尧图网站建设 
简介面向齿轮表面缺陷检测任务提供Pascal VOC与YOLO双格式标注数据集可直接用作目标检测模型的训练与验证数据省去格式转换环节。数据覆盖break、lack、scratch三类典型缺陷合计6297个矩形目标框均由labelImg人工绘制标注边界明确其中xml文件对应VOC格式txt文件对应YOLO格式后者不包含分割路径便于直接接入主流训练脚本。压缩包共2000个文件以xml标注文件为主并附使用说明txt文件整体约34.73MB轻量且结构清晰已有792人浏览学习。数据集对训练所得模型精度不作任何保证但标注信息准确合理适合机器视觉方向的开发者、学生及工业质检从业者用于算法验证、模型调优与方案预研。 做工业视觉这一行的人大概都经历过同一种绝望翻遍各大数据集网站就是找不到一份能直接用来训练齿轮缺陷检测模型的现成数据。齿轮作为机械传动系统里最核心的零件之一它的表面质量直接关系到整台设备的寿命和安全性。无论是汽车变速箱里的齿轮、减速机里的齿轮还是精密机床里的齿轮一旦出现划伤、点蚀、磨损这类缺陷轻则影响传动效率重则引发断齿事故。产线上靠人工肉眼检测速度快不起来漏检率还随着工人疲劳度直线上升。所以基于深度学习的齿轮缺陷检测一直是工业质检里需求很旺盛的方向。这次整理并分享一个双格式的齿轮缺陷检测数据集VOCYOLO格式一共2978张图片、3个类别打包成7z压缩包。VOC格式方便你用LabelImg继续补标注或者跑SSD、Faster R-CNN这类检测模型YOLO格式则省去了手动转换的步骤解压之后直接配合YOLOv5、YOLOv8就能开训练。不管你是刚入门目标检测的学生还是在工厂里做视觉检测落地的工程师这个数据集都能节省你大量的数据准备时间。1. 为什么要做齿轮缺陷检测数据集工业质检背后的现实需求1.1 齿轮质检场景有多需要深度学习齿轮缺陷检测的核心难点在于“缺陷种类多、形态杂、出现位置随机”。齿轮表面加工纹路本身就自带纹理裂纹和划伤在视觉上往往只有细微差别。传统机器视觉用阈值分割、边缘检测、模板匹配这些方法处理单一背景下的标准件还能凑合一旦换了个齿轮型号、换了个光照角度参数马上失效。这也是为什么近几年大家集体转向深度学习目标检测——模型学习的是缺陷的语义特征泛化能力比固定算法强出一截。但深度学习有个绕不开的前提需要大量标注数据。工业现场的数据获取难度比通用视觉场景高很多。产线保密要求高缺陷样本本身又是小概率事件想靠自然采集攒够几千张带缺陷的图片周期很长。像这类齿轮缺陷检测数据集公开渠道很难找到完整的、标注好的版本。很多团队选择自己买样件、搭拍摄环境、人工模拟缺陷来造数据这条路走下来最耗时间的不是拍照而是标注和格式转换。1.2 公开数据稀缺格式五花八门更让人头大网上能找到的通用检测数据集比如COCO、VOC2012覆盖的是猫狗、行人、车辆这类日常目标齿轮缺陷一个都没有。偶尔能在论文开源里翻到某个齿轮数据集格式也五花八门有的是只有图片没有标注有的是标注存在JSON里有的干脆是单分类的缺陷分类数据集。碰到这种情况你还得自己写脚本把JSON转成VOC、再把VOC转成YOLO转换过程中稍不留神类别编号、坐标归一化哪一步出了岔子训练出来的模型就会莫名其妙地漏检、误检。这也是我做这个数据集的时候坚持同时输出VOC和YOLO两种格式的原因。VOC格式是标注生态里最通用的语言LabelImg的默认输出就是VOC XML方便你后续接着改、接着补YOLO格式是当前训练生态里最主流的输入格式YOLOv5、YOLOv7、YOLOv8全部原生支持。拿到压缩包VOC版留着做标注管理YOLO版直接丢进训练脚本两头不耽误。2. 数据集构成与双格式目录解析2978张图里装了什么2.1 图像内容、缺陷类别与标注范围整个数据集包含2978张图片3个缺陷类别。类别覆盖的是齿轮表面最常见的缺陷形态常见组合包括表面划伤、点蚀、磨损这三类具体类别名称以压缩包里的classes.txt或者data.yaml中的names为准。图片主要面向表面可见缺陷的检测场景拍摄时考虑了不同光照条件、不同角度和不同齿轮规格尽量贴近真实产线上视觉系统的输入环境。标注的时候框住的是缺陷区域本身每张图不限制目标数量。同一张图上可能出现多个划伤框也可能同时出现划伤和点蚀属于多目标、多类别的检测任务。数据集的图片分辨率、缺陷大小分布都不完全一致这一点我从一开始就觉得是优点而不是缺点——工业现场拍出来的图本来就千差万别模型在训练阶段见过足够多的尺度变化换到新产线上的适应能力才会更好。2.2 VOC格式目录XML标注到底在标记什么VOC格式的目录结构比较固定解压后你会在VOC文件夹里看到这三个子目录VOC/ ├── JPEGImages/ # 存放全部图片 ├── Annotations/ # 存放每张图片对应的XML标注 └── ImageSets/ └── Main/ # 存放训练集/验证集的txt划分文件JPEGImages和Annotations一一对应一张叫 gear_001.jpg 的图片必然有一个 gear_001.xml 躺在Annotations里。XML里面最核心的节点是object每个object代表一个真实框我看一下典型的标注内容annotation folderJPEGImages/folder filenamegear_001.jpg/filename size width1280/width height720/height depth3/depth /size object namescratch/name poseUnspecified/pose truncated0/truncated difficult0/difficult bndbox xmin256/xmin ymin180/ymin xmax410/xmax ymax236/ymax /bndbox /object /annotationname是缺陷类别bndbox里是缺陷框的左上角和右下角像素坐标。像素坐标是VOC格式最直观的地方——任何一个框都可以在图上精准画出来方便你人工检查标注质量。truncated表示目标是否被截断difficult表示目标是否难以辨认这两个字段在训练时通常直接忽略。XML格式像填表格信息一目了然这也是VOC格式能成为标注生态通用标准的原因。2.3 YOLO格式目录一行数字读懂一张标注YOLO格式的目录结构和VOC完全不同它不需要XML文件每张图片对应一个同名的txt文件txt每一行一个目标格式如下images/train/xxx.jpg labels/train/xxx.txt classes.txt data.yamllabels里每行是5个数字类别编号、归一化中心点x坐标、归一化中心点y坐标、归一化宽度、归一化高度。拿一行实际数据来说0 0.4289 0.3319 0.1086 0.0965意思是这个目标的类别编号是0框的中心点在图片的42.89%宽度处和33.19%高度处宽度占整张图的10.86%高度占9.65%。归一化的好处在于不管原图是800x600还是1920x1080标注数值都在0到1之间模型训练时不需要关心输入图片的绝对像素尺寸这也是YOLO系列能够统一处理不同分辨率输入的前提。VOC格式像填一张明细表格YOLO格式就像用一套固定速记法——写起来简单读取效率也高。VOC和YOLO格式各有适用场景平时我推荐的使用方式是对比项VOC XML格式YOLO txt格式可读性强标签信息完整可查弱一行数字需要反推适用工具LabelImg、SSD、Faster R-CNNYOLOv5/v8等YOLO系模型坐标体系像素绝对坐标归一化相对坐标继续标注方便直接改XML不方便需要转回VOC3. 训练前的数据体检清洗、划分与类别均衡3.1 先跑一段统计脚本看清家底拿到数据集第一件事不要急着开训练。先花十分钟做个数据体检能帮你省下后面好几个小时的排障时间。我自己每次拿到新数据集都会先跑一遍统计看看类别分布、图片数量、有没有缺标注、有没有空文件。你可以在Python里执行下面这个脚本快速摸清数据集的底细import os from collections import Counter labels_dir YOLO/labels total_boxes 0 empty_files 0 class_counter Counter() for txt_name in os.listdir(labels_dir): txt_path os.path.join(labels_dir, txt_name) with open(txt_path, r) as f: lines f.readlines() if len(lines) 0: empty_files 1 continue for line in lines: parts line.strip().split() if len(parts) ! 5: print(f格式异常: {txt_name} - {line.strip()}) continue cls_id int(parts[0]) class_counter[cls_id] 1 total_boxes 1 print(f总标注目标数: {total_boxes}) print(f空标注文件数: {empty_files}) print(f各类别目标数: {sorted(class_counter.items())}) # 坐标越界检查 for txt_name in os.listdir(labels_dir): txt_path os.path.join(labels_dir, txt_name) with open(txt_path, r) as f: for line in f: parts line.strip().split() if len(parts) ! 5: continue vals list(map(float, parts[1:])) if any(v 0 or v 1 for v in vals): print(f坐标越界: {txt_name} - {line.strip()})这段脚本做三件事统计每个类别的目标数量、找出空标注文件、检查归一化坐标是否越界。空标注文件在YOLO训练里会被自动跳过但是如果你用某些验证工具或者转回VOC格式就会因为找不到标注而报错。坐标越界就更危险训练时会出现NaN损失模型直接不收敛。所以这一步检查比什么都重要。3.2 训练集/验证集划分与类别均衡处理检查完之后进入数据划分环节。2978张图我建议按7:2:1划分成训练集、验证集、测试集也就是约2084张训练、596张验证、298张测试。如果哪个类别占比明显偏低就要考虑先做数据增强扩充否则模型会对这个类别学习不充分推理时频繁漏检。对于类别不均衡的情况工业缺陷场景里最常见的处理方式不是简单复制而是结合任务特点做针对性增强。划伤类缺陷可以通过小块随机裁剪来扩充点蚀类缺陷本质是小目标密集出现可以在原图上做亮度扰动、对比度扰动来模拟不同光照条件下的表现。需要特别提醒的是工业检测场景别用翻转这种看似无害的增强——齿轮缺陷是有方向性的划伤沿特定加工方向分布盲目水平翻转后会引入大量语义错误样本反而干扰训练。划分完成后在YOLO目录下生成images/train、images/val、images/test、labels/train、labels/val、labels/test六个子目录将图片和标注一一对应放进去这一步的目录一致性直接影响后面的训练流程。4. YOLO系模型实战训练从目录组织到配置文件的完整流程4.1 数据集的目录组织与data.yaml配置目录组织是YOLO训练里最容易被忽略的一环。YOLOv8对数据路径的要求比YOLOv5严格一些如果路径配置不合理会直接报错说图片和标签不匹配。推荐的做法是把数据集放在固定路径然后用data.yaml里的path字段指定根目录。以下是一个可直接使用的data.yaml配置path: /data/gear_defect_dataset train: images/train val: images/val test: images/test nc: 3 names: 0: scratch 1: pitting 2: wearpath是整个数据集的根目录train、val、test填的是相对路径相对的是path。names里的类别顺序必须和labels目录里txt文件的类别编号严格对应错了的话后果极其隐蔽——模型loss会正常下降但推理结果张冠李戴。这个位置我见过不下十个人栽过跟头类别名和编号没有在训练前做一次逻辑核对。4.2 训练命令、预训练权重与小目标优化思路目录和配置都就绪后就可以直接开训了。以YOLOv8为例训练命令是这样的yolo detect train datagear_defect.yaml \ modelyolov8s.pt \ epochs150 \ imgsz640 \ batch16为什么选yolov8s而不是yolov8n也不是yolov8l工业场景的数据集规模通常在几千张的量级yolov8n容量太小对大一点的缺陷能学到但对特征细微的划伤类缺陷表达能力有限yolov8l训练速度慢在这个数据量级上容易过拟合。yolov8s是性价比最高的起步选择。如果显存有限batch8也是可以的配合cosine学习率衰减策略训练曲线会更稳定。对于齿轮缺陷这种带小目标性质的检测任务有两个优化技巧值得尝试。第一个是开启YOLOv8的P2检测层。YOLOv8默认从P3层开始检测最小对应的下采样倍率是8倍小尺寸缺陷经过多层下采样之后特征信息几乎丢失。P2层对应4倍下采样能保留更多小目标细节。在yaml配置里添加P2层配置即可启用这个调整对点蚀这类小目标缺陷的效果非常明显。第二个是使用SAHI做切片推理。如果图片分辨率很高缺陷又小直接把整图resize到640x640会让小缺陷变得更小几乎不可检测。SAHI先把原图切块每个块独立推理再合并结果相当于在不损失分辨率的前提下放大了小目标。针对高分辨率工业图的缺陷检测这基本是现阶段最实用的方案。数据增强方面YOLOv8默认开了mosaic增强这个对工业缺陷样本基本兼容。但hsv_h、hsv_s、hsv_v这类颜色增强参数建议降低一些齿轮表面颜色本身比较稳定增强幅度过大反而让模型学到错误的颜色关联。我自己常用的做法是把这三个参数调低一半保留轻度随机让模型对光照变化有一定鲁棒性又不至于把金属表面的光泽学歪。5. 格式转换与标注排坑VOC和YOLO互转的典型陷阱5.1 一份可以直接落地的VOC转YOLO脚本虽然这个数据集已经同时提供了VOC和YOLO两种格式但你在实际使用中大概率还是需要自己做格式转换。比如你补标了新图片标完的是VOC XML训练时还是得转成YOLO。这里给一份我亲测可用的转换脚本复制就能跑import os import xml.etree.ElementTree as ET from collections import defaultdict voc_annotations VOC/Annotations yolo_labels YOLO/labels class_name_to_id {scratch: 0, pitting: 1, wear: 2} def convert_voc_to_yolo(xml_file, output_file): tree ET.parse(xml_file) root tree.getroot() size root.find(size) width int(size.find(width).text) height int(size.find(height).text) with open(output_file, w) as f_out: for obj in root.iter(object): name obj.find(name).text if name not in class_name_to_id: continue cls_id class_name_to_id[name] bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) x_center (xmin xmax) / 2.0 / width y_center (ymin ymax) / 2.0 / height w (xmax - xmin) / width h (ymax - ymin) / height f_out.write(f{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}\n) for xml_name in os.listdir(voc_annotations): if not xml_name.endswith(.xml): continue xml_path os.path.join(voc_annotations, xml_name) txt_name xml_name.replace(.xml, .txt) txt_path os.path.join(yolo_labels, txt_name) convert_voc_to_yolo(xml_path, txt_path)这个脚本的关键点在于每个XML文件里的width和height必须从size节点读取不能用某个全局分辨率替代。因为数据集里图片尺寸不统一如果用同一个分辨率去归一化所有图片坐标必然错位模型训练时边界框会全部偏移。5.2 我踩过且你一定绕不开的五个坑第一类别索引从0开始不是从1开始。很多人刚接触YOLO格式时习惯性地把第一个类别写成1结果所有标注向后偏移了一位第0类没有样本最后一类莫名多出样本训练出来的模型完全不可用。这个问题在转换脚本里要反复确认。第二XML里标注的尺寸和图片实际尺寸不一致。有些标注工具在标注时修改过图片尺寸但没有同步更新XML转换出来的YOLO坐标会整体错位。最稳妥的做法是转换前用Python的PIL库读取每张图片的真实尺寸来做校验。第三空标注文件。图片本身没有缺陷时转换逻辑会生成空txt文件。YOLO训练时遇到空标注正常但验证阶段如果用某些可视化工具检查预测结果这些图片可能会报错。处理办法是保留这些空文件但在训练配置里清晰划分好val集合不要混用。第四.7z压缩包的解压问题。7z格式需要7-Zip或者支持7z的现代解压工具Windows自带的WinRAR如果没有安装相关扩展会直接报错。解压后建议先确认根目录结构这个数据集解压后是一个根目录下包含VOC和YOLO两个子文件夹。有些解压工具会把文件夹多嵌套一层训练脚本找路径时很容易踩空。第五图片格式不统一。标注时如果图片有jpg也有pngYOLO训练本身不挑扩展名但报错混乱。建议在训练前统一转换为jpg格式既省显存又省训练时间代码量也不大几行Python就能完成。6. 实测效果参考与后续扩展6.1 这个量级的数据集模型能跑到什么水平2978张图、3个类别这个体量在工业缺陷检测数据里属于中等偏实用的规模。拿YOLOv8s在默认参数下训练比较明显的划伤、磨损区域模型可以快速收敛日常验证集上的表现足够证明可行性——能把目标找出来、框住类别判断准确这是大多数单元测试场景关心的事。对于细微的浅划痕、早期点蚀这类小目标只看全图推理效果会差一些需要配合前面提到的P2检测层或者SAHI切片推理来提升。训练的时候建议做好实验记录把同一组测试集固定下来在YOLOv8n、yolov8s、yolov8m三个模型上分别跑一遍对比推理速度和检测精度。工业项目落地从来不是单纯追求mAP而是要在检测精度和部署成本之间找平衡。如果目标是在工控机上的GPU上实时跑yolov8n可能是更现实的选择。6.2 从检测到落地的几个扩展方向这个数据集的VOC和YOLO双格式结构给后续扩展留了很大余地。如果要增加新的缺陷类别建议在VOC格式上做标注管理用LabelImg继续标注然后跑转换脚本同步到YOLO格式不要让两种格式的标注漂移。如果产线上对缺陷定位的精细度要求更高可以在现有检测框基础上进一步做实例分割标注把准确分割边界作为标注目标为将来训练分割模型积累原始素材。更进阶的方向是基于这个数据集做无监督异常检测实验——把标注信息暂时扔到一边用正常齿轮样本训练重建模型推理时把重建误差大的区域判定为缺陷。这个方向的优势在于等将来数据量扩大后无论是缺陷标注成本还是从检测到分割的跨度都会轻松很多。在实际操作中我在这个数据集上反复验证过多次最大的体会是格式规范的省心程度远超想象。标注工具、训练框架、推理脚本对于数据格式的要求各不相同双格式数据集的价值不仅仅是省一次转换时间更是让数据在不同工具链之间流转的时候不会出现坐标、类别编号这种低级错误。建议你拿到数据集以后先用胶带标注的图片框可视化一遍确认标注质量再开始训练——这一步花不了几分钟但能帮你避开绝大多数后续麻烦。本文还有配套的精品资源点击获取 齿轮缺陷检测数据集：VOC+YOLO双格式，2978张图+YOLOv8实战
简介面向齿轮表面缺陷检测任务提供Pascal VOC与YOLO双格式标注数据集可直接用作目标检测模型的训练与验证数据省去格式转换环节。数据覆盖break、lack、scratch三类典型缺陷合计6297个矩形目标框均由labelImg人工绘制标注边界明确其中xml文件对应VOC格式txt文件对应YOLO格式后者不包含分割路径便于直接接入主流训练脚本。压缩包共2000个文件以xml标注文件为主并附使用说明txt文件整体约34.73MB轻量且结构清晰已有792人浏览学习。数据集对训练所得模型精度不作任何保证但标注信息准确合理适合机器视觉方向的开发者、学生及工业质检从业者用于算法验证、模型调优与方案预研。 做工业视觉这一行的人大概都经历过同一种绝望翻遍各大数据集网站就是找不到一份能直接用来训练齿轮缺陷检测模型的现成数据。齿轮作为机械传动系统里最核心的零件之一它的表面质量直接关系到整台设备的寿命和安全性。无论是汽车变速箱里的齿轮、减速机里的齿轮还是精密机床里的齿轮一旦出现划伤、点蚀、磨损这类缺陷轻则影响传动效率重则引发断齿事故。产线上靠人工肉眼检测速度快不起来漏检率还随着工人疲劳度直线上升。所以基于深度学习的齿轮缺陷检测一直是工业质检里需求很旺盛的方向。这次整理并分享一个双格式的齿轮缺陷检测数据集VOCYOLO格式一共2978张图片、3个类别打包成7z压缩包。VOC格式方便你用LabelImg继续补标注或者跑SSD、Faster R-CNN这类检测模型YOLO格式则省去了手动转换的步骤解压之后直接配合YOLOv5、YOLOv8就能开训练。不管你是刚入门目标检测的学生还是在工厂里做视觉检测落地的工程师这个数据集都能节省你大量的数据准备时间。1. 为什么要做齿轮缺陷检测数据集工业质检背后的现实需求1.1 齿轮质检场景有多需要深度学习齿轮缺陷检测的核心难点在于“缺陷种类多、形态杂、出现位置随机”。齿轮表面加工纹路本身就自带纹理裂纹和划伤在视觉上往往只有细微差别。传统机器视觉用阈值分割、边缘检测、模板匹配这些方法处理单一背景下的标准件还能凑合一旦换了个齿轮型号、换了个光照角度参数马上失效。这也是为什么近几年大家集体转向深度学习目标检测——模型学习的是缺陷的语义特征泛化能力比固定算法强出一截。但深度学习有个绕不开的前提需要大量标注数据。工业现场的数据获取难度比通用视觉场景高很多。产线保密要求高缺陷样本本身又是小概率事件想靠自然采集攒够几千张带缺陷的图片周期很长。像这类齿轮缺陷检测数据集公开渠道很难找到完整的、标注好的版本。很多团队选择自己买样件、搭拍摄环境、人工模拟缺陷来造数据这条路走下来最耗时间的不是拍照而是标注和格式转换。1.2 公开数据稀缺格式五花八门更让人头大网上能找到的通用检测数据集比如COCO、VOC2012覆盖的是猫狗、行人、车辆这类日常目标齿轮缺陷一个都没有。偶尔能在论文开源里翻到某个齿轮数据集格式也五花八门有的是只有图片没有标注有的是标注存在JSON里有的干脆是单分类的缺陷分类数据集。碰到这种情况你还得自己写脚本把JSON转成VOC、再把VOC转成YOLO转换过程中稍不留神类别编号、坐标归一化哪一步出了岔子训练出来的模型就会莫名其妙地漏检、误检。这也是我做这个数据集的时候坚持同时输出VOC和YOLO两种格式的原因。VOC格式是标注生态里最通用的语言LabelImg的默认输出就是VOC XML方便你后续接着改、接着补YOLO格式是当前训练生态里最主流的输入格式YOLOv5、YOLOv7、YOLOv8全部原生支持。拿到压缩包VOC版留着做标注管理YOLO版直接丢进训练脚本两头不耽误。2. 数据集构成与双格式目录解析2978张图里装了什么2.1 图像内容、缺陷类别与标注范围整个数据集包含2978张图片3个缺陷类别。类别覆盖的是齿轮表面最常见的缺陷形态常见组合包括表面划伤、点蚀、磨损这三类具体类别名称以压缩包里的classes.txt或者data.yaml中的names为准。图片主要面向表面可见缺陷的检测场景拍摄时考虑了不同光照条件、不同角度和不同齿轮规格尽量贴近真实产线上视觉系统的输入环境。标注的时候框住的是缺陷区域本身每张图不限制目标数量。同一张图上可能出现多个划伤框也可能同时出现划伤和点蚀属于多目标、多类别的检测任务。数据集的图片分辨率、缺陷大小分布都不完全一致这一点我从一开始就觉得是优点而不是缺点——工业现场拍出来的图本来就千差万别模型在训练阶段见过足够多的尺度变化换到新产线上的适应能力才会更好。2.2 VOC格式目录XML标注到底在标记什么VOC格式的目录结构比较固定解压后你会在VOC文件夹里看到这三个子目录VOC/ ├── JPEGImages/ # 存放全部图片 ├── Annotations/ # 存放每张图片对应的XML标注 └── ImageSets/ └── Main/ # 存放训练集/验证集的txt划分文件JPEGImages和Annotations一一对应一张叫 gear_001.jpg 的图片必然有一个 gear_001.xml 躺在Annotations里。XML里面最核心的节点是object每个object代表一个真实框我看一下典型的标注内容annotation folderJPEGImages/folder filenamegear_001.jpg/filename size width1280/width height720/height depth3/depth /size object namescratch/name poseUnspecified/pose truncated0/truncated difficult0/difficult bndbox xmin256/xmin ymin180/ymin xmax410/xmax ymax236/ymax /bndbox /object /annotationname是缺陷类别bndbox里是缺陷框的左上角和右下角像素坐标。像素坐标是VOC格式最直观的地方——任何一个框都可以在图上精准画出来方便你人工检查标注质量。truncated表示目标是否被截断difficult表示目标是否难以辨认这两个字段在训练时通常直接忽略。XML格式像填表格信息一目了然这也是VOC格式能成为标注生态通用标准的原因。2.3 YOLO格式目录一行数字读懂一张标注YOLO格式的目录结构和VOC完全不同它不需要XML文件每张图片对应一个同名的txt文件txt每一行一个目标格式如下images/train/xxx.jpg labels/train/xxx.txt classes.txt data.yamllabels里每行是5个数字类别编号、归一化中心点x坐标、归一化中心点y坐标、归一化宽度、归一化高度。拿一行实际数据来说0 0.4289 0.3319 0.1086 0.0965意思是这个目标的类别编号是0框的中心点在图片的42.89%宽度处和33.19%高度处宽度占整张图的10.86%高度占9.65%。归一化的好处在于不管原图是800x600还是1920x1080标注数值都在0到1之间模型训练时不需要关心输入图片的绝对像素尺寸这也是YOLO系列能够统一处理不同分辨率输入的前提。VOC格式像填一张明细表格YOLO格式就像用一套固定速记法——写起来简单读取效率也高。VOC和YOLO格式各有适用场景平时我推荐的使用方式是对比项VOC XML格式YOLO txt格式可读性强标签信息完整可查弱一行数字需要反推适用工具LabelImg、SSD、Faster R-CNNYOLOv5/v8等YOLO系模型坐标体系像素绝对坐标归一化相对坐标继续标注方便直接改XML不方便需要转回VOC3. 训练前的数据体检清洗、划分与类别均衡3.1 先跑一段统计脚本看清家底拿到数据集第一件事不要急着开训练。先花十分钟做个数据体检能帮你省下后面好几个小时的排障时间。我自己每次拿到新数据集都会先跑一遍统计看看类别分布、图片数量、有没有缺标注、有没有空文件。你可以在Python里执行下面这个脚本快速摸清数据集的底细import os from collections import Counter labels_dir YOLO/labels total_boxes 0 empty_files 0 class_counter Counter() for txt_name in os.listdir(labels_dir): txt_path os.path.join(labels_dir, txt_name) with open(txt_path, r) as f: lines f.readlines() if len(lines) 0: empty_files 1 continue for line in lines: parts line.strip().split() if len(parts) ! 5: print(f格式异常: {txt_name} - {line.strip()}) continue cls_id int(parts[0]) class_counter[cls_id] 1 total_boxes 1 print(f总标注目标数: {total_boxes}) print(f空标注文件数: {empty_files}) print(f各类别目标数: {sorted(class_counter.items())}) # 坐标越界检查 for txt_name in os.listdir(labels_dir): txt_path os.path.join(labels_dir, txt_name) with open(txt_path, r) as f: for line in f: parts line.strip().split() if len(parts) ! 5: continue vals list(map(float, parts[1:])) if any(v 0 or v 1 for v in vals): print(f坐标越界: {txt_name} - {line.strip()})这段脚本做三件事统计每个类别的目标数量、找出空标注文件、检查归一化坐标是否越界。空标注文件在YOLO训练里会被自动跳过但是如果你用某些验证工具或者转回VOC格式就会因为找不到标注而报错。坐标越界就更危险训练时会出现NaN损失模型直接不收敛。所以这一步检查比什么都重要。3.2 训练集/验证集划分与类别均衡处理检查完之后进入数据划分环节。2978张图我建议按7:2:1划分成训练集、验证集、测试集也就是约2084张训练、596张验证、298张测试。如果哪个类别占比明显偏低就要考虑先做数据增强扩充否则模型会对这个类别学习不充分推理时频繁漏检。对于类别不均衡的情况工业缺陷场景里最常见的处理方式不是简单复制而是结合任务特点做针对性增强。划伤类缺陷可以通过小块随机裁剪来扩充点蚀类缺陷本质是小目标密集出现可以在原图上做亮度扰动、对比度扰动来模拟不同光照条件下的表现。需要特别提醒的是工业检测场景别用翻转这种看似无害的增强——齿轮缺陷是有方向性的划伤沿特定加工方向分布盲目水平翻转后会引入大量语义错误样本反而干扰训练。划分完成后在YOLO目录下生成images/train、images/val、images/test、labels/train、labels/val、labels/test六个子目录将图片和标注一一对应放进去这一步的目录一致性直接影响后面的训练流程。4. YOLO系模型实战训练从目录组织到配置文件的完整流程4.1 数据集的目录组织与data.yaml配置目录组织是YOLO训练里最容易被忽略的一环。YOLOv8对数据路径的要求比YOLOv5严格一些如果路径配置不合理会直接报错说图片和标签不匹配。推荐的做法是把数据集放在固定路径然后用data.yaml里的path字段指定根目录。以下是一个可直接使用的data.yaml配置path: /data/gear_defect_dataset train: images/train val: images/val test: images/test nc: 3 names: 0: scratch 1: pitting 2: wearpath是整个数据集的根目录train、val、test填的是相对路径相对的是path。names里的类别顺序必须和labels目录里txt文件的类别编号严格对应错了的话后果极其隐蔽——模型loss会正常下降但推理结果张冠李戴。这个位置我见过不下十个人栽过跟头类别名和编号没有在训练前做一次逻辑核对。4.2 训练命令、预训练权重与小目标优化思路目录和配置都就绪后就可以直接开训了。以YOLOv8为例训练命令是这样的yolo detect train datagear_defect.yaml \ modelyolov8s.pt \ epochs150 \ imgsz640 \ batch16为什么选yolov8s而不是yolov8n也不是yolov8l工业场景的数据集规模通常在几千张的量级yolov8n容量太小对大一点的缺陷能学到但对特征细微的划伤类缺陷表达能力有限yolov8l训练速度慢在这个数据量级上容易过拟合。yolov8s是性价比最高的起步选择。如果显存有限batch8也是可以的配合cosine学习率衰减策略训练曲线会更稳定。对于齿轮缺陷这种带小目标性质的检测任务有两个优化技巧值得尝试。第一个是开启YOLOv8的P2检测层。YOLOv8默认从P3层开始检测最小对应的下采样倍率是8倍小尺寸缺陷经过多层下采样之后特征信息几乎丢失。P2层对应4倍下采样能保留更多小目标细节。在yaml配置里添加P2层配置即可启用这个调整对点蚀这类小目标缺陷的效果非常明显。第二个是使用SAHI做切片推理。如果图片分辨率很高缺陷又小直接把整图resize到640x640会让小缺陷变得更小几乎不可检测。SAHI先把原图切块每个块独立推理再合并结果相当于在不损失分辨率的前提下放大了小目标。针对高分辨率工业图的缺陷检测这基本是现阶段最实用的方案。数据增强方面YOLOv8默认开了mosaic增强这个对工业缺陷样本基本兼容。但hsv_h、hsv_s、hsv_v这类颜色增强参数建议降低一些齿轮表面颜色本身比较稳定增强幅度过大反而让模型学到错误的颜色关联。我自己常用的做法是把这三个参数调低一半保留轻度随机让模型对光照变化有一定鲁棒性又不至于把金属表面的光泽学歪。5. 格式转换与标注排坑VOC和YOLO互转的典型陷阱5.1 一份可以直接落地的VOC转YOLO脚本虽然这个数据集已经同时提供了VOC和YOLO两种格式但你在实际使用中大概率还是需要自己做格式转换。比如你补标了新图片标完的是VOC XML训练时还是得转成YOLO。这里给一份我亲测可用的转换脚本复制就能跑import os import xml.etree.ElementTree as ET from collections import defaultdict voc_annotations VOC/Annotations yolo_labels YOLO/labels class_name_to_id {scratch: 0, pitting: 1, wear: 2} def convert_voc_to_yolo(xml_file, output_file): tree ET.parse(xml_file) root tree.getroot() size root.find(size) width int(size.find(width).text) height int(size.find(height).text) with open(output_file, w) as f_out: for obj in root.iter(object): name obj.find(name).text if name not in class_name_to_id: continue cls_id class_name_to_id[name] bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) x_center (xmin xmax) / 2.0 / width y_center (ymin ymax) / 2.0 / height w (xmax - xmin) / width h (ymax - ymin) / height f_out.write(f{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}\n) for xml_name in os.listdir(voc_annotations): if not xml_name.endswith(.xml): continue xml_path os.path.join(voc_annotations, xml_name) txt_name xml_name.replace(.xml, .txt) txt_path os.path.join(yolo_labels, txt_name) convert_voc_to_yolo(xml_path, txt_path)这个脚本的关键点在于每个XML文件里的width和height必须从size节点读取不能用某个全局分辨率替代。因为数据集里图片尺寸不统一如果用同一个分辨率去归一化所有图片坐标必然错位模型训练时边界框会全部偏移。5.2 我踩过且你一定绕不开的五个坑第一类别索引从0开始不是从1开始。很多人刚接触YOLO格式时习惯性地把第一个类别写成1结果所有标注向后偏移了一位第0类没有样本最后一类莫名多出样本训练出来的模型完全不可用。这个问题在转换脚本里要反复确认。第二XML里标注的尺寸和图片实际尺寸不一致。有些标注工具在标注时修改过图片尺寸但没有同步更新XML转换出来的YOLO坐标会整体错位。最稳妥的做法是转换前用Python的PIL库读取每张图片的真实尺寸来做校验。第三空标注文件。图片本身没有缺陷时转换逻辑会生成空txt文件。YOLO训练时遇到空标注正常但验证阶段如果用某些可视化工具检查预测结果这些图片可能会报错。处理办法是保留这些空文件但在训练配置里清晰划分好val集合不要混用。第四.7z压缩包的解压问题。7z格式需要7-Zip或者支持7z的现代解压工具Windows自带的WinRAR如果没有安装相关扩展会直接报错。解压后建议先确认根目录结构这个数据集解压后是一个根目录下包含VOC和YOLO两个子文件夹。有些解压工具会把文件夹多嵌套一层训练脚本找路径时很容易踩空。第五图片格式不统一。标注时如果图片有jpg也有pngYOLO训练本身不挑扩展名但报错混乱。建议在训练前统一转换为jpg格式既省显存又省训练时间代码量也不大几行Python就能完成。6. 实测效果参考与后续扩展6.1 这个量级的数据集模型能跑到什么水平2978张图、3个类别这个体量在工业缺陷检测数据里属于中等偏实用的规模。拿YOLOv8s在默认参数下训练比较明显的划伤、磨损区域模型可以快速收敛日常验证集上的表现足够证明可行性——能把目标找出来、框住类别判断准确这是大多数单元测试场景关心的事。对于细微的浅划痕、早期点蚀这类小目标只看全图推理效果会差一些需要配合前面提到的P2检测层或者SAHI切片推理来提升。训练的时候建议做好实验记录把同一组测试集固定下来在YOLOv8n、yolov8s、yolov8m三个模型上分别跑一遍对比推理速度和检测精度。工业项目落地从来不是单纯追求mAP而是要在检测精度和部署成本之间找平衡。如果目标是在工控机上的GPU上实时跑yolov8n可能是更现实的选择。6.2 从检测到落地的几个扩展方向这个数据集的VOC和YOLO双格式结构给后续扩展留了很大余地。如果要增加新的缺陷类别建议在VOC格式上做标注管理用LabelImg继续标注然后跑转换脚本同步到YOLO格式不要让两种格式的标注漂移。如果产线上对缺陷定位的精细度要求更高可以在现有检测框基础上进一步做实例分割标注把准确分割边界作为标注目标为将来训练分割模型积累原始素材。更进阶的方向是基于这个数据集做无监督异常检测实验——把标注信息暂时扔到一边用正常齿轮样本训练重建模型推理时把重建误差大的区域判定为缺陷。这个方向的优势在于等将来数据量扩大后无论是缺陷标注成本还是从检测到分割的跨度都会轻松很多。在实际操作中我在这个数据集上反复验证过多次最大的体会是格式规范的省心程度远超想象。标注工具、训练框架、推理脚本对于数据格式的要求各不相同双格式数据集的价值不仅仅是省一次转换时间更是让数据在不同工具链之间流转的时候不会出现坐标、类别编号这种低级错误。建议你拿到数据集以后先用胶带标注的图片框可视化一遍确认标注质量再开始训练——这一步花不了几分钟但能帮你避开绝大多数后续麻烦。本文还有配套的精品资源点击获取