简介本资源是一个基于YOLOv8的试卷题目自动切割系统实现方案面向计算机视觉方向的本科毕业设计、课程设计及期末大作业场景解决传统人工裁剪试卷题目效率低、易出错的问题。系统采用端到端目标检测思路通过训练YOLO模型精准定位并切割单题区域适用于考试阅卷、题库数字化、在线教育平台等实际应用。压缩包共9个文件含3个核心Python脚本train.py、test.py、cut_exam_png.py、2个预训练模型yolov8n.pt、yolo11n.pt、2个文本配置文件requirements.txt、test.txt、1个.gitignore和1个README.md说明文档整体大小为10.48MB结构清晰、开箱即用。目前已有54人学习下载读者可直接复现完整训练—检测—切割流程获取可运行代码、模型权重、依赖清单及使用指南快速掌握图像目标检测在教育图像处理中的落地实践。 做了这么多年图像处理项目第一次被“切题”这件事难住是在给一家教育公司做题库数字化的时候。教研老师拿了一厚沓试卷希望自动把每道题切割成独立图片录入题库系统。刚开始我下意识想用传统思路投影法、连通域、形态学闭合切单栏试卷还行一碰到双栏混排、题目里有图片、试卷翻拍带阴影直接崩盘。后来换成基于YOLO的目标检测方案把每道题当成一个检测目标让模型自己学习题目的边界效果稳定了很多也顺手把整套流程沉淀成了这个“基于YOLO的试卷题目自动切割系统”。这篇就把完整思路、数据制作、训练细节、切割代码和踩坑经验全部拆开讲清楚项目源码我打包成了“基于YOLO的试卷题目自动切割系统-1.zip”我会在文中把关键代码展开说明方便你本地复现。如果你也在做试卷识别、题库录入、作业自动批改这类事情或者你想用一个实际案例搞懂目标检测如何落地这篇文章适合你。我从数据标注讲起一直讲到模型部署到CPU跑批量推理中途会穿插大量我在真实项目里踩过的坑和验证过的参数。1. 试卷切割为什么要用目标检测从投影法到YOLO的选型逻辑1.1 传统切题方案的崩溃临界点先说说传统方案的思路。试卷图像本质上是一块白底黑字的版面传统做法的思路是“把文字区域找出来”常见手段包括水平投影法统计每一行像素的黑色点数量根据波谷波峰确定文本行位置再按行间距切出题目。垂直投影法对某一行的黑色像素做垂直方向统计切出单列文字块。连通域分析找出所有文字连通区域按坐标聚类成块。形态学闭运算先用膨胀把邻近文字连成一个大矩形再找轮廓。这套思路对“打印体、单栏、干净白底”的试卷确实有效。但实际场景里试卷的复杂程度远超想象。我遇到过的几个典型情况数学试卷有大量公式和根号投影后文字行高度不均匀行切分经常把公式拦腰截断。双栏排版时投影法会把左右两栏文本混在一起无法正确区分题目边界。题目里嵌入图片、表格时连通域连通度不一样难以形成统一的题目级矩形。手机翻拍的试卷存在透视变形、阴影、折痕二值化之后文字断裂传统算法的鲁棒性很差。传统切题的本质是“像素级规则”它默认版面结构是规整的。一旦版面自由度上升规则就会失效而且你很难无止境地堆规则去覆盖所有情况。1.2 YOLO在这类场景里真正解决的是什么YOLOYou Only Look Once是目标检测领域的经典模型核心思路是把检测任务建模为回归问题输入一张图输出若干个矩形框每个框带一个类别和置信度。用在试卷切题上就是把“题目区域”当作一个目标类别让模型直接输出“题干 这个题目的所有小问”所在的矩形区域。这里有一个关键区别传统方案是在“像素层”想办法切块YOLO是在“语义层”学习题目边界。模型的训练数据里每道题的标注框是人类标注的感知边界模型学的是“什么样的版式组合算一道题”。所以哪怕题目内部有复杂的公式、图片、分栏只要标注的框是完整的模型就有机会学出一个合理的检测框。我在这个项目里只设置了一个检测类别question。输出结果就是一个数组每个元素对应一道题的外接矩形。这样的好处是简洁我们不需要去识别题号或题型只需要拿到矩形区域后续交给切割模块处理即可。如果想做得更细可以设置多个类别比如“选择题”“填空题”“解答题”但初期不建议一上来就分太细因为类别越多标注成本越高训练难度也越大。1.3 版本选型YOLOv8还是YOLOv5为什么这样选YOLO系列到现在版本很多。热搜里有人会问“yolo v11介绍与yolo v8区别”说明选型确实是大家关心的事。我的经验是从工程落地角度优先看生态成熟度和改造成本不必追最新版本。版本优点适合场景YOLOv5教程多社区资料丰富部署方案成熟快速验证、中小型项目YOLOv8更好用的训练接口内置多种任务anchor-free检测头新项目选型首选YOLO最新版结构有优化精度有提升追求极致精度且有调参经验这个项目我最终选了YOLOv8。原因有三点一是ultralytics统一了训练和推理API代码量少二是YOLOv8的anchor-free检测头在版面目标这种形状变化大的场景下表现不差三是部署到ONNX和TensorRT的流程很顺畅后面做CPU端优化便利。有一说一如果你对YOLOv5已经很熟继续用YOLOv5也完全没问题。切题这个任务的检测目标大小相对稳定没有特别极端的挑战v5和v8的精度差距在实际效果上不会差出数量级。核心始终在数据质量和后续切割逻辑上模型选哪个版本没有那么生死攸关。# 安装YOLOv8依赖环境 pip install ultralytics pip install opencv-python2. 题目数据集的制作标注规范决定模型上限2.1 数据来源与收集策略目标检测项目里数据质量的作用比模型结构更大。我一开始只收集了不到100张试卷就开始训练结果模型在训练集上看着还行换一批新试卷就漏检严重。后来把数据扩到300多张效果才稳定下来。数据收集要覆盖各种版面特征而不是简单堆数量。我重点收集了几个方向语文、数学、英语、物理、化学等不同学科学科不同题目的内容和排版差异很大。扫描仪生成的PDF转图片和手机翻拍的JPEG两类成像特征不同。不同字号、行距、单栏和双栏排版的试卷。带学校抬头、密封线、页码、水印等元素的试卷。有图片题、表格题、填空题和解答题的混合版面。可能有人会觉得题库里都是标准扫描件不需要收集翻拍件。但实际使用中老师用手机拍试卷的诉求非常普遍如果训练数据里没有这类样本模型在翻拍件上的表现会很难看。所以宁可初期多花点时间把数据覆盖面做足。一个比较实用的指标单一学科初始数据量至少150到200张跨学科通用至少要300张以上。每张试卷平均有20到30道题标注框数量足以让模型学到题目的视觉边界。2.2 标注边界到底怎么定这是整个项目里最需要统一认知的地方标注边界不统一后面全乱。我定义的标准是一道题从题号开始到下一道题的题号之前结束。具体到不同类型题目单选题从“1.”开始到“2.”开始前结束包括四个选项ABCD。多选题同理。填空题题干本身是题目的起始不需要把填空横线单独拆出去横线属于题面内容。解答题从题号开始到下一题号前结束包含所有小问如123。大题内的子问题如果一个大题内部有明确的小问并且需要单独录入题库可以把小问作为独立检测目标但前提是整个数据集都按同样的粒度标注。我的项目里按“整道大题”作为原子单位因为这是题库录入方最需要的单元。标注还要注意边界留白。不能太紧贴着文字否则检测框可能在图像增强后裁掉一部分笔画也不能太松否则相邻两道题的框会重叠。我实战下来的经验是四周边距留出大约5到10个像素以1500像素宽试卷图为例如果文字特别大边距可以稍微放大。2.3 标注工具与YOLO格式转换我用的是LabelImg和X-AnyLabeling。LabelImg是老牌工具安装简单X-AnyLabeling支持更多预标注能力可以先用一个初始模型做预标注再人工修正效率提升非常明显。标注完成后LabelImg默认保存的是Pascal VOC格式的XML文件需要转成YOLO训练用的txt格式。YOLO格式的每一行是class_id x_center y_center width height其中x_center、y_center、width、height都是归一化到0到1之间的值。转换公式是# 归一化坐标转换公式 x_center (x_min x_max) / 2 / image_width y_center (y_min y_max) / 2 / image_height width (x_max - x_min) / image_width height (y_max - y_min) / image_height如果标注时图片尺寸不是训练时用的尺寸没关系YOLO的归一化坐标天然支持任意输入尺寸。训练时传给模型的img_size只要符合模型要求框架会自动做resize坐标也跟着整体缩放。2.4 数据增强与预处理模拟真实环境我一开始对数据增强不够重视因为扫描件比较干净感觉不需要。后来模型在手机翻拍件上效果差才把增强策略调上去。YOLOv8默认开启了Mosaic增强这个对版面检测非常有用。Mosaic会把4张图拼成一张模型能看到更多样化的版面组合对小目标的检测也有帮助。但要注意如果一张图里题目数量不多Mosaic后出现的“拼图感”可能让模型学到错误的边界。我遇到过训练过程loss下降但在真实试卷上乱七八糟的情况后来把Mosaic的关闭概率调高了一点效果才正常。除了自带增强我建议额外做两类亮度对比度扰动模拟扫描后发灰或拍照偏暗的情况。轻微旋转和透视扰动模拟翻拍时角度不正的情况。有一个容易忽略的细节训练集里不要把所有图片都做重度增强保留一部分“干净”的原始扫描图。否则模型对真实的线性文档图像反而不够敏感。3. 模型训练阶段的核心参数与疑难排查3.1 训练流程和预训练权重的选择YOLOv8的训练流程很成熟用一个YAML定义数据集路径指向训练集和验证集的图片目录以及标签目录即可。官方预训练权重是在COCO数据集上训练的虽然类别和“题目”完全不同但底层特征提取能力可以直接迁移。我的建议是用coco预训练权重做fine-tune而不是从零训练。目标检测模型的骨干网络已经学到了大量通用视觉特征迁移之后只需要几百张试卷图就能收敛。从零训练的话数据和算力成本都会成倍上涨对这类中小项目完全没必要。3.2 关键训练参数怎么定我整理了一张参数表给出我在这个项目里的取值和理由参数推荐值说明img_size1280试卷分辨率通常较高用1280能保留更多细节如果显存不够降到960batch8或16根据显存调整16更稳定epochs100到150数据量不大100轮之后基本收敛再多反而可能过拟合lr00.01默认值预训练微调场景可以直接用patience20到30早停验证轮次防止浪费算力workers4到8数据加载线程数CPU核心多可以拉高重点说img_size。很多同学用默认640训练切题效果不佳。因为很多题目区域在整张试卷里占比不小但小字号试卷的题号、选项等细微特征在640分辨率下可能被压没了。我把img_size提到1280后小目标的漏检率明显下降。代价是显存占用高训练时间变长但对精度提升很值。3.3 “训练指标全是0”的排查思路这是热搜词里出现率很高的坑。我遇到过也帮别人排查过。训练时loss正常下降但precision、recall、mAP全部显示0通常是以下原因labels的txt文件放错目录YOLO官方约定每个jpg图像对应的txt文件名必须和图像名完全一致放在images同级的labels目录下。标签中的class_id超出了类别数。我只定义了一个类别class_id只能是0如果标注工具误写成1模型就会因为类别索引越界而报错或指标归零。图像里没有标注目标也就是空标签。模型没有正样本可学指标自然全是0。数据增强后标签坐标越界例如Mosaic拼接后某些标注框超出了边界这种情况需要检查是否有坐标小于0或大于1的标签。验证集里没有对应的标签文件模型推理出来没有ground truth做比对指标也是0。排查顺序是先检查目录结构再逐条读取label文件看坐标和类别最后用官方可视化脚本把标注框画在图上确认。3.4 训练后的模型评估训练结束后不要只看那个weights文件要看validation结果和PR曲线。YOLOv8在训练结束后会自动输出confusion_matrix.png、results.png等图表。results.png里的mAP50曲线尤其有用如果mAP50能到0.95以上说明检测框和人工标注框的重合度很高。我自己的训练结果mAP50在0.93左右mAP50-95在0.85以上。对于切题来说mAP50-95低一些问题不大因为在后续切割中我们会设置较高的confidence阈值而且允许输出框稍微比真实范围大一点。4. 题目切割实现从检测框到干净的单题图片4.1 YOLO推理输出的坐标理解模型训练完切割阶段要做三件事推理、坐标换算、裁剪保存。YOLOv8推理输出的坐标默认是xyxy格式而且是归一化后的值。在用OpenCV裁剪之前必须先换算成像素坐标。# 读取检测结果并转换坐标 import cv2 import torch from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) image cv2.imread(test_paper.jpg) results model.predict(image, conf0.5, iou0.45, verboseFalse) for result in results: boxes result.boxes.xyxy.cpu().numpy() # 形状是 [N, 4]N是检测到的题目数 confs result.boxes.conf.cpu().numpy() cls_ids result.boxes.cls.cpu().numpy()result.boxes.xyxy拿到的坐标是归一化值直接传给OpenCV之前需要乘上图像的宽高。有个细节如果推理时没有指定imgsz模型内部会先把图像resize到训练时的尺寸但ultralytics返回的坐标已经做回原图尺寸的映射因此你在predict时传入原图即可不需要自己手动映射。4.2 完整切割代码切割部分的核心代码并不复杂但有几个细节需要注意。我直接贴出可用版本import os import cv2 import numpy as np from ultralytics import YOLO model YOLO(best.pt) def cut_questions(image_path, output_dir, conf_threshold0.5, padding5): os.makedirs(output_dir, exist_okTrue) image cv2.imread(image_path) if image is None: print(f读取失败: {image_path}) return [] img_h, img_w image.shape[:2] results model.predict(image, confconf_threshold, iou0.45, verboseFalse) boxes results[0].boxes.xyxy.cpu().numpy() confs results[0].boxes.conf.cpu().numpy() # 按左上角坐标排序后续再做双栏适配 sorted_indices np.argsort(boxes[:, 1]) # 先按y坐标排序 boxes boxes[sorted_indices] confs confs[sorted_indices] cut_images [] for idx, (box, conf) in enumerate(zip(boxes, confs)): x1, y1, x2, y2 [int(v) for v in box] # 边界padding防止裁剪时把边缘文字截断 x1 max(0, x1 - padding) y1 max(0, y1 - padding) x2 min(img_w, x2 padding) y2 min(img_h, y2 padding) cropped image[y1:y2, x1:x2] save_path os.path.join(output_dir, fquestion_{idx:03d}_{conf:.2f}.jpg) cv2.imwrite(save_path, cropped, [cv2.IMWRITE_JPEG_QUALITY, 95]) cut_images.append(save_path) return cut_images if __name__ __main__: cut_questions(input_paper.jpg, output_questions)这里有一个我在实际项目里调过很多次的细节padding值不要给太大。如果给到20像素以上前一道题的底部文字可能被包含进后一道题的区域影响后续OCR或人工校对。5像素是我测试下来比较稳妥的取值。4.3 多栏试卷的排序策略YOLO输出的检测框顺序不是按阅读顺序排的而是按网络输出顺序。对于单栏试卷只要按y坐标排序就行。但双栏试卷会出现问题左边一栏的第一题和右边一栏的第一题pos可能差不多按y排序会把两栏内容交错混在一起。我的排序策略是分两步根据所有检测框中心的x坐标做聚类。如果试卷明显分成左右两栏x坐标会形成两个簇。左栏内按y排序右栏内按y排序拼接时先输出左栏全部题目再输出右栏全部题目。这个策略对大多数标准双栏试卷有效。如果遇到三栏或者复杂不规则栏需要用更通用的版面分析算法比如计算所有框的x中心分布直方图找峰值位置。# 双栏场景的简单排序示例 from collections import defaultdict def sort_boxes_by_layout(boxes, split_xNone): if split_x is None: # 自动根据x中心分成两栏 centers_x (boxes[:, 0] boxes[:, 2]) / 2 split_x centers_x.mean() left [] right [] for box in boxes: center_x (box[0] box[2]) / 2 if center_x split_x: left.append(box) else: right.append(box) left.sort(keylambda b: b[1]) right.sort(keylambda b: b[1]) return left right4.4 置信度过滤与重叠框合并推理时conf参数控制置信度阈值。试卷切题场景里检测框重叠的情况比较常见尤其是相邻两道题边界模糊时模型可能输出一个较大的框把两道题包住同时又输出两个小框分别对准两道题。我除了依赖模型内置的NMS还会额外做一个处理如果两个框的IoU交并比大于0.3保留置信度更高的一个丢弃另一个。这样能避免同一区域被重复切割。实现起来很简单def compute_iou(box1, box2): x1 max(box1[0], box2[0]) y1 max(box1[1], box2[1]) x2 min(box1[2], box2[2]) y2 min(box1[3], box2[3]) inter_area max(0, x2 - x1) * max(0, y2 - y1) box1_area (box1[2] - box1[0]) * (box1[3] - box1[1]) box2_area (box2[2] - box2[0]) * (box2[3] - box2[1]) return inter_area / (box1_area box2_area - inter_area 1e-6) def filter_overlapping_boxes(boxes, confs, iou_threshold0.3): keep [] for i in range(len(boxes)): duplicate False for j in keep: if compute_iou(boxes[i], boxes[j]) iou_threshold: if confs[i] confs[j]: duplicate True break if not duplicate: keep.append(i) return boxes[keep], confs[keep]5. 真实场景下的效果、问题与工程化建议5.1 扫描件与翻拍件的效果差异这个项目在纯扫描件上的效果非常好检测框很少出错。但手机翻拍件受光线和透视影响效果会打折扣。我做过一个对比统计100张扫描试卷的题目框准确率在96%以上100张手机翻拍试卷的准确率在85%到90%之间。主要错误来自两类情况一是纸张弯曲导致题目轻微变形检测框不够精确二是阴影覆盖导致局部对比度太低模型漏检。如果你是打算在翻拍场景上线建议在预处理阶段加一步自适应阈值增强或者用浅层图像处理手动补光。但不要做太强的二值化否则会把试卷上的灰印、水印变成噪声干扰。5.2 学科之间的泛化问题我最初用一个混合学科数据集训练语文、数学、英语通吃整体效果还行但数学试卷的某些极端版面比如一整页都是几何图形题检测精度会有波动。后来我在同一个模型基础上针对数学试卷单独做了一次fine-tune效果立刻提升。经验是如果你面对的是多样性很强的试卷不要把希望全压在一个通用模型上。可以考虑“通用模型 学科特定模型”的路子先用通用模型跑一遍如果识别结果置信度不高再根据学科文件夹调用对应模型。工程上实现不难却能让整体准确率提升好几个点。5.3 部署与性能优化训练时可以用GPU但项目交付环境中不一定有。YOLOv8的模型导出到ONNX后在CPU上跑一张1500x2000的试卷图大概需要200到500毫秒取决于CPU型号。对于批量离线处理这个速度可以接受。导出ONNX的命令# 导出ONNX格式模型 yolo export modelbest.pt formatonnx dynamicTrue如果你需要更快的速度可以尝试导出TensorRT引擎但TensorRT对硬件有要求且转换过程比较繁琐。我的建议是这些切题任务大多是离线批量处理ONNX OpenCV DNN就够用了没必要为了快几百毫秒引入复杂的部署链路。另外批量处理时把图片读入内存后用多线程推理比单张循环调用要快很多。很多人在CPU上跑得慢就是因为没有用多线程。5.4 与OCR结合形成完整链路切割只是第一步。实际题库系统里题目切割完之后通常还要做OCR识别、题干结构化、答案匹配。切题质量直接决定了OCR的识别效果一道题如果边界切偏了OCR就会把相邻题的内容混进来。我在项目里把切割结果按顺序编号再配合OCR识别文字并利用“题号”模式匹配例如匹配纯数字加点的正则来校验切题结果是否与题号一一对应。这个校验逻辑非常实用他能自动发现切多、切漏的情况。具体做法切割后的图片用OCR识别首行文字如果首行中出现了题号就把它作为这道题的标识如果识别不到题号说明这个框可能切到了题干的中间部分需要人工检查。import re def extract_question_number(ocr_text): # 匹配行首的题号如1.、12.、一、等 pattern r^(\d{1,3})[.、]|^[一二三四五六七八九十][.、] match re.match(pattern, ocr_text.strip()) return match.group(0) if match else None这个校验逻辑帮我捕获了大量脏数据强烈建议在做切题系统时加上。5.5 最容易忽略的版面问题试卷错位扫描最后提醒一个我在真实项目中反复遇到的问题有些扫描仪在批量扫描时部分页会有轻微旋转或偏移。YOLO检测框是矩形无法贴合旋转后的题目区域导致切割出的图片边角带着其他题目的碎片。解决思路是在检测前对整页试卷做一次倾角校正。OpenCV的minAreaRect可以基于检测框或文本行的方向估计旋转角度配合deskew操作纠正后再进检测模型。加了这一步之后翻拍和扫描的稳定性都提升了不少。如果不想做倾角校正另一个偷懒但有效的办法是切割时适当增大padding宁可多裁一点边角也不要让文字只露出一半影响OCR。6. 从项目复现到自建系统的要点我的总结性经验代码和权重文件打包在“基于YOLO的试卷题目自动切割系统-1.zip”里但我更建议你自己跑一遍数据流程而不是只拿权重去推理。因为切题系统的效果上限不在模型在数据标注规范和后续的版面排序逻辑。一个可以立刻上手的30天路线前10天集中收集和标注200张左右的试卷中间7天训练模型和调整参数最后13天做切割后处理和OCR校验闭环。如果时间紧张用现成的标注工具加预标注能缩短不少时间。最后想单独说两点。一是不要迷信最新的YOLO版本在工程落地时稳定导出、推理速度快、社区资料多才是关键。二是这个项目真正值钱的部分往往不在那个模型而在你对“题目边界”的明确定义、对双栏排序策略的巧妙处理、以及对各种真实纸张瑕疵的兼容方案。这些经验是参数和网络结构之外的产物建议你在复现时也花心思记录下来。如果你在复现过程中遇到“训练指标全是0”或者“双栏排序错乱”这类问题可以把排查思路按我前面写的顺序走一遍大部分都能解决。再不行就回头检查数据标记得是否统一这一步才是真相所在。本文还有配套的精品资源点击获取