整 CUDA 工具包。

安装 PyTorch 命令（清华源，避免国外源超时）

py -3.10 -m pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

py -3.10 -m pip install torch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 -f https://mirrors.tuna.tsinghua.edu.cn/pytorch-wheels/cu118/

C:\Users\Admin>py -3.10 --version
Python 3.10.11

C:\Users\Admin>py -3.10 -m pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
Writing to C:\Users\Admin\AppData\Roaming\pip\pip.ini

C:\Users\Admin>py -3.10 -m pip install torch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 -f https://mirrors.tuna.tsinghua.edu.cn/pytorch-wheels/cu118/
Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
Looking in links: https://mirrors.tuna.tsinghua.edu.cn/pytorch-wheels/cu118/
Collecting torch==2.4.0
  Downloading https://pypi.tuna.tsinghua.edu.cn/packages/19/8e/24221589eb2dc066b14e29800d2e801c446f697c2d2240a9a61c6c0c5101/torch-2.4.0-cp310-cp310-win_amd64.whl (197.9 MB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 197.9/197.9 MB 632.5 kB/s eta 0:00:00
Collecting torchvision==0.19.0
  Downloading https://pypi.tuna.tsinghua.edu.cn/packages/e8/a3/4c868202fa23f69f9a58bb29ecbae5f9912c5d79fa5e78db5d3de7e6434f/torchvision-0.19.0-1-cp310-cp310-win_amd64.whl (1.3 MB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 1.3/1.3 MB 580.2 kB/s eta 0:00:00
Collecting torchaudio==2.4.0
  Downloading https://pypi.tuna.tsinghua.edu.cn/packages/9c/5f/fe6e84fece5e54d215a4575061bf88ad1af21c4875f0d3297b8926a2cba4/torchaudio-2.4.0-cp310-cp310-win_amd64.whl (2.4 MB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 2.4/2.4 MB 837.0 kB/s eta 0:00:00
Collecting fsspec
  Downloading https://pypi.tuna.tsinghua.edu.cn/packages/6c/c0/a98505f18594f1bce828bb159cec0fcf9860562f1a2c85913409fc8f3d9e/fsspec-2026.9.0-py3-none-any.whl (221 kB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 221.7/221.7 kB 677.9 kB/s eta 0:00:00
Collecting typing-extensions>=4.8.0
  Downloading https://pypi.tuna.tsinghua.edu.cn/packages/49/d3/b8441a820a491ddfc024b0b0cf0393375b75ea13866d9c66727e54c2fc80/typing_extensions-4.16.0-py3-none-any.whl (45 kB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 45.6/45.6 kB 768.1 kB/s eta 0:00:00
Collecting sympy
  Downloading https://pypi.tuna.tsinghua.edu.cn/packages/a2/09/77d55d46fd61b4a135c444fc97158ef34a095e5681d0a6c10b75bf356191/sympy-1.14.0-py3-none-any.whl (6.3 MB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 6.3/6.3 MB 869.3 kB/s eta 0:00:00
Collecting networkx
  Downloading https://pypi.tuna.tsinghua.edu.cn/packages/b9/54/dd730b32ea14ea797530a4479b2ed46a6fb250f682a9cfb997e968bf0261/networkx-3.4.2-py3-none-any.whl (1.7 MB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 1.7/1.7 MB 891.3 kB/s eta 0:00:00
Collecting filelock
  Downloading https://pypi.tuna.tsinghua.edu.cn/packages/da/a1/b047e1c486a2c66283633b7dbb73872ca16ca1ce6a426f70d4d037fc8e1c/filelock-4.0.12-py3-none-any.whl (111 kB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 111.7/111.7 kB 1.1 MB/s eta 0:00:00
Collecting jinja2
  Downloading https://pypi.tuna.tsinghua.edu.cn/packages/62/a1/3d680cbfd5f4b8f15abc1d571870c5fc3e594bb582bc3b64ea099db13e56/jinja2-3.1.6-py3-none-any.whl (134 kB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 134.9/134.9 kB 794.0 kB/s eta 0:00:00
Collecting pillow!=8.3.*,>=5.3.0
  Downloading https://pypi.tuna.tsinghua.edu.cn/packages/48/7c/8fa0039574c476d7c6fa57dd7c32a130436877c6ec1e5ce1cc8ec44878c1/pillow-12.3.0-cp310-cp310-win_amd64.whl (7.2 MB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 7.2/7.2 MB 755.9 kB/s eta 0:00:00
Collecting numpy<2
  Downloading https://pypi.tuna.tsinghua.edu.cn/packages/19/77/538f202862b9183f54108557bfda67e17603fc560c384559e769321c9d92/numpy-1.26.4-cp310-cp310-win_amd64.whl (15.8 MB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 15.8/15.8 MB 920.6 kB/s eta 0:00:00
Collecting MarkupSafe>=2.0
  Downloading https://pypi.tuna.tsinghua.edu.cn/packages/50/50/394a1c61c9b9972cb4f76875c332af7109bd39bdad09d3a0ec5327a339dc/markupsafe-3.0.4-cp310-cp310-win_amd64.whl (14 kB)
Collecting mpmath<1.4,>=1.1.0
  Downloading https://pypi.tuna.tsinghua.edu.cn/packages/43/e3/7d92a15f894aa0c9c4b49b8ee9ac9850d6e63b03c9c32c0367a13ae62209/mpmath-1.3.0-py3-none-any.whl (536 kB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 536.2/536.2 kB 961.5 kB/s eta 0:00:00
Installing collected packages: mpmath, typing-extensions, sympy, pillow, numpy, networkx, MarkupSafe, fsspec, filelock, jinja2, torch, torchvision, torchaudio
Successfully installed MarkupSafe-3.0.4 filelock-4.0.12 fsspec-2026.9.0 jinja2-3.1.6 mpmath-1.3.0 networkx-3.4.2 numpy-1.26.4 pillow-12.3.0 sympy-1.14.0 torch-2.4.0 torchaudio-2.4.0 torchvision-0.19.0 typing-extensions-4.16.0

[notice] A new release of pip is available: 23.0.1 -> 26.2.1
[notice] To update, run: C:\Users\Admin\AppData\Local\Programs\Python\Python310\python.exe -m pip install --upgrade pip

上面安装的是CPU版的，由于资源外网的原因，镜像命令行安装报错，使用手动安装GPU版。

浏览器打开：

https://mirror.sjtu.edu.cn/pytorch-wheels/cu118/

找到 3 个文件（cp310-win_amd64）

torch‑2.4.0+cu118‑cp310‑cp310‑win_amd64.whl
torchvision‑0.19.0+cu118‑cp310‑cp310‑win_amd64.whl
torchaudio‑2.4.0+cu118‑cp310‑cp310‑win_amd64.whl

下载到本地文件夹，比如D:\whl，CMD 进入目录执行本地离线安装：

D:
cd D:\whl
py -3.10 -m pip install torch‑2.4.0+cu118‑cp310‑cp310‑win_amd64.whl torchvision‑0.19.0+cu118‑cp310‑cp310‑win_amd64.whl torchaudio‑2.4.0+cu118‑cp310‑cp310‑win_amd64.whl

(base) PS C:\Users\Admin\Desktop\人工智能\torch_whl> py -3.10 -m pip install torch-2.4.0+cu118-cp310-cp310-win_amd64.whl

Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
Processing c:\users\admin\desktop\人工智能\torch_whl\torch-2.4.0+cu118-cp310-cp310-win_amd64.whl
Requirement already satisfied: networkx in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torch==2.4.0+cu118) (3.4.2)
Requirement already satisfied: filelock in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torch==2.4.0+cu118) (4.0.12)
Requirement already satisfied: sympy in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torch==2.4.0+cu118) (1.14.0)
Requirement already satisfied: jinja2 in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torch==2.4.0+cu118) (3.1.6)
Requirement already satisfied: typing-extensions>=4.8.0 in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torch==2.4.0+cu118) (4.16.0)
Requirement already satisfied: fsspec in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torch==2.4.0+cu118) (2026.9.0)
Requirement already satisfied: MarkupSafe>=2.0 in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from jinja2->torch==2.4.0+cu118) (3.0.4)
Requirement already satisfied: mpmath<1.4,>=1.1.0 in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from sympy->torch==2.4.0+cu118) (1.3.0)
Installing collected packages: torch
Successfully installed torch-2.4.0+cu118

[notice] A new release of pip is available: 23.0.1 -> 26.2.1
[notice] To update, run: C:\Users\Admin\AppData\Local\Programs\Python\Python310\python.exe -m pip install --upgrade pip
(base) PS C:\Users\Admin\Desktop\人工智能\torch_whl> py -3.10 -m pip install torchvision-0.19.0+cu118-cp310-cp310-win_amd64.whl
Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
Processing c:\users\admin\desktop\人工智能\torch_whl\torchvision-0.19.0+cu118-cp310-cp310-win_amd64.whl
Requirement already satisfied: torch==2.4.0+cu118 in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torchvision==0.19.0+cu118) (2.4.0+cu118)
Requirement already satisfied: pillow!=8.3.*,>=5.3.0 in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torchvision==0.19.0+cu118) (12.3.0)
Requirement already satisfied: numpy in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torchvision==0.19.0+cu118) (1.26.4)
Requirement already satisfied: jinja2 in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torch==2.4.0+cu118->torchvision==0.19.0+cu118) (3.1.6)
Requirement already satisfied: sympy in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torch==2.4.0+cu118->torchvision==0.19.0+cu118) (1.14.0)
Requirement already satisfied: networkx in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torch==2.4.0+cu118->torchvision==0.19.0+cu118) (3.4.2)
Requirement already satisfied: fsspec in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torch==2.4.0+cu118->torchvision==0.19.0+cu118) (2026.9.0)
Requirement already satisfied: filelock in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torch==2.4.0+cu118->torchvision==0.19.0+cu118) (4.0.12)
Requirement already satisfied: typing-extensions>=4.8.0 in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torch==2.4.0+cu118->torchvision==0.19.0+cu118) (4.16.0)
Requirement already satisfied: MarkupSafe>=2.0 in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from jinja2->torch==2.4.0+cu118->torchvision==0.19.0+cu118) (3.0.4)
Requirement already satisfied: mpmath<1.4,>=1.1.0 in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from sympy->torch==2.4.0+cu118->torchvision==0.19.0+cu118) (1.3.0)
Installing collected packages: torchvision
Successfully installed torchvision-0.19.0+cu118

[notice] A new release of pip is available: 23.0.1 -> 26.2.1
[notice] To update, run: C:\Users\Admin\AppData\Local\Programs\Python\Python310\python.exe -m pip install --upgrade pip
(base) PS C:\Users\Admin\Desktop\人工智能\torch_whl> py -3.10 -m pip install torchaudio-2.4.0+cu118-cp310-cp310-win_amd64.whl
Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
Processing c:\users\admin\desktop\人工智能\torch_whl\torchaudio-2.4.0+cu118-cp310-cp310-win_amd64.whl
Requirement already satisfied: torch==2.4.0+cu118 in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torchaudio==2.4.0+cu118) (2.4.0+cu118)
Requirement already satisfied: filelock in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torch==2.4.0+cu118->torchaudio==2.4.0+cu118) (4.0.12)
Requirement already satisfied: typing-extensions>=4.8.0 in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torch==2.4.0+cu118->torchaudio==2.4.0+cu118) (4.16.0)
Requirement already satisfied: jinja2 in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torch==2.4.0+cu118->torchaudio==2.4.0+cu118) (3.1.6)
Requirement already satisfied: networkx in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torch==2.4.0+cu118->torchaudio==2.4.0+cu118) (3.4.2)
Requirement already satisfied: sympy in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torch==2.4.0+cu118->torchaudio==2.4.0+cu118) (1.14.0)
Requirement already satisfied: fsspec in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from torch==2.4.0+cu118->torchaudio==2.4.0+cu118) (2026.9.0)
Requirement already satisfied: MarkupSafe>=2.0 in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from jinja2->torch==2.4.0+cu118->torchaudio==2.4.0+cu118) (3.0.4)
Requirement already satisfied: mpmath<1.4,>=1.1.0 in c:\users\admin\appdata\local\programs\python\python310\lib\site-packages (from sympy->torch==2.4.0+cu118->torchaudio==2.4.0+cu118) (1.3.0)
Installing collected packages: torchaudio
Successfully installed torchaudio-2.4.0+cu118

[notice] A new release of pip is available: 23.0.1 -> 26.2.1
[notice] To update, run: C:\Users\Admin\AppData\Local\Programs\Python\Python310\python.exe -m pip install --upgrade pip
(base) PS C:\Users\Admin\Desktop\人工智能\torch_whl> py -3.10
Python 3.10.11 (tags/v3.10.11:7d4cc5a, Apr  5 2023, 00:38:17) [MSC v.1929 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
>>> print(torch.cuda.is_available())
True
>>> print(torch.cuda.get_device_name(0))
NVIDIA RTX A4000
>>>

安装完验证

py -3.10

import torch
print(torch.__version__)
print(torch.version.cuda)
print(torch.cuda.is_available())
print(torch.cuda.get_device_name(0))

验证 CUDA

py -3.10

import torch
print(torch.cuda.is_available())
print(torch.cuda.get_device_name(0))

输出True + NVIDIA RTX A4000，代表 GPU 正常。

Python 环境

Python 版本：Python 3.10（最稳定，强烈推荐，不要用 3.11/3.12 容易出现库版本冲突）
推荐安装方式：使用Anaconda3 / Miniconda3，管理虚拟环境，隔离包版本。

建议创建独立虚拟环境，专门用于 YOLO 训练，不和其他项目混用。

conda create -n yolo_compete python=3.10
conda activate yolo_compete

(base) PS C:\Users\Admin\Desktop\人工智能\torch_whl> conda config --remove-key channels
(base) PS C:\Users\Admin\Desktop\人工智能\torch_whl> conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
(base) PS C:\Users\Admin\Desktop\人工智能\torch_whl> conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
(base) PS C:\Users\Admin\Desktop\人工智能\torch_whl> conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
(base) PS C:\Users\Admin\Desktop\人工智能\torch_whl> conda config --set show_channel_urls yes
(base) PS C:\Users\Admin\Desktop\人工智能\torch_whl> conda create -n yolo_compete python=3.10
Channels:
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
 - conda-forge
Platform: win-64
Collecting package metadata (repodata.json): done
Solving environment: done


==> WARNING: A newer version of conda exists. <==
    current version: 25.9.1
    latest version: 26.9.1

Please update conda by running

    $ conda update -n base -c conda-forge conda



## Package Plan ##

  environment location: C:\Users\Admin\miniforge3\envs\yolo_compete

  added / updated specs:
    - python=3.10


The following packages will be downloaded:

    package                    |            build
    ---------------------------|-----------------
    bzip2-1.0.8                |      h0ad9c76_10          55 KB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/ce
    ca-certificates-2026.7.22  |       h4c7d964_0         129 KB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/ce
    libexpat-2.8.5             |       hac47afa_0          70 KB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/ce
    libffi-3.7.0               |       h3d046cb_1          49 KB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/ce
    liblzma-5.8.3              |       hfd05255_1         103 KB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/ce
    libsqlite-3.53.4           |     hf5d6505_103         1.3 MB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/ce
    libzlib-1.3.2              |       hfd05255_3          57 KB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/ce
    openssl-3.6.5              |       hf411b9b_0         9.0 MB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/ce
    packaging-26.3             |     pyhc364b38_0         114 KB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/ce
    pip-26.2.1                 |     pyh8b19718_0         1.1 MB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/ce
    python-3.10.22             |hc20f281_0_cpython        15.4 MB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/e
    setuptools-84.0.0          |     pyh332efcf_0         512 KB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/ce
    tk-8.6.13                  |       h967ab96_4         3.6 MB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/ce
    tzdata-2026c               |       h151e31d_0         116 KB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/ce
    ucrt-10.0.26100.0          |       h57928b3_0         678 KB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/ce
    vc-14.5                    |      ha367084_41          21 KB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/ce
    vc14_runtime-14.51.36247   |      habf1de7_41         750 KB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/ce
    vcomp14-14.51.36247        |      habf1de7_41         152 KB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/ce
    wheel-0.48.0               |     pyhd8ed1ab_0          34 KB  https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/ce
    ------------------------------------------------------------
                                           Total:        33.2 MB

The following NEW packages will be INSTALLED:

  bzip2              anaconda/cloud/conda-forge/win-64::bzip2-1.0.8-h0ad9c76_10
  ca-certificates    anaconda/cloud/conda-forge/noarch::ca-certificates-2026.7.22-h4c7d964_0
  libexpat           anaconda/cloud/conda-forge/win-64::libexpat-2.8.5-hac47afa_0
  libffi             anaconda/cloud/conda-forge/win-64::libffi-3.7.0-h3d046cb_1
  liblzma            anaconda/cloud/conda-forge/win-64::liblzma-5.8.3-hfd05255_1
  libsqlite          anaconda/cloud/conda-forge/win-64::libsqlite-3.53.4-hf5d6505_103
  libzlib            anaconda/cloud/conda-forge/win-64::libzlib-1.3.2-hfd05255_3
  openssl            anaconda/cloud/conda-forge/win-64::openssl-3.6.5-hf411b9b_0
  packaging          anaconda/cloud/conda-forge/noarch::packaging-26.3-pyhc364b38_0
  pip                anaconda/cloud/conda-forge/noarch::pip-26.2.1-pyh8b19718_0
  python             anaconda/cloud/conda-forge/win-64::python-3.10.22-hc20f281_0_cpython
  setuptools         anaconda/cloud/conda-forge/noarch::setuptools-84.0.0-pyh332efcf_0
  tk                 anaconda/cloud/conda-forge/win-64::tk-8.6.13-h967ab96_4
  tzdata             anaconda/cloud/conda-forge/noarch::tzdata-2026c-h151e31d_0
done
#
# To activate this environment, use
#
#     $ conda activate yolo_compete
#
# To deactivate an active environment, use
#
#     $ conda deactivate

(base) PS C:\Users\Admin\Desktop\人工智能\torch_whl> conda activate yolo_compete
(yolo_compete) PS C:\Users\Admin\Desktop\人工智能\torch_whl>

ultralytics 作用

Ultralytics 是 YOLO 系列官方封装库（YOLOv8/YOLOv9），比赛整套 YOLO 训练、验证、推理、导出模型都靠它。

核心功能（对应你的 AI 竞赛任务）

模型训练：读取数据集 yaml，加载 YOLO 模型，在 RTX A4000 上训练目标检测模型（你赛题的核心任务）
数据集校验：检查标注图片、标签文件是否存在错误、缺失
模型评估：自动计算 mAP、Precision、Recall（竞赛评测指标）
推理预测：测试集图片 / 视频跑检测，看预测效果
模型导出：导出 pt、onnx 等格式，用于赛后隐藏测试环节

(yolo_compete) PS C:\Users\Admin\Desktop\人工智能\torch_whl> pip install ultralytics==8.2.94 --no-deps
Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
Collecting ultralytics==8.2.94
  Downloading ultralytics-8.2.94-py3-none-any.whl (872 kB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 872.7/872.7 kB 269.6 kB/s  0:00:03
Installing collected packages: ultralytics
Successfully installed ultralytics-8.2.94
(yolo_compete) PS C:\Users\Admin\Desktop\人工智能\torch_whl> python
Python 3.10.22 | packaged by conda-forge | (main, Oct  6 2026, 22:57:13) [MSC v.1944 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch

A module that was compiled using NumPy 1.x cannot be run in
NumPy 2.2.6 as it may crash. To support both 1.x and 2.x
versions of NumPy, modules must be compiled with NumPy 2.0.
Some module may need to rebuild instead e.g. with 'pybind11>=2.12'.

If you are a user of the module, the easiest solution will be to
downgrade to 'numpy<2' or try to upgrade the affected module.
We expect that some modules will need time to support NumPy 2.

Traceback (most recent call last):  File "", line 1, in 
  File "C:\Users\Admin\miniforge3\envs\yolo_compete\lib\site-packages\torch\__init__.py", line 2120, in 
    from torch._higher_order_ops import cond
  File "C:\Users\Admin\miniforge3\envs\yolo_compete\lib\site-packages\torch\_higher_order_ops\__init__.py", line 1, in 
    from .cond import cond
  File "C:\Users\Admin\miniforge3\envs\yolo_compete\lib\site-packages\torch\_higher_order_ops\cond.py", line 5, in 
    import torch._subclasses.functional_tensor
  File "C:\Users\Admin\miniforge3\envs\yolo_compete\lib\site-packages\torch\_subclasses\functional_tensor.py", line 42, in 
    class FunctionalTensor(torch.Tensor):
  File "C:\Users\Admin\miniforge3\envs\yolo_compete\lib\site-packages\torch\_subclasses\functional_tensor.py", line 258, in FunctionalTensor
    cpu = _conversion_method_template(device=torch.device("cpu"))
C:\Users\Admin\miniforge3\envs\yolo_compete\lib\site-packages\torch\_subclasses\functional_tensor.py:258: UserWarning: Failed to initialize NumPy: _ARRAY_API not found (Triggered internally at C:\actions-runner\_work\pytorch\pytorch\builder\windows\pytorch\torch\csrc\utils\tensor_numpy.cpp:84.)
  cpu = _conversion_method_template(device=torch.device("cpu"))
>>> from ultralytics import YOLO
Traceback (most recent call last):
  File "", line 1, in 
  File "C:\Users\Admin\miniforge3\envs\yolo_compete\lib\site-packages\ultralytics\__init__.py", line 11, in 
    from ultralytics.data.explorer.explorer import Explorer
  File "C:\Users\Admin\miniforge3\envs\yolo_compete\lib\site-packages\ultralytics\data\__init__.py", line 3, in 
    from .base import BaseDataset
  File "C:\Users\Admin\miniforge3\envs\yolo_compete\lib\site-packages\ultralytics\data\base.py", line 17, in 
    from ultralytics.data.utils import FORMATS_HELP_MSG, HELP_URL, IMG_FORMATS
  File "C:\Users\Admin\miniforge3\envs\yolo_compete\lib\site-packages\ultralytics\data\utils.py", line 19, in 
    from ultralytics.nn.autobackend import check_class_names
  File "C:\Users\Admin\miniforge3\envs\yolo_compete\lib\site-packages\ultralytics\nn\__init__.py", line 3, in 
    from .tasks import (
  File "C:\Users\Admin\miniforge3\envs\yolo_compete\lib\site-packages\ultralytics\nn\tasks.py", line 12, in 
    from ultralytics.nn.modules import (
  File "C:\Users\Admin\miniforge3\envs\yolo_compete\lib\site-packages\ultralytics\nn\modules\__init__.py", line 20, in 
    from .block import (
  File "C:\Users\Admin\miniforge3\envs\yolo_compete\lib\site-packages\ultralytics\nn\modules\block.py", line 8, in 
    from ultralytics.utils.torch_utils import fuse_conv_and_bn
  File "C:\Users\Admin\miniforge3\envs\yolo_compete\lib\site-packages\ultralytics\utils\__init__.py", line 25, in 
    from tqdm import tqdm as tqdm_original
ModuleNotFoundError: No module named 'tqdm'
>>> print(torch.__version__)
2.4.0+cu118
>>> print(torch.cuda.is_available())
True
>>>

2）模块 A：数据集制作（模拟赛场软件功能）

赛场软件功能：视频抽帧、图像筛选清洗、矩形框标注 YOLO‑txt 格式、数据集划分。

本地替代软件：

软件名称	用途	说明
LabelStudio	目标检测标注（矩形框）	开源，支持视频导入抽帧、图像标注、导出 YOLO txt 标签格式；模拟赛项标注工作。
CVAT	标注平台	功能强大，适合批量抽帧标注；部署稍微复杂。
Roboflow（本地离线版优先）	数据集处理	图像清洗、去重、数据集划分、类别统计、样本增强，模拟数据集构建流程。
FFmpeg	视频抽帧	命令行工具，视频批量抽帧，模拟赛项视频抽帧任务。

简易推荐新手组合：FFmpeg(抽帧) + LabelStudio(标注) + Roboflow本地处理(清洗划分数据集)，完整复刻模块 A 全部业务。

FFmpeg（视频抽帧，必装，轻量）
安装步骤
官网下载：FFmpeg build（full 版本）https://www.gyan.dev/ffmpeg/builds/ffmpeg-release-full.7z
解压到 C:\ffmpeg
把 C:\ffmpeg\bin 添加到系统环境变量 PATH
新开 PowerShell 验证：

ffmpeg -version

出现版本号即成功。
竞赛抽帧命令备用

ffmpeg -i ./video/test.mp4 -vf fps=1 ./raw_frames/frame_%04d.jpg

安装 LabelStudio（yolo_compete 虚拟环境内）

直接复制执行：

pip install label-studio==1.12.0

锁定 1.12.0 稳定版，新版本容易出现导出 YOLO 标签 bug。

安装完成启动：

label-studio

浏览器自动打开 http://localhost:8080，本地离线使用。

LabelStudio 快速配置要点（比赛标准）

New Project → 命名：inspect_defect
Labeling template：Object Detection with Bounding Boxes
添加类别，例如：0: defect
导入抽帧得到的 raw_frames 图片
标注完成后：Export → YOLO，导出压缩包，内含images、labels、classes.txt

装好 LabelStudio 之后，我们就可以测试标注导出 YOLO 标签。

Roboflow（本地离线 SDK，数据集清洗 / 去重 / 划分）

pip install roboflow

✅ roboflow 本地功能：图片去重、数据集自动划分 train/val、样本增强、类别统计。

⚠️ 注意：离线使用不需要注册网页账号，只用本地处理 API 即可，避免联网。

CVAT（可选，标注工具，你已经有 LabelStudio，可备选）

CVAT 部署较重，需要 docker，Windows 下比 LabelStudio 麻烦很多。

👉 竞赛任务你已经跑通 LabelStudio，优先用 LabelStudio 做标注，CVAT 可以暂时不装，节省备赛时间。

当前整套环境清单：

Python3.10 + Miniforge 虚拟环境 yolo_compete

PyTorch2.4.0+cu118 GPU（RTX A4000）

Ultralytics YOLO、OpenCV、Numpy

LabelStudio 标注工具

Roboflow 数据集清洗工具

FFmpeg 视频抽帧工具

🎯 赛项任务顺序（直接照着做）

任务 1：视频抽帧（FFmpeg）

示例命令，修改路径即可用，每秒提取 1 帧巡检视频

ffmpeg -i "C:\素材\inspect_video.mp4" -vf fps=1 "C:\素材\frames\frame_%06d.jpg"

可选：fps=0.5，2 秒抽一帧，减少样本冗余；fps=2，每秒 2 帧，适合快速运动画面。

任务 2：Roboflow 离线脚本清洗数据集

新建clean_dataset.py，粘贴下面代码，修改文件夹路径，运行：

from roboflow.core.dataset import Dataset
import os

# 抽帧图片文件夹
frame_dir = r"C:\素材\frames"
# 清洗+划分后的数据集输出目录
out_dir = r"C:\素材\yolo_dataset"

ds = Dataset(frame_dir)
ds.remove_duplicates()          # 删除重复图片
ds.remove_low_quality(threshold=30) # 过滤模糊无效图片
# 划分训练集80%，验证集20%
ds.split_train_test(train_ratio=0.8, test_ratio=0.2, output_dir=out_dir)
print("数据集清洗、划分完成！")

运行：

python clean_dataset.py

任务 3：LabelStudio 标注

新建 Object Detection 项目，导入清洗后的图片
按竞赛要求定义标签类别
框选目标标注，完成后导出 YOLO TXT 标签格式
将导出 txt 标签，对应放到train/labels、val/labels

任务 4：YOLO 数据集 yaml 配置文件 inspect.yaml

# 数据集yaml
path: C:\素材\yolo_dataset
train: images/train
val: images/val

# 类别，按竞赛实际类别修改
names:
  0: normal
  1: defect

任务 5：YOLO 训练命令

yolo detect train data=inspect.yaml model=yolov8s.pt epochs=100 imgsz=640 device=0

device=0：使用 RTX A4000 显卡训练
epochs 根据比赛时间调整，50~100 都可以
训练结果自动保存在 runs/detect/train

任务 6：模型评估、导出、隐藏集测试

评估模型：

yolo detect val model=runs/detect/train/weights/best.pt

导出模型（竞赛提交常用 ONNX）：

yolo export model=runs/detect/train/weights/best.pt format=onnx

3）模块 B：YOLO 模型训练与评测（核心模块）

使用 Ultralytics YOLO（YOLOv8 / YOLOv11），和赛项底层 YOLO 原理、参数、评价指标完全一致。

先安装 PyTorch（GPU 版本）
安装 ultralytics 库

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install ultralytics

可以用 Jupyter Notebook 做训练、查看 loss 曲线、混淆矩阵、mAP50 指标、导出训练日志。

训练后产出：模型权重.pt、训练日志、结果图表，和比赛要求交付物一一对应。

本地训练要点：练习参数：epoch、batch、lr0学习率、patience早停、数据增强，看懂 mAP50、Recall、混淆矩阵，练习过拟合识别。

4）模块 C：模型部署、推理参数调试（模拟）

⚠️注意：四足机器人环境本地无法复现（是赛场专用硬件 + 专用部署程序），本地只能模拟模型转换、推理调参部分。

软件	作用
Ultralytics 自带导出工具	模型格式转换：pt → onnx，模拟赛场模型格式转换
OpenCV / Ultralytics 推理脚本	本地推理，调节置信度 conf、NMS‑iou 阈值，模拟部署参数快照；观察误检、漏检效果

本地做不到：四足机器人导航巡检、自动生成巡检报告、证据图片自动留存，这部分只能靠规程文档 + 训练时记忆流程。

5）辅助工具软件

图片查看工具：XnViewMP，批量查看图片，快速筛选坏图；
Notepad++：查看 txt 标签文件、训练日志，检查标签是否异常；
Draw.io：绘制工作流程图，整理训练笔记。

3.5 软件安装避坑清单（高频踩坑）

❌不要 Python 版本过高，优先使用Python3.10，高版本会出现包不兼容；
❌显存不足 16G 不要强行开大 batch size，会直接 OOM 崩溃；
✅一定要使用 GPU 版本 PyTorch；CPU 训练速度极慢，不能模拟真实比赛训练耗时；
❌LabelStudio 导出标签一定要确认是YOLO txt 格式，不要导出成其他格式；
✅使用 conda 虚拟环境，避免和电脑其他 Python 项目包冲突；
⚠️大赛的一体化 GUI 软件没有对外下载渠道，不要网上到处找，本地只能用开源工具模拟流程。

3.6 本地训练环境搭建步骤总流程

安装 Windows11 系统（如果本机是 Win10 也可以，尽量贴近赛场 Win11）
安装 NVIDIA 显卡驱动
安装 Miniconda3，创建 Python3.10 虚拟环境
安装 GPU 版 PyTorch + ultralytics YOLO 库
安装 FFmpeg、LabelStudio，完成模块 A 数据集制作工具部署
安装 Roboflow 本地工具，用于数据清洗、去重、划分数据集
练习：视频抽帧 →标注 →数据集划分 →YOLO 训练 →评测 →模型导出推理调参，完整复现 A‑B‑C 业务链路。

3.7 本地和正式比赛差异说明

项目	本地训练环境	正式赛场环境
操作界面	开源工具，部分命令行操作	一体化图形 GUI，全部鼠标点击，无代码
四足机器人巡检	无法模拟硬件，仅学习流程规则	真实硬件，自动导航，生成巡检报告
软件	开源工具自行配置	大赛定制封闭软件，统一预装
网络	可以联网下载包	完全隔离局域网，无外网

训练重点：学习业务流程、参数含义、指标解读、交付成果要求，不要纠结界面不一样，赛项考察的是工作流程和成果。

依据 2027 新疆自治区职业院校技能大赛人工智能赛项规程

正式竞赛现场：不需要选手手写、编写 Python / 其他代码，不需要写训练脚本、推理脚本。

3.8 赛场实际操作

赛场提供一体化图形界面 GUI 大赛专用视觉训练软件，全部通过鼠标点击、下拉选择、填写参数完成全部任务：

模块 A（数据集制作）：视频抽帧、清洗过滤、画矩形框标注、数据集划分 → 鼠标界面操作，无代码
模块 B（模型训练）：下拉选择 YOLO 模型规格，界面表单填写：学习率、batch‑size、epoch、早停等训练参数；点击按钮启动训练；软件自动输出 loss 图表、mAP50、混淆矩阵、训练日志、模型权重。

选手只需要选择 / 填写参数，不用手写一行训练代码。

模块 C（部署与巡检）：点击按钮做模型格式转换部署；界面修改置信度阈值、NMS 阈值；调用预置好的四足机器人巡检流程。机器人导航、巡检、拍照、生成巡检报告、证据图片全部是系统自动完成，不用写机器人控制代码。
模块 D 安全职业素养：制度规范操作，无代码。

比赛允许填写的只有：参数数值、分析记录文本（文字描述模型分析、问题原因，属于写字 / 打字写报告，不是程序代码）。

3.9 那本地训练学习为什么要用 YOLO (Python)？

大赛软件不对外发布，本地没有这个 GUI 平台；
所以本地我们用 Python+Ultralytics YOLO 做练习，用来理解参数含义、理解指标、理解训练逻辑。
本地练习可以写代码，但是比赛不考写代码，重点是懂原理，懂每个参数调大 / 调小带来什么影响，看得懂评测指标。

举例子：

本地训练你写代码设置 conf=0.25；

到赛场比赛，你只需要在图形界面输入框填入数字 0.25，不需要写代码。

3.10 哪些是比赛要做的文字书写（不是代码）

需要打字填写文本记录：

模块 A：数据来源记录、清洗记录（文字表格记录）
模块 B：模型分析记录，写清楚模型选型理由、参数设置理由、误检漏检问题分析、优化思路。
模块 C：部署记录、参数快照记录。

以上是业务文档、分析报告，不是程序代码。

3.11 比赛禁止行为

不允许选手导入自己写的脚本、外部 py 代码、外部训练权重、第三方模型。赛场是封闭局域网，禁止导入任何外部代码文件。

3.12 总结

场景	是否写代码	说明
正式赛场竞赛	❌不需要写任何程序代码	全部 GUI 鼠标操作；只填写参数数字、撰写文字分析报告
自己电脑本地练习学习	✅可以写 Python 代码	用来理解 YOLO 原理、参数调参，弥补没有大赛专用 GUI 软件的问题

核心考察点：人工智能训练师的业务流程思维，而不是编程开发能力。

重点记忆：各个参数含义；指标 mAP50、召回率；数据集制作流程；部署阈值对误检漏检影响；会做文字分析。

四、模块训练

模块训练

4.1 数据采集与数据集构建模块

本模块围绕人工智能训练过程中数据采集、数据治理和数据标注等典型工作任务设置竞赛内容。参赛选手根据给定的工业巡检任务要求，综合使用赛事提供的基础视频以及正常、异常场景采集素材，完成视频抽帧、重复及无效数据清理、目标检测标注和数据集划分等操作。
竞赛重点评价参赛选手对训练数据质量的识别和控制能力，以及按照统一标签规范开展目标检测数据标注的能力，同时考查选手在数据整理、质量检查、规范记录和数据集构建等方面的综合实践能力。本模块占总成绩的 30%。

4.2 人工智能模型训练与评测模块

本模块围绕人工智能模型训练、性能测试和结果分析等岗位技能设置竞赛任务。参赛选手根据已经完成的数据集，在赛事规定的模型及训练环境中选择适当的 YOLO 模型规格，完成训练参数设置、模型训练、验证测试及训练结果分析。
竞赛重点评价选手对目标检测模型训练流程的掌握程度，以及根据模型评测结果分析问题、调整训练策略和选择最终模型的能力，同时考查选手对模型评价指标、训练过程和模型性能差异的理解与应用能力。本模块占总成绩的40%。

4.3 模型部署与智能巡检应用模块

本模块围绕人工智能模型部署、应用验证和智能巡检等典型应用任务设置竞赛内容。参赛选手需要将完成训练的目标检测模型部署至赛事指定运行环境，在允许范围内完成模型参数配置和运行验证，并调用巡检流程，利用四足机器人完成工业园区指定场景的智能巡检任务。
正式巡检过程中，系统根据模型识别结果自动生成巡检记录和相关证据。参赛选手需要确保模型、运行参数和巡检任务正确关联，并完成对点位状态、检测结果、报警信息、运行过程和证据数据的核验。
竞赛重点评价选手将人工智能模型由训练环境转化为实际应用的能力，以及模型部署、现场验证、智能设备应用和巡检结果核验等综合职业能力。本模块占总成绩的 20%。

4.4 安全规范与职业素养模块

本模块贯穿竞赛全过程，重点考查参赛选手在人工智能训练、模型部署和机器人巡检过程中的规范操作、安全意识、信息安全和职业素养。
竞赛重点评价选手的安全操作意识、工作规范意识、成果真实性意识和现场异常处置能力。本模块为计分模块；违反安全操作要求、竞赛纪律、诚信和保密要求的行为，另按本规程扣分项及取消成绩规定处理。

rep-rebirth

https://zhangwenhao.icu/2026/10/08/ren-gong-zhi-neng-bi-sai/

本博客所有文章除特別声明外，均采用 CC BY 4.0 许可协议。转载请注明来源 rep-rebirth !

人工智能机器学习深度学习比赛

本篇

人工智能

竞赛设置数据构建、模型训评、部署巡检、职业素养四大模块，考核 AI 与机器人巡检综合实操能力。

2026-10-08 rep-rebirth

人工智能机器学习深度学习比赛

工业生产线 AI 监控系统

工业生产线 AI 监控系统（PLC+Modbus TCP+Neuron+Ollama 大模型）。

2026-04-29 rep-rebirth

PLC 工业生产线 AI 图形化界面

人工智能

人工智能比赛

一、 竞赛相关知识与能力要求

1.1 岗位与业务场景知识

1.2 模块 A 数据集制作（30%）理论

1.3 模块 B YOLO 模型训练评测（40%，核心重点）理论

1.4 模块 C 模型部署与智能巡检（20%）理论

1.5 模块 D 安全规范与职业素养（10%，贯穿全程）理论

二、教材、视频教程资源

2.1 纸质教材（按模块匹配）

📘模块 A：数据集制作（数据采集、清洗、标注、数据集构建）

📘模块 B：YOLO 目标检测模型训练与评测（分值最高 40%）

📘模块 C：模型部署、边缘推理、智能巡检

📘模块 D：安全规范、职业素养、法规标准

2.2 免费视频教程资源（B 站、国家智慧教育平台，优先免费）

🔹模块 A｜数据集制作：抽帧、清洗、标注、数据集划分

🔹模块 B｜YOLO 模型训练、调参、评测分析（赛项核心 40%）

🔹模块 C｜模型部署、推理参数、巡检相关

🔹模块 D｜安全规范、职业素养

2.3 官方文档参考（免费在线文档）

2.4 付费课程（选学，不强制，适合想快速进阶）

三、软件安装

3.1 硬件参数

3.2 赛场预装软件（全部封闭一体化平台）

3.3 选手本地训练：硬件最低 & 推荐配置

3.4 本地训练需要安装软件（开源工具，模拟比赛全部 4 个模块）

1）基础运行环境

安装 PyTorch 命令（清华源，避免国外源超时）

安装完验证

验证 CUDA

2）模块 A：数据集制作（模拟赛场软件功能）

3）模块 B：YOLO 模型训练与评测（核心模块）

4）模块 C：模型部署、推理参数调试（模拟）

5）辅助工具软件

3.5 软件安装避坑清单（高频踩坑）

3.6 本地训练环境搭建步骤总流程

3.7 本地和正式比赛差异说明

3.8 赛场实际操作

3.9 那本地训练学习为什么要用 YOLO (Python)？

3.10 哪些是比赛要做的文字书写（不是代码）

3.11 比赛禁止行为

3.12 总结

四、模块训练

4.1 数据采集与数据集构建模块

4.2 人工智能模型训练与评测模块

4.3 模型部署与智能巡检应用模块

4.4 安全规范与职业素养模块

你的赏识是我前进的动力

一、竞赛相关知识与能力要求