基于YOLOv8与PySide6的条码保质期识别系统实战

前一阵在做一个商品库存盘点的小工具，核心需求很简单：拿到一张商品图片，自动识别条形码，并把生产日期、保质期、到期日一起提取出来。真做起来才发现，单靠 OpenCV 或者普通扫码 SDK，很难同时处理模糊、倾斜、小尺寸条码，尤其是画面里同时出现多个商品时，传统图像处理流程几乎不可维护。后来换成 YOLO 做目标检测定位，再用解码库解析条码，最后用 PySide6 包一个桌面界面，整套流程才稳定下来。

本文会把这条完整链路拆开讲清楚：如何准备条码和日期区域数据集，如何训练 YOLOv8 模型，如何用 pyzbar 解码条形码，如何从 OCR 文本中解析生产日期和保质期，以及如何用 PySide6 写出可操作的桌面程序。适合想入门 YOLO 目标检测、想把深度学习模型封装成桌面工具的开发者，也适合正在做商品识别、仓库盘点、食品溯源相关项目的同学参考。

1. 背景与系统设计思路

1.1 为什么需要条形码保质期识别系统

传统商品信息的录入方式，主要靠人工观察包装，再手动把条码、生产日期、保质期输入系统。这种方式有几个明显问题：

• 效率低：一个熟练员工录入一件商品也要几秒钟，遇到字体小、印刷模糊的日期还要反复辨认。
• 容易出错：人工抄录数字很容易看错，尤其“2026”和“2025”、“01”和“07”这类近似数字。
• 难追溯：如果想把历史批次、到期日、仓库位置关联起来，纯靠表格管理非常麻烦。

如果做一个半自动识别系统，操作员只需要把商品放在摄像头前，或者上传一张商品图片，系统就能自动完成“条码定位 -> 条码解码 -> 日期区域识别 -> 保质期计算”整套流程，不仅省人力，还能把结果统一导出到数据库。这也正是本文系统要解决的核心问题。

1.2 技术选型分析

整个系统可以分为三部分，每部分都有对应的技术方案。

其中 YOLOv8 是 ultralytics 团队维护的新一代 YOLO 系列，训练命令简洁，数据格式统一，也自带推理、验证、导出函数。如果项目里用的是 YOLOv5，训练过程和本文类似，只是需要切换到 YOLOv5 自己的代码仓库。本文主要以 YOLOv8 为例，演示从训练到部署的完整流程。

1.3 整体识别流程

把整个系统拆成一条流水线，理解起来会清晰很多。

1. 输入图片或摄像头帧。
2. YOLOv8 模型检测出两个目标类别：barcode（条码区域）和date（生产日期/有效期区域）。
3. 根据检测框裁剪出对应区域。
4. 对barcode区域调用 pyzbar 解码，得到条码字符串。
5. 对date区域做 OCR 识别，再用正则提取“生产日期”和“保质期”。
6. 根据生产日期和保质期计算到期日。
7. 在 PySide6 界面上展示识别结果。

这套流程的好处是，每个环节都可以单独替换。比如 pyzbar 解不出来，可以换成 OpenCV 的 barcode 模块；pytesseract 识别效果不好，可以换成 PaddleOCR 或者深度学习文字识别模型。

2. 环境准备与依赖安装

2.1 开发环境说明

本文示例在 Windows 11 上测试通过，Linux 系统的操作基本一致，只需注意 pyzbar 需要额外安装系统库。Python 版本建议使用 3.9 或 3.10，因为 PySide6 和 ultralytics 对高版本 Python 的兼容性更好。

硬件方面，训练模型建议使用 NVIDIA GPU，显存最好在 6G 以上。我之前用 GTX 1660 Ti 6G 跑过 YOLOv8n 和 YOLOv8s，把batch调小后也能正常训练。如果没有 GPU，CPU 也能跑，只是速度和显存无关，训练时间会明显增加。

2.2 创建虚拟环境并安装依赖

首先创建虚拟环境，避免和系统 Python 环境冲突。

python -m venv venv venv\Scripts\activate

激活环境后，新建requirements.txt：

ultralytics==8.2.0 PySide6==6.7.0 opencv-python==4.9.0.80 pyzbar==0.1.9 pytesseract==0.3.10 Pillow==10.3.0 numpy==1.26.4

然后执行安装：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

这里需要注意，pyzbar在 Windows 下依赖 Visual C++ 运行库，如果导入报错，需要安装 Microsoft Visual C++ Redistributable。在 Linux 下则需要安装系统库：

sudo apt-get update sudo apt-get install libzbar0

2.3 验证环境是否正常

安装完成后，运行下面这个脚本，确认关键库都能正常导入：

import ultralytics import PySide6 import cv2 import pyzbar import pytesseract print("ultralytics:", ultralytics.__version__) print("PySide6:", PySide6.__version__) print("OpenCV:", cv2.__version__)

如果打印出版本号，说明环境已经准备好了。pytesseract 还依赖 Tesseract OCR 引擎本身，需要单独安装。Windows 下可以下载安装包，安装后把路径配置到代码里：

import pytesseract pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

3. 数据集准备与 YOLOv8 模型训练

3.1 标注目标与数据集结构

模型要检测两个类别：

• barcode：条码区域，包括一维条码和二维码。
• date：生产日期、有效期、保质期等日期文字区域。

准备数据集时，尽量采集不同角度、不同光照、不同距离下拍摄的商品包装图。标注工具可以使用 LabelImg 或 LabelMe，导出为 YOLO 格式的 txt 文件。

数据集目录结构如下：

datasets/ ├── barcode_expiry.yaml ├── train/ │ ├── images/ │ │ ├── 001.jpg │ │ └── 002.jpg │ └── labels/ │ ├── 001.txt │ └── 002.txt └── val/ ├── images/ │ └── 101.jpg └── labels/ └── 101.txt

YOLO 格式的标注文件中，每一行代表一个目标：

class_id center_x center_y width height

比如：

0 0.5234 0.6710 0.2450 0.1200 1 0.4100 0.8500 0.3200 0.0800

class_id从 0 开始，这里 0 代表barcode，1 代表date。

3.2 编写数据集配置文件

在datasets/barcode_expiry.yaml中写入：

path: datasets/ train: train/images val: val/images names: 0: barcode 1: date

这里path可以写绝对路径或相对路径，如果程序在项目根目录运行，相对路径即可。

3.3 使用 YOLOv8 脚本训练模型

在项目根目录创建train.py：

from ultralytics import YOLO if __name__ == "__main__": model = YOLO("yolov8n.pt") model.train( data="datasets/barcode_expiry.yaml", epochs=100, imgsz=640, batch=16, device=0, workers=4, name="barcode_expiry", patience=20, )

参数解释：

• data：数据集配置文件路径。
• epochs：训练轮数，小数据集 100 轮足够。
• imgsz：输入图片尺寸，一般用 640，条码较小可以试 960。
• batch：批次大小，根据显存调整，显存不够就调成 8 或 4。
• device：0 表示第一张 GPU，没有 GPU 可以写cpu。
• patience：早停轮数，验证指标不再提升时提前停止。

如果使用 YOLOv5，训练命令需要切换到 YOLOv5 仓库，但数据集格式一致，核心思路是一样的。

3.4 训练结果分析

训练完成后，结果保存在runs/detect/barcode_expiry/目录下，重点关注results.png和weights/文件夹。

results.png中包含了训练过程的多条曲线：

• train/box_loss：边界框损失，越低越好。
• train/cls_loss：分类损失，越低越好。
• metrics/mAP50：IoU 阈值 0.5 时的平均精度，越高越好。
• metrics/mAP50-95：更严格的综合精度指标。

weights/best.pt是验证集上效果最好的权重，后续推理就使用这个文件。

如果发现模型对条码小目标检测不到，优先增加数据集中小尺寸条码的图片比例，或者把imgsz适当调大。如果数据量很少，可以先下载 YOLOv8 预训练权重，再在自建数据集上进行增量训练，能明显加快收敛速度。

3.5 测试和导出模型

训练完成后，可以先在测试图片上验证效果：

from ultralytics import YOLO model = YOLO("runs/detect/barcode_expiry/weights/best.pt") results = model.predict(source="test.jpg", conf=0.35, save=True, imgsz=640)

如果需要在其他平台部署，可以导出为 ONNX 格式：

model.export(format="onnx", imgsz=640)

导出的best.onnx可以用 ONNX Runtime 加速推理。

4. 模型推理与条码识别核心逻辑

模型负责“找到条码在哪、日期在哪”，但真正读出条码内容、解析日期，还需要另外封装逻辑。我建议把这块独立成detector.py和utils.py，方便后期替换算法。

4.1 加载模型并进行目标检测

创建detector.py：

import cv2 import numpy as np from ultralytics import YOLO class Detector: def __init__(self, weights_path: str): self.model = YOLO(weights_path) def detect(self, frame: np.ndarray, conf: float = 0.35): results = self.model.predict( source=frame, conf=conf, imgsz=640, verbose=False, ) boxes = [] classes = [] confs = [] for r in results: if r.boxes is None: continue xyxy = r.boxes.xyxy.cpu().numpy() cls = r.boxes.cls.cpu().numpy().astype(int) cnf = r.boxes.conf.cpu().numpy() boxes.extend(xyxy.tolist()) classes.extend(cls.tolist()) confs.extend(cnf.tolist()) return boxes, classes, confs def crop(self, frame: np.ndarray, box): x1, y1, x2, y2 = [int(v) for v in box] return frame[y1:y2, x1:x2]

detect方法的返回结果中，boxes是每个目标的左上角和右下角坐标，classes是类别索引，confs是置信度。这几个信息足够后续裁剪和展示。

4.2 条形码解码逻辑

对检测到的barcode区域，先用 OpenCV 转成灰度图，再调用 pyzbar 解码：

import cv2 from pyzbar.pyzbar import decode from PIL import Image def decode_barcode(crop_bgr: np.ndarray): if crop_bgr is None or crop_bgr.size == 0: return None, None rgb = cv2.cvtColor(crop_bgr, cv2.COLOR_BGR2RGB) pil_image = Image.fromarray(rgb) decoded_objects = decode(pil_image) if not decoded_objects: return None, None first = decoded_objects[0] data = first.data.decode("utf-8", errors="ignore") barcode_type = first.type return data, barcode_type

这里有一点需要注意：pyzbar 对图片清晰度比较敏感。如果条码在倾斜角度大、光照不均匀的环境下拍出来，解码失败率很高。可以在裁剪后做一些预处理，比如转灰度、自适应二值化、轻微腐蚀膨胀，提高成功率。

def preprocess_for_barcode(crop_bgr: np.ndarray): gray = cv2.cvtColor(crop_bgr, cv2.COLOR_BGR2GRAY) gray = cv2.equalizeHist(gray) _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) binary = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel) return binary

如果实际项目中遇到大量解码失败，可以考虑用基于深度学习的条码识别模型替代 pyzbar。

4.3 日期区域 OCR 与正则解析

日期区域识别相对复杂，因为每个商品包装上的日期格式都不一样。常见写法有：

• 生产日期：2025/01/01
• 生产日期：2025年01月01日
• 保质期：12个月
• 保质期：180天
• 有效期至：2026-01-01

先用 pytesseract 识别文本，再用正则提取关键信息：

import pytesseract def ocr_date_region(crop_bgr: np.ndarray): rgb = cv2.cvtColor(crop_bgr, cv2.COLOR_BGR2RGB) pil_image = Image.fromarray(rgb) text = pytesseract.image_to_string(pil_image, lang="chi_sim+eng") return text

如果 OCR 结果里能识别出“生产日期”，就用正则匹配日期：

import re def parse_production_date(text: str): patterns = [ r"生产日期[：:\s]*(\d{4})[年/\-.](\d{1,2})[月/\-.](\d{1,2})日?", r"(\d{4})[年/\-.](\d{1,2})[月/\-.](\d{1,2})日?", ] for pattern in patterns: match = re.search(pattern, text) if match: year, month, day = match.groups() return f"{int(year):04d}-{int(month):02d}-{int(day):02d}" return None

保质期同样用正则解析：

def parse_shelf_life(text: str): month_match = re.search(r"保质期[：:\s]*(\d+)\s*个月", text) if month_match: return int(month_match.group(1)), "month" day_match = re.search(r"保质期[：:\s]*(\d+)\s*天", text) if day_match: return int(day_match.group(1)), "day" return None, None

4.4 到期日计算

拿到生产日期和保质期后，可以用 Python 的datetime直接计算到期日：

from datetime import datetime, timedelta from dateutil.relativedelta import relativedelta def calc_expiry_date(production_date: str, value: int, unit: str): if not production_date: return None prod = datetime.strptime(production_date, "%Y-%m-%d") if unit == "month": expiry = prod + relativedelta(months=value) else: expiry = prod + timedelta(days=value) return expiry.strftime("%Y-%m-%d")

这里用到python-dateutil库，需要安装：

pip install python-dateutil

如果条码包含 GS1 应用标识符，比如以]C1开头，或者数据中间有(17)、(15)、(10)等标识，也可以直接从条码解析有效期。下面是一个简单实现：

def parse_gs1_expiry(data: str): match = re.search(r"\(17\)(\d{6})", data) if match: raw = match.group(1) year = 2000 + int(raw[:2]) month = int(raw[2:4]) day = int(raw[4:6]) return f"{year:04d}-{month:02d}-{day:02d}" return None

不过不同条码类型的数据结构差异较大，实际落地时需要拿真实条码验证。

5. PySide6 桌面应用开发实战

模型训练好之后，接下来就要用 PySide6 把识别能力封装成桌面工具。这里采用“主窗口 + 摄像头识别线程 + 业务识别模块”的结构，避免摄像头采集阻塞界面。

5.1 界面布局设计

主界面分为左右两个区域：

• 左侧：图片显示区域，用QLabel显示当前帧或上传的图片。
• 右侧：识别信息面板，用QTextEdit显示条码、类型、生产日期、保质期、到期日等信息。

底部放四个按钮：

• 打开图片
• 打开摄像头
• 开始识别
• 停止识别

5.2 创建摄像头识别线程

摄像头实时识别不能在主线程中运行，否则界面会卡死。这里用一个QThread子类来读取摄像头帧，并通过信号把结果传给主线程。

创建camera_thread.py：

import cv2 import numpy as np from PySide6.QtCore import QThread, Signal from detector import Detector class CameraThread(QThread): frame_ready = Signal(np.ndarray) result_ready = Signal(dict) error_ready = Signal(str) def __init__(self, detector: Detector, parent=None): super().__init__(parent) self.detector = detector self.running = False def run(self): cap = cv2.VideoCapture(0) if not cap.isOpened(): self.error_ready.emit("无法打开摄像头") return self.running = True while self.running and not self.isInterruptionRequested(): ret, frame = cap.read() if not ret: continue self.frame_ready.emit(frame) boxes, classes, confs = self.detector.detect(frame) result = { "barcode": "", "production_date": "", "shelf_life": "", "expiry_date": "", } for box, cls, conf in zip(boxes, classes, confs): crop = self.detector.crop(frame, box) if cls == 0: data, btype = decode_barcode(crop) result["barcode"] = data or "" result["barcode_type"] = btype or "" elif cls == 1: text = ocr_date_region(crop) production = parse_production_date(text) shelf_value, shelf_unit = parse_shelf_life(text) if production: result["production_date"] = production if shelf_value: result["shelf_life"] = f"{shelf_value} {shelf_unit}" result["expiry_date"] = calc_expiry_date( production, shelf_value, shelf_unit ) self.result_ready.emit(result) cap.release() def stop(self): self.running = False self.requestInterruption()

frame_ready信号用于把视频帧发送到主窗口显示，result_ready信号用于把识别结果发送到主窗口刷新信息面板。

5.3 主窗口代码

创建main.py：

import sys import cv2 from PySide6.QtCore import Qt from PySide6.QtGui import QImage, QPixmap from PySide6.QtWidgets import ( QApplication, QFileDialog, QHBoxLayout, QLabel, QMainWindow, QPushButton, QTextEdit, QVBoxLayout, QWidget, ) from camera_thread import CameraThread from detector import Detector class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle("条形码保质期识别检测系统") self.detector = Detector("runs/detect/barcode_expiry/weights/best.pt") self.camera_thread = None self.image_label = QLabel("图片显示区域") self.image_label.setAlignment(Qt.AlignCenter) self.image_label.setMinimumSize(640, 480) self.image_label.setStyleSheet("border: 1px solid #ccc; background: #f8f8f8;") self.result_area = QTextEdit() self.result_area.setReadOnly(True) self.open_image_btn = QPushButton("打开图片") self.open_camera_btn = QPushButton("打开摄像头") self.detect_btn = QPushButton("开始识别") self.stop_btn = QPushButton("停止识别") self.open_image_btn.clicked.connect(self.open_image) self.open_camera_btn.clicked.connect(self.open_camera) self.detect_btn.clicked.connect(self.detect_frame) self.stop_btn.clicked.connect(self.stop_camera) right_layout = QVBoxLayout() right_layout.addWidget(self.result_area) right_layout.addWidget(self.open_image_btn) right_layout.addWidget(self.open_camera_btn) right_layout.addWidget(self.detect_btn) right_layout.addWidget(self.stop_btn) main_layout = QHBoxLayout() main_layout.addWidget(self.image_label, stretch=2) main_layout.addLayout(right_layout, stretch=1) container = QWidget() container.setLayout(main_layout) self.setCentralWidget(container) self.current_frame = None def open_image(self): file_path, _ = QFileDialog.getOpenFileName( self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)" ) if file_path: frame = cv2.imread(file_path) self.current_frame = frame self.show_frame(frame) def show_frame(self, frame): rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) h, w, ch = rgb.shape bytes_per_line = ch * w qt_image = QImage(rgb.data, w, h, bytes_per_line, QImage.Format_RGB888) self.image_label.setPixmap(QPixmap.fromImage(qt_image).scaled( self.image_label.size(), Qt.KeepAspectRatio, Qt.SmoothTransformation )) def detect_frame(self): if self.current_frame is None: self.result_area.append("请先打开图片") return boxes, classes, confs = self.detector.detect(self.current_frame) result = self.process_result(boxes, classes, confs, self.current_frame) self.show_result(result) def process_result(self, boxes, classes, confs, frame): result = { "barcode": "", "production_date": "", "shelf_life": "", "expiry_date": "", } for box, cls in zip(boxes, classes): crop = self.detector.crop(frame, box) if cls == 0: data, btype = decode_barcode(crop) result["barcode"] = data or "" elif cls == 1: text = ocr_date_region(crop) production = parse_production_date(text) shelf_value, shelf_unit = parse_shelf_life(text) if production: result["production_date"] = production if shelf_value: result["shelf_life"] = f"{shelf_value} {shelf_unit}" result["expiry_date"] = calc_expiry_date(production, shelf_value, shelf_unit) return result def show_result(self, result): self.result_area.clear() self.result_area.append(f"条码: {result.get('barcode', '')}") self.result_area.append(f"生产日期: {result.get('production_date', '')}") self.result_area.append(f"保质期: {result.get('shelf_life', '')}") self.result_area.append(f"到期日: {result.get('expiry_date', '')}") def open_camera(self): if self.camera_thread and self.camera_thread.isRunning(): return self.camera_thread = CameraThread(self.detector, self) self.camera_thread.frame_ready.connect(self.show_frame) self.camera_thread.result_ready.connect(self.show_result) self.camera_thread.error_ready.connect(lambda msg: self.result_area.append(msg)) self.camera_thread.start() def stop_camera(self): if self.camera_thread: self.camera_thread.stop() self.camera_thread.wait() if __name__ == "__main__": app = QApplication(sys.argv) window = MainWindow() window.resize(1100, 600) window.show() sys.exit(app.exec())

这段代码里需要引入前面utils.py中的函数，这里为了演示方便直接写在主文件中。实际项目建议把解码、OCR、正则解析放到独立模块，比如utils.py，主窗口只负责界面交互。

5.4 摄像头实时识别优化

上面的实现是每一帧都做一次完整检测和识别。实际中，如果算力有限，可以降低检测频率，比如每 5 帧检测一次：

frame_count = 0 while True: ret, frame = cap.read() frame_count += 1 if frame_count % 5 != 0: self.frame_ready.emit(frame) continue boxes, classes, confs = self.detector.detect(frame)

这样界面显示依然是流畅的，识别结果每隔一段时间更新一次，比较适合摄像头实时场景。

6. 运行验证与界面交互演示

6.1 启动系统

在项目根目录执行：

python main.py

启动后出现主窗口，左侧是图片显示区，右侧是识别结果面板。

6.2 图片识别流程

点击“打开图片”，选择一张包含条码和日期的商品包装图。再点击“开始识别”，系统会输出类似下面的结果：

条码: 6901234567892 生产日期: 2025-01-01 保质期: 12 month 到期日: 2026-01-01

如果图片中的条码区域日期区域已经被 YOLO 准确框出，那么整个识别过程大约 1 到 2 秒。

6.3 摄像头实时识别

点击“打开摄像头”，系统会弹出摄像头画面。把商品包装放到画面中，系统会自动检测条码和日期区域，并持续刷新识别结果。因为加入了多线程，界面不会卡顿，摄像头画面基本能保持实时。

如果摄像头画面中没有检测到目标，优先检查光照是否充足、条码是否过小、模型置信度阈值是否设置得过高。

7. 常见问题与排查清单

在实际使用过程中，很容易遇到下面这些问题，这里整理了一份排查表。

遇到问题时，最好的排查方式是“分段验证”。先用单独脚本测试条码解码，再测试 OCR 解析，最后再测试 YOLO 检测框是否正确。这样能快速定位是哪一段出了问题。

8. 工程化与发布建议

8.1 多线程与界面架构优化

生产环境建议把识别逻辑设计成独立的服务层，界面层只负责展示和用户交互。这样以后如果要把系统改成 Web 服务，或者接入 API，不需要改动识别核心代码。

另外需要注意，OpenCV 的VideoCapture对象不能跨线程随便释放，否则容易出现崩溃。正确做法是在摄像头线程内部创建和释放VideoCapture，不要让主界面直接操作。

8.2 模型性能与精度取舍

• 对实时性要求高的场景，优先选择 YOLOv8n 或 YOLOv8s。
• 对精度要求高但帧率要求不高的场景，可以选择 YOLOv8m 或更大模型。
• 如果条码区域经常很小，可以单独训练一个专门检测条码的模型，或者增大输入尺寸。
• 推理时尽量用半精度或 ONNX Runtime，能明显提升速度。

如果想把模型进一步优化，可以考虑 YOLOv8 的改进思路：引入多头注意力机制 MHSA、替换主干网络为 ConvNeXt V2、增加小目标检测头等。但这些方案会增加训练复杂度，建议先跑通基础版本再逐步升级。

8.3 PyInstaller 打包发布

桌面应用开发完成后，可以用 PyInstaller 打包成 exe：

pip install pyinstaller pyinstaller -w main.py --collect-all ultralytics --collect-all PySide6

打包时需要把模型权重文件一起复制到目录中。由于模型文件和 PySide6 本身较大，打包后的 exe 可能达到几百 MB，这是正常现象。

如果希望减小体积，可以在打包前先导出 ONNX 模型，再把推理后端切换到 ONNX Runtime，这样可以减少携带整个 PyTorch 环境的体积。

8.4 数据安全与合规提醒

在真实的仓库、商超场景中使用条码识别系统，要注意几个方面：

• 只能扫描有授权来源的商品条码，不能利用条码解码功能获取或破解未授权信息。
• 日期识别结果涉及食品、药品安全，建议在界面上增加“人工确认”按钮，识别结果仅供参考。
• 涉及数据库写入、库存变更等操作，必须先做权限校验和数据备份。

这部分虽然和代码关系不大，但在项目落地时非常关键，提前设计好能少走很多弯路。

9. 经验复盘与后续优化方向

整个系统真正难的不是某个技术点，而是把目标检测、条码解码、OCR 文本解析、GUI 多线程串成一条完整流水线。每个环节单独看都有成熟方案，但拼接起来就会出现很多边界情况，比如条码检测到了但解码失败，日期识别出来了但格式不是预期，摄像头画面里多个商品叠加等。

后续可以做的优化方向很多：把 OCR 换成 PaddleOCR 或深度学习文本检测模型，提高日期识别鲁棒性；引入条码数据库查询，识别到条码后自动关联商品名称、规格、批次信息；把到期日信息和库存表联动，实现自动预警；将模型导出为 ONNX 或 TensorRT，部署到边缘设备。如果打算接入 YOLO11，也可以用它替代 YOLOv8 重新训练，因为数据格式和接口基本兼容，值得对比一下效果。

建议先把本文的流程完整跑通，生成一批自己的条码和日期数据，再根据实际业务不断迭代。识别类的系统，数据质量和场景覆盖往往比模型结构更重要。希望这套实战方案能帮你减少踩坑，快速做出第一版可用原型。