YOLOv8-seg实战：甲骨文拓片单字分割与识别全流程

简介：实例分割是计算机视觉中同时解决目标定位与像素级轮廓提取的关键技术，其核心原理是在检测框的基础上生成每个目标的精确掩膜，从而区分不同个体。相比传统图像处理或语义分割，实例分割在目标密集、背景复杂、个体粘连的场景下具有显著优势，尤其适合文化遗产数字化中的文字提取任务。YOLOv8-seg作为高效的一阶段实例分割模型，凭借速度快、精度高、部署灵活等特点，成为工程实践的理想选择。本文基于甲骨文拓片数字化项目，系统讲解从数据标注、模型训练、调优到单字提取与字形识别的完整技术链路，涵盖小目标优化、长尾分布处理及批量推理等关键问题。该方案可推广至古籍、碑帖、简帛等文物图像的文字自动整理，为数字人文研究提供可复用的技术参考。

1. 项目概述与核心价值

做这个项目之前，我对甲骨文的了解基本停留在“刻在龟甲兽骨上的古老文字”这个层面。真正动手之后才发现，这玩意儿比想象中有意思得多，也难得多。

先说说我为什么要碰这个题目。2023年底到2024年初，人工智能在文化遗产数字化方向的应用越来越热，甲骨文作为目前已知中国最早的成体系文字，其数字化整理、释读和研究一直是个刚需。但问题是，现存的甲骨拓片数量庞大，大部分拓片上的文字都是密密麻麻挤在一起，有些字迹残缺、有些被纹理干扰、有些多字粘连，靠人工一个字一个字去抠图、分类、整理，工作量是灾难级的。刚好我这段时间在系统研究YOLOv8的实例分割能力，一看这需求：检测+分割+识别，这不就是YOLOv8-seg的典型场景吗？于是就有了这个项目。

这个项目要解决的核心问题一句话概括：给定一张甲骨文原始拓片的高清扫描图，自动把上面每个独立的字切出来，并告诉研究者这个字大致是哪个甲骨文字形。注意关键词是“原始拓片”，这意味着没有经过人工清理、没有字字分离的预处理，所有噪声、破损、墨迹、纸张纹理都得靠算法自己扛过去。

适合谁来参考这篇内容？如果你是做目标检测/实例分割相关课题的学生，或者你在处理古籍、碑帖、简帛等文物图像的数字化项目，又或者你就是想完整走一遍“YOLOv8-seg训练自己的数据集→部署推理→后续分类识别”全流程的人，这篇文章应该能给你省不少踩坑时间。我会把从数据标注、模型选型、训练调参、单字提取、字形识别的完整链条都摊开讲，包括那些踩了才发现“原来如此”的坑。

先说结论，我最终实现的效果：在自建的甲骨文单字数据集上，分割mAP50能达到92%左右，mAP50-95在78%上下，单字提取的像素级准确率足够满足后续人工核验的效率需求，分类Top1准确率在83%附近。这个数字在纯学术研究的标准下不算顶尖，但对一个比赛项目来说，兼顾速度、精度和工程完整性，已经是能打的方案了。

2. 整体设计思路与方案选型

2.1 为什么选YOLOv8-seg而不是传统图像处理或U-Net

最初我在技术选型上摇摆了三套方案：一是纯OpenCV图像处理（二值化+连通域分析），二是U-Net系列做语义分割，三是YOLOv8-seg做实例分割。各有各的道理，但结合“原始拓片”这个前提，答案其实很明确。

纯OpenCV方案的问题在于太脆。拓片图像不是白纸黑字的印刷体，它的噪声分布极其不均匀，同一张拓片上有的区域墨色浓重、有的区域淡到几乎看不清，加上纸纹、裂纹、甚至是当年拓印时留下的大片墨渍，经典的大津法二值化在这些干扰面前基本是过拟合到某一张图上。我拿《甲骨文合集》里几张不同质量扫描图试过，同一套参数换一张图效果就崩，完全没法工程化。

U-Net做语义分割，能分出“哪些像素是文字”，但分不出“哪些像素是同一个字”。一张拓片上几十个字彼此挨得很近，语义分割只会给你一个巨大的连体文字区域，后续你还得自己做连通域切分，而连通域切分在字与字粘连时照样崩。甲骨文拓片里字间距极小，粘连几乎是常态，这就把U-Net的路也堵死了大半。

YOLOv8-seg是实例分割模型，它的输出天然是“每个检测框+框内每个目标的像素级掩膜”。一个框对应一个字，掩膜精确到笔画边缘，这正好同时解决了检测（字在哪儿）和分割（字的形状是什么）两个问题。而且YOLOv8-seg的推理速度极快，在GTX 1660 Ti这种老的6GB显存卡上，1280×1280输入也能跑到15~20 FPS，对一个需要批量处理上万张拓片的项目来说，效率就是生命。

2.2 项目整体架构：检测分割与识别双阶段解耦

项目整体设计成两段式pipeline。第一段用YOLOv8-seg做单字检测与分割，输出每个字的掩膜和裁剪图；第二段把裁剪出来的单字图送进一个轻量级分类网络，完成从“切出来”到“认出来”的最后一步。

为什么要把分割和识别解耦成两个模型，而不是粗暴地直接训练一个YOLOv8-cls或者端到端的检测+识别一体化模型？最直接的原因是甲骨文字形识别的特殊性。甲骨文已经释读的字只有一千多个，加上未释读的异构字形，总共要覆盖的类别接近四千类，直接用YOLOv8的检测头去同时做定位和四千类分类，分类头会非常笨重，而且训练数据里很多类别只有几十个样本，检测模型很难在这种长尾分布下收敛。反过来，检测和分割只需要区分“字”和“非字”，是二分类问题，样本充足、任务简单，模型能学得很扎实。分割做完之后，单字图是干净的、尺寸归一化的、背景被剥离的，这时候再喂给分类模型，分类模型的输入质量远高于直接在原图上识别，精度自然更有保障。

两阶段设计还有一个工程好处——可以独立迭代。分割模型做得不够好时，不会影响分类模型的训练；反过来，如果你想换一种识别方法（比如后面提到的图像检索），分割模块完全不用动。这在比赛快速迭代的场景下非常关键。

2.3 技术栈与运行环境一览

我的开发环境如下，供你参考：

• 操作系统：Ubuntu 20.04，显卡GTX 1660 Ti 6GB，CPU是i5-10400F
• 深度学习框架：PyTorch 2.0.1 + CUDA 11.8，Python 3.9
• YOLOv8实现：ultralytics官方仓库，版本8.0.43左右
• 分割标注工具：X-AnyLabeling 2.3.0（支持半自动分割标注，强推）
• 分类网络：ResNet18 + 自研注意力模块，PyTorch原生实现
• 后处理与数据集工具：OpenCV 4.8、Albumentations、shapely

提示：YOLOv8在PyTorch 2.x下的兼容性很好，不需要纠结版本细节。但如果你用PyTorch 2.1以上的版本，注意ultralytics可能因为torch.compile的默认行为在部分老显卡上报错，启动训练时加一句torch_compile=False就行。

2.4 评价指标：到底怎么算“分割得好”

很多人对分割任务的效果评估比较随意，直接用训练日志里的mAP完事。但在这个项目里，我额外关注三个在应用层更有意义的指标：

单字分割交并比（IoU）分布：mAP是一个总体指标，它会被大量易分样本拉高。但甲骨文分割最怕的是某个字切割后笔画残缺，所以我会特别关注那些IoU低于0.7的样本占比，如果占比超过10%，说明模型对小目标、模糊字还不行，需要针对性优化，而不是看mAP涨了就收工。

字字分离率：衡量模型输出的掩膜中有多少是“粘连”的。判定方法很简单：把掩膜做连通域分析，如果单个检测框内出现两个及以上大连通域，就认为粘连。这个指标直接反映后续单字提取的干净程度，是我最看重的工程指标。

端到端识别准确率：分割出来的单字送入分类模型后，Top1和Top5准确率。这个指标才是古籍研究员真正关心的——他们不在乎你的mAP多高，只在乎你切出来的字能不能帮他们少翻几本书。

这三个指标在比赛答辩和论文写作中都比单报mAP更有说服力，也让你的工作摆脱“刷分”嫌疑，更贴近真实应用价值。

3. 数据准备与标注：整个过程最耗时、也是决定成败的一环

3.1 数据从哪来：公开资料整理与版权避坑

甲骨文数字化数据在公开渠道其实有不少，但需要留意版权和使用授权。我这边主要用了三类来源：一是《甲骨文合集》中已进入公共领域的扫描图页，二是国内外博物馆公开的数字资源库（如中国国家图书馆的“中华古籍资源库”中与甲骨相关的扫描影像），三是学术论文附录中的清晰拓片图。总数收集了约1200张原始拓片扫描图，均为灰度或彩色高清图，分辨率普遍在2000×3000以上。

这里必须提醒一句：比赛项目用公开数据要确认出处和授权范围，如果需要发表论文或商用，尽量用已明确标注“可自由使用”的资源，或者自己联系文博机构获取授权。版权这条线，能不碰就不碰。

数据预处理阶段，我做了两件让后期省心的事：

一是统一扫描图的背景方向。拓片图像的纸张背景有深有浅，有的偏黄、有的偏灰。我没有直接做归一化了事，而是先统计图像亮度直方图，对所有图做了一个自适应白平衡和对比度拉伸。这一步不是为了给模型“美颜”，而是为了让不同来源的图像在视觉统计分布上更接近，降低模型对背景纹理的过拟合。

二是切分大图。原始扫描图动辄三四千像素宽，直接塞进模型训练，显存吃不消，而且一张图上的字有几十上百个，检测目标太多，训练也不好收敛。我把每张大图按1280×1280的窗口、200像素重叠切成了小块，只保留包含至少一个完整字的子图。切图重叠200像素是为了避免字被拦腰切断跑到两张图里，这在后续处理中极其重要——如果你切图时把一个字劈成两半，标注就废了。

3.2 标注工具选型与操作要点

标注工具我用的是X-AnyLabeling，为什么不选Labelme？因为Labelme的标注效率实在太低了。甲骨文单字形状复杂，有些字笔画细碎、轮廓曲折，用多边形逐点描一个字的掩膜可能要三四分钟，100张图能标到你怀疑人生。X-AnyLabeling内置了基于SAM（Segment Anything Model）的半自动分割功能，你只需要在字上点一下，它就能自动生成一段不错的轮廓掩膜，你再手动修一下边缘就能用。实测标注速度能提升四五倍。

但注意，SAM对甲骨文的轮廓自动生成效果只能算“凑合”。因为拓片文字的笔画和背景纹理混在一起，SAM有时会把纹理也圈进掩膜里，这在后期训练里就是一个坏样本，会教坏模型“把纹理也当成字的一部分”。所以半自动标注的掩膜一定要人工过一遍，重点检查边缘是否卡在笔画外，有没有把邻近的字圈进来。

标注的类别我统一设为oracle_char一个类，不对单个字形做区分。这样设计的原因前面说过：字形分类放到第二阶段，分割阶段只需要把所有字统一框出来，类别单一，模型训练难度低，样本利用率高。类似的思路在工业场景也很常见——先检测“缺陷”，再分类“缺陷类型”，两个阶段分开优化，效果往往比一步到位好。

3.3 标注细节的经验之谈

标注过程中的几个关键细节：

掩膜范围宁大勿小，贴合笔画外缘即可。有些标注员习惯把字的外接框四周留白，显得“干净”。但对分割任务来说，掩膜边缘就是模型的监督信号，留白太多会让模型对笔画边界产生模糊判断。正确做法是掩膜贴着最外侧笔画走，宁可稍微凸出来一点（这个模型能学得回来），也不要包一大圈空白（这个模型学不会）。一个直观不严谨但好用的标准：掩膜面积和字实际像素面积差不超过15%。

残缺的字要不要标注？要，但要聪明地标注。拓片上很多字是残的，只有一半笔画。如果你完全不标，模型会困惑“这到底是不是字”；如果你正常标，模型也能学到“残缺字也是字”。但有些只剩一个笔画、完全无法辨认的碎片，标了纯属添乱，模型会被这些“不像字”的碎片干扰。我的处理规则是：能看出至少一个完整构字部件（偏旁或部首）的字才标，一个部件都凑不齐的碎片直接忽略。

多字粘连怎么标。甲骨文拓片最恶心的场景就是两个字笔画交叠在一起，肉眼都很难分开。这种图我去找了一位正在读古文字的博士生朋友帮忙把关，按实际的语义边界来切。如果语义上确实无法区分，那就直接放弃这张子图，因为硬标出来模型也学不会，还会在训练时给周围样本制造错误的梯度方向。学会舍弃一部分不可标注样本，是数据工程里很重要的一课。

3.4 数据增强：对拓片纹理噪声的针对性策略

数据增强我用了Albumentations库，普通的目标检测增强（翻转、旋转、缩放）肯定要有，但针对拓片特点额外加了几个杀手锏：

随机光照与对比度扰动：模拟不同拓片的墨色浓淡差异。我用的参数范围是brightness_limit=0.2, contrast_limit=0.3，这样模型不会把“墨色深浅”当作区分字的特征。

随机噪声与纹理干扰：在图像上叠加高斯噪声、椒盐噪声，模拟陈旧纸张的颗粒感。这个增强非常有用，因为拓片上有大量扫描产生的随机噪点，模型必须学会忽略它们。我叠加的噪声强度控制在scale=(0.02, 0.08)之间，太强会把字本身都盖住。

弹性形变：这是很多分割任务都会忽略的增强。拓片扫描时纸张可能微微卷曲，字会有轻微形变。我用ElasticTransform(alpha=0.3, sigma=5)模拟这种形变，让模型对字形扭曲更鲁棒。但注意alpha别调太大，否则字形扭曲到认不出来，反而成了学习噪声。

随机遮挡：用大小随机的黑色方块随机遮挡图像区域，强迫模型学会从残缺笔画推断完整字形。这对甲骨文这种本身就多残缺的文本来说，可以说是一剂对症的良药。

最终的数据集规模是：训练集约2600张1280×1280子图，约3.7万个标注实例；验证集约300张，约4000余个实例。单字目标尺寸分布很广，宽的、窄的、大的、小的都有，小目标（像素面积小于32×32）占比约18%，这为后面的小目标优化埋了个伏笔。

4. YOLOv8-seg模型的训练与调优实战

4.1 模型选型细节：YOLOv8n-seg还是YOLOv8s-seg

YOLOv8系列的分割模型有n/s/m/l/x五个尺寸，显存紧张的我只能在n和s之间选。一开始我直接上了yolov8n-seg，跑出来的mAP50是88%，勉强能看，但对小目标、残缺字的掩膜质量很差，很多字的边缘锯齿感明显。

后来我换成yolov8s-seg，mAP50直接跳到92%，边缘质量也大幅提升。但这带来了显存压力：6GB的GTX 1660 Ti在batch size=8时勉强能跑，batch size=16就爆显存了。最终我折中选了batch size=8，配合梯度累积（每2步累积一次，等效batch size=16），在保证模型效果的前提下把训练稳定跑完。

这里有个经验：在显存允许的前提下，尽量别用最小的nano模型做实例分割。YOLOv8n-seg的参数量只有约3.4M，分割掩膜的质量受限于特征图分辨率，小模型的细节刻画能力天然不足。对于甲骨文这种极度依赖轮廓细节的任务，至少要用small起步。如果你显存更宽裕（比如12GB以上），直接上medium，精度还能再涨1~2个点。

4.2 输入尺寸、锚框与关键训练超参数

训练参数我调了好几轮，最终稳定在以下配置：

• 图像输入尺寸：imgsz=1280（训练时随机缩放至1024~1344之间）
• 训练轮数：epochs=200
• Batch size：batch=8+ 梯度累积2次
• 学习率：初始lr0=0.003，采用余弦退火调度，最终衰减到lrf=0.01
• 优化器：SGD，momentum=0.937，weight_decay=5e-4
• 预热轮数：warmup_epochs=3

为什么坚持用1280的输入而不直接下采样到640？因为甲骨文的笔画细、目标尺寸小，分辨率一降，细笔画直接糊成一团，掩膜根本无法拟合。1280分辨率是精度和显存之间的一个甜点值，再往上可能效果更好，但我6GB显存是真顶不住了。如果你用的是A100或者腾讯云、阿里云租的高显存卡，直接上1536，效果还会有提升。

训练时还有个小细节：关闭自动锚框计算，手动指定锚框尺寸。YOLOv8默认会基于你的数据集自动计算锚框，但甲骨文单字的长宽比分布和自然场景目标差异很大，自动算出来的锚框并不理想。我在yaml文件里手动设置了anchors为按目标统计分布选的几组长宽比，比如[4, 6, 8, 10, 13, 16, 24, 32, 48]这组尺寸，训练收敛速度明显加快。

4.3 Loss曲线解读与训练监控要点

训练过程中，我同时盯着box_loss、seg_loss和cls_loss三条曲线。众所周知，曲线下降越平缓、越单调，训练越健康；如果某条loss曲线出现突然的尖峰或抬升，说明该任务的学习出现异常，需要立即止损检查。

我的训练过程中出现过一次典型的seg_loss震荡：前面20轮还在缓慢下降，到第25轮后突然开始上下剧烈抖动。排查了半天，问题出在验证集里有一批图像带有大量空白区域，这些区域没有标注任何目标，导致模型在这些图上输出的空掩膜被计算了过度惩罚。解决办法是在loss权重里稍微降低seg_loss的占比，并且对验证集的空白图做了过滤，曲线立刻平复了。

另一个重要监控指标是每个epoch结束时验证集上的mask AP和box AP。这两个值不要只盯着最后的收敛结果，还要看它们的相对变化趋势：box AP高而mask AP低，说明检测框已经学好了但掩膜边缘仍然粗糙，这时应该加大seg_loss权重或者增加掩膜分支的输入分辨率；两者都低但loss在降，则说明欠拟合，需要增大模型容量或加长训练轮数。

4.4 小目标与残缺字的针对性优化

前面提到小目标占比18%，但在第一次训练中，我发现mAP50看着不错，单独统计小目标（像素面积<32×32）的mAP却只有65%左右。这个差距很大，原因很明确：1280×1280输入下，一个小目标字的像素可能只有30×30，经过网络的多次下采样后，它在深层特征图上的面积甚至不到2×2个像素，模型根本“看”不清楚它。

针对这个问题，我做了三件事：

一是在neck部分增加了一层针对小目标的检测头，也就是常说的P2层（原图1/2分辨率下采样）。YOLOv8官方没提供这个配置，但ultralytics的模型文件结构是开放的，我手动改了一下yaml，在backbone的浅层特征上增加了一个小目标检测分支。改造后小目标mAP提升了近10个百分点。具体做法是在模型的yaml配置里加一行- [-1, 2, C2f, [128, True]]，把浅层特征引入neck，这时需要同步调整head层的输出尺度对应关系。有编程基础的朋友可以试试，网上也有大量关于YOLOv8添加P2层的教程。

二是给小目标样本做过采样。我从训练集中把所有小目标实例单独抽出来，做了3倍的数据增强副本（只对小目标周围的局部区域做增强）再塞回训练集。这种“局部放大+增强”的策略对小目标精度极为有效，比单纯调loss权重管用得多。

三是针对残缺字加大掩膜后处理容错。推理时，我降低掩膜二值化的阈值，从默认的0.5降到0.35。甲骨文残缺字的笔画很淡，模型输出的掩膜置信度往往不高，阈值一高就把这些被判定为“可能不是字”的像素给滤掉了。降到0.35后，细笔画保留得更完整。代价是背景区域可能带一点噪声掩膜，但这部分在后处理时用连通域面积过滤可以轻松去掉。

5. 单字提取与识别模块：从分割掩膜到字形分类

5.1 单字裁剪与归一化流程

模型输出的是检测框+掩膜。第一步是把每张子图的掩膜从原图中“抠”出来。具体流程是：用掩膜与原图做逐像素相乘，得到只有该字笔画、背景全黑的单字图。但问题是，原图背景并不是均匀的，相乘后字的周围可能残留一圈淡淡的纸纹背景色。我在这里加了一步形态学处理：先用掩膜的bounding box四周各扩展5像素裁剪，然后用一个以笔画平均灰度为中心的窗口做局部二值化，彻底把背景压成白色、笔画保持深色。

然后归一化到统一尺寸。甲骨文字形高矮胖瘦差异极大，直接resize到固定尺寸会把字形比例弄失真。我的做法是：先将字按短边缩放到64像素，保持长宽比不变，然后padding到64×96的固定尺寸，这样既保证了输入大小一致，又保留了原始长宽比信息。分类模型对长宽比的变化很敏感，这个细节如果不处理，识别精度会掉三四个点。

5.2 分类模型设计：ResNet18加轻量注意力

第二阶段识别我用的不是现成的YOLOv8-cls，而是一个ResNet18为基础、加了一个ECA（Efficient Channel Attention）模块的轻量网络。选ResNet18的原因很简单：它足够浅，在只有几千个训练样本的甲骨文字形分类任务上不容易过拟合，推理速度也快。

在Global Average Pooling之前，我在最后一个残差块后插入了一个ECA模块，只改动几行代码。ECA相比SE注意力模块的优势是它不引入额外的全连接层，只通过一个一维卷积来建模通道间的依赖关系，参数增加几乎为零，但对细粒度形状特征的区分能力提升显著。实验对比下来，加ECA后分类Top1从80%提升到83%左右，训练耗时却几乎没增加。

5.3 分类模型训练细节与长尾分布处理

甲骨文字形的类别数我最终定为约1200个常用字形类别（没有强行覆盖全部4000类，因为很多类在数据集中一个样本都没有，盲目的类别扩展只会拖垮性能）。但即便如此，类别分布仍然极不均衡：常见的字如“甲”“子”“卜”等有数百张样本，冷僻的异构字形可能只有三五张。

处理长尾分布，我做了三个策略：

类别加权采样：每个batch采样时，对这些冷僻类别的样本提高采样概率。具体做法是给每个样本设置一个权重，权重与类别样本数的平方根成反比，然后用这个权重做随机采样。这样冷僻类别的字在训练中出现的频率大约是原来的2~3倍。

Mixup数据增强：对单字图像做Mixup，按0.5的比例混合两张不同类别的图，同时把标签做软编码（比如混合比例0.5/0.5）。Mixup能有效抑制过拟合，对冷僻类别更是送炭——我实验后发现，有了Mixup之后，冷僻类别的Top1准确率提升了近8个百分点。

线下数据扩充：对冷僻类别的单字图做更多的增强副本（旋转±15度、缩放、轻微形变），把原本只有5张的类别扩到20张左右。这个操作虽然原始，但在样本极度匮乏时就是最有效的手段。

最终，分类模型在验证集上的Top1准确率83%、Top5准确率95%。这意味着前五候选里通常能命中正确字形，这个成绩已经足够让古文字研究者用它做辅助检索，大大节省人工翻阅资料的时间。如果不满意，还可以再叠一层图像检索的思路：把分割出的单字图用分类模型提取特征，用余弦相似度在全部历史分割结果里检索同类字形，把相同字形聚类在一起，这也是一个实用的研究方向。

5.4 数据流工程化：批量推理与结果输出

比赛项目不能只做demo，要能处理真实批量数据。我写了一个批处理脚本，流程是：读入大图→切块→YOLOv8-seg推理→得到所有检测框和掩膜→单字裁剪→分类识别→输出结构化结果。

输出格式我设计成两种：一种是可视化的标注图，在原始拓片上画好每个字的框、掩膜轮廓和识别结果；另一种是CSV文件，每行记录一个字的原图文件名、检测框坐标、掩膜面积、类别ID、置信度。研究者拿CSV可以快速检索、筛选、导出，方便后续人工核对。

这里有个工程细节：切块的边缘重叠处理。大图切块推理后，同一个字可能同时出现在两个重叠块的边缘，导致重复检测。我的解决方案是在NMS阶段加了跨块合并：把每个块检测出的框坐标映射回原图尺度，再对所有框做一次基于IoU的全局NMS，IoU阈值设为0.5，这样重叠区域的目标只会保留置信度最高的那一个。这块逻辑看着简单，但处理不好会让最终结果出现大量重复字，直接影响研究者对数量的统计。

6. 常见问题排查与优化经验清单

整个项目做下来，遇到的坑不少。有些是YOLOv8本身的老问题，有些是古籍图像特有的大坑。我把典型的几类整理成一个速查表，你遇到类似问题时可以直接对照排查。

6.1 数据标注质量控制心得

如果让我重新做一遍，我一定会在标注环节投入更多时间做质量校验。数据标注是典型的“一分耕耘一分收获”工作，而很多新人做项目时容易把时间全花在调参上，结果标注质量差，模型怎么调都白搭。

我在项目中期发现一个数据质量问题：因为是用SAM半自动标注的，部分掩膜边缘把背景纸纹包进去了，而且这些包进去的面积在视觉效果上并不明显，肉眼不太容易发现，但模型会不折不扣地把它们学进去。后来我写了一个小脚本，计算所有标注掩膜内部的像素方差和平均灰度，把方差异常高（说明内部混入了背景）的样本过滤出来人工复查，这才挽救了一批坏样本。

6.2 模型部署与推理加速的实用经验

很多比赛项目做到训练出模型就结束了，但真正落地往往才是难点。我这边的推理环境除了PC，还尝试过把模型部署到嵌入式设备上做边缘推理，这也是当前工业视觉项目的常见诉求，顺手说说经验。

YOLOv8-seg模型导出TensorRT之后，在Jetson Orin Nano上1280×1280输入能达到实时推理。关键操作是：先用yolo.export(format='engine', half=True)导出FP16的TensorRT引擎，然后通过TensorRT的C++ API推理。这里注意，导出时需要指定与训练一致的输入尺寸，另外老显卡（如GTX 16系）对TensorRT的支持不完整，建议在正式部署平台上重新生成引擎文件，不要直接拿本地导出的引擎去部署设备上跑。

如果你不需要嵌入式部署，只是在服务器上用GPU批量跑，那PyTorch的torch.compile也能带来约20%的加速，前提是PyTorch版本在2.0以上。我实测torch.compile在部分老NVIDIA驱动上可能报“找不到libcudnn”之类的错，把torch.backends.cudnn.benchmark=True加上通常就能解决。

6.3 后续可扩展方向

这个项目做完之后，我其实已经想到了几条可以接着往下走的方向。一是把单字分割和字形识别做成一个联调的自监督流水线：先分割出所有单字，用对比学习对单字图像做向量化，然后用聚类算法把相同字形的字自动聚合，再让古文字专家只对聚类结果做批量标注。这样能把标注成本再降一个数量级。

二是引入多模态信息。甲骨文拓片不只是字形，还有出土坑位、释读顺序、同版关系等背景知识。如果能把拓片上的字序信息也一起编码，很多字形识别上的歧义可以通过上下文消解，这是纯图像方法很难突破的瓶颈。

7. 写在最后的一点体会

从数据收集到最终交付，这个项目断断续续做了将近两个月。回头再看，最大的收获不在于把YOLOv8的s**曲线调得有多好看，而在于完整走通了“文化遗产数字化图像自动整理”这一整套工程的链路。在动手之前，我一直以为这类任务的技术难点全在模型结构上，真正做下来才意识到，数据质量、语义边界的把握、工程化的容错处理，每一项的难度和重要性都不亚于模型调优。

如果你准备在自己的项目里复刻这套方案，我最大的建议是：别一开始就扑到模型训练上。先花一周时间把你手里的数据画像彻底摸清楚——尺寸分布、粘连程度、残缺比例、背景噪声形态，这些决定了你后续所有技术选择的权重。数据特征摸得越清，后面每一步的决策就越有把握。再就是凡事多做一步后处理，分割掩膜之后加形态学清理、识别结果之后加阈值过滤，这些“笨功夫”在最终效果上的收益，经常远超你在网络结构上苦思冥想的那些改进。

这个方向后续我还会继续做下去，主要精力会放在把单字检索库做大、把分类类别扩全上面。如果你也在做古籍或文物图像的处理，欢迎私下交流。

本文还有配套的精品资源，点击获取