尧图网站建设 
简介本资源面向从事电子制造质检、PCB缺陷检测及YOLO目标检测实战的开发者与研究人员提供一套可直接用于训练的电路板元器件图像数据集覆盖目标检测、小目标检测与密集检测等典型场景。压缩包共约2000个文件以1660个txt标签、339张jpg图像和1个py可视化脚本为主整体约63.56MB按YOLOv5目录结构组织包含训练集约1500张、验证集约80张、测试集约40张及对应标注文件类别涵盖保险丝、散热片、IC、电感器、晶体管、电容器等34类具体可参考classes文件。配套可视化脚本无需修改即可运行随机传入一张图片便能绘制边界框并保存至当前目录便于快速核验标注质量。目前已有834人学习下载适合需要快速搭建PCB元器件检测基线、验证小目标与密集目标算法效果的读者参考使用。1. 电路板元器件检测为什么你的 YOLO 模型总在小目标上翻车板子一拍几百个 0402 电阻电容挤在几平方厘米里标注框小到十几个像素训练完 mAP 看着还行一上产线就漏检、误检、框飘。这是电路板元器件图像目标检测最典型的开局。它属于典型的小目标检测加密集检测场景目标物理尺寸小、同类目标高度相似、排列密集且相互遮挡背景还是规则但纹理复杂的 PCB 走线。普通 YOLO 数据集直接套用往往在验证集上给你一个漂亮的数字实际部署时却频繁翻车。这个方向适合三类人做工业质检、SMT 贴片后 AOI 复判的工程师手里有板卡图像、想用 YOLO 跑通小目标检测的学生和算法爱好者以及需要一套划分好的数据集、类别文件和可视化脚本快速验证方案的人。核心难点不在模型结构而在数据本身——标注粒度、划分策略、类别定义、可视化校验这四件事决定了你的模型是能落地还是只能跑 demo。下面按「数据集怎么组织 → 怎么训练 → 坑在哪 → 怎么验证」的顺序把电路板元器件检测这条链路拆开讲。2. 电路板元器件数据集怎么组织划分、类别与可视化校验2.1 为什么电路板数据集不能直接按 8:1:1 随机划分通用目标检测数据集常按 8:1:1 随机切分训练、验证、测试。放到电路板上这个做法会埋雷。同一块板子的不同区域高度相似随机切分会让训练集和验证集出现近乎重复的样本验证指标虚高。更合理的做法是按板卡划分同一块板子的所有图像只进一个集合保证验证集里的板子训练时没见过。如果图像是按板子逐块拍摄的就按板号分组如果是整板大图切patch就按原图分组切出来的 patch 不能跨集合。常见做法是训练集覆盖多种板型验证集留一到两种板型测试集再用完全没出现过的板型。这样得到的指标才接近产线换板时的真实表现。类别定义也要克制电阻、电容、电感、IC、二极管、三极管、连接器、焊点这些够用就行不要按封装再细分 0402、0603、0805否则小类别样本极少模型学不动。类别文件 classes.txt 一行一个类名顺序必须和标注文件里的 class id 严格对应错一位整个数据集就废了。2.2 目录结构与类别文件的最小可用模板YOLO 系列的数据集目录结构比较固定图像和标签分开放文件名一一对应。下面是一个可直接抄的目录模板适用于 YOLOv5/v8/v11 等主流版本。pcb_dataset/ ├── images/ │ ├── train/ # 训练图像 │ ├── val/ # 验证图像 │ └── test/ # 测试图像 ├── labels/ │ ├── train/ # 训练标签与图像同名 .txt │ ├── val/ │ └── test/ ├── classes.txt # 类别名一行一个 └── data.yaml # 数据集配置文件标签文件是 YOLO 格式每行class_id x_center y_center width height坐标全部归一化到 0~1。电路板小目标的框往往只有零点零几的宽高浮点精度要保留足够位数别四舍五入到两位否则框会抖。classes.txt 和 data.yaml 里的 names 必须一致建议用脚本从 classes.txt 生成 data.yaml避免手改漏改。# gen_data_yaml.py # 从 classes.txt 生成 data.yaml保证类别顺序一致 import yaml with open(pcb_dataset/classes.txt, r, encodingutf-8) as f: names [line.strip() for line in f if line.strip()] data { path: ./pcb_dataset, # 数据集根目录 train: images/train, # 相对 path 的训练图像目录 val: images/val, test: images/test, nc: len(names), # 类别数 names: names # 类别名列表 } with open(pcb_dataset/data.yaml, w, encodingutf-8) as f: yaml.dump(data, f, allow_unicodeTrue, sort_keysFalse) print(data.yaml 已生成类别数:, len(names))这段脚本做两件事读取 classes.txt 得到有序类别名写出 data.yaml。参数path是数据集根目录训练时 YOLO 会把它和train、val拼成完整路径nc必须等于类别数写错会直接报维度不匹配。allow_unicodeTrue保证中文类名不被转义。生成后建议人工核对一遍 names 顺序和 classes.txt 是否逐行一致。2.3 数据可视化脚本训练前必须做的框校验标注框画错、坐标越界、类别错位这些问题不可视化根本发现不了。训练前跑一遍可视化脚本把图像和框叠在一起看是省后悔药的关键一步。下面脚本用 OpenCV 把 YOLO 标签画回图像支持中文类名显示。# visualize_boxes.py # 将 YOLO 格式标签可视化检查框和类别是否正确 import cv2 import os import numpy as np IMG_DIR pcb_dataset/images/train LBL_DIR pcb_dataset/labels/train CLASSES [l.strip() for l in open(pcb_dataset/classes.txt, encodingutf-8)] COLORS [(0,255,0),(0,0,255),(255,0,0),(0,255,255),(255,0,255),(255,255,0)] def draw(img_path, lbl_path): img cv2.imread(img_path) h, w img.shape[:2] if not os.path.exists(lbl_path): return img with open(lbl_path, encodingutf-8) as f: for line in f: cid, xc, yc, bw, bh map(float, line.split()) # 归一化坐标还原为像素坐标 x1 int((xc - bw/2) * w) y1 int((yc - bh/2) * h) x2 int((xc bw/2) * w) y2 int((yc bh/2) * h) color COLORS[int(cid) % len(COLORS)] cv2.rectangle(img, (x1,y1), (x2,y2), color, 1) cv2.putText(img, CLASSES[int(cid)], (x1, max(y1-3,10)), cv2.FONT_HERSHEY_SIMPLEX, 0.4, color, 1) return img for name in os.listdir(IMG_DIR)[:20]: # 先抽查前 20 张 img_path os.path.join(IMG_DIR, name) lbl_path os.path.join(LBL_DIR, os.path.splitext(name)[0] .txt) vis draw(img_path, lbl_path) cv2.imwrite(vis_ name, vis) print(可视化完成检查 vis_ 开头的图片)逻辑说明脚本遍历图像目录对每张图读取同名标签把归一化坐标还原成像素坐标后画框。参数IMG_DIR、LBL_DIR指向对应集合CLASSES从 classes.txt 读取保证类名一致。框线宽设为 1因为小目标框很密线太粗会糊成一片。抽查前 20 张足够发现系统性问题如果框整体偏移多半是坐标格式搞混YOLO 是中心点加宽高不是左上右下如果框大小对但类别全错就是 class id 和 classes.txt 顺序不一致。这一步花十分钟能省掉几小时训练后的排查。3. 用 YOLOv8 训练电路板小目标参数怎么设、密集框怎么调3.1 小目标检测的输入尺寸与 anchor 选择电路板小目标的核心矛盾是分辨率。0402 元件在原图上可能只有 8~15 像素如果输入尺寸压到 640下采样后特征图上只剩一两个像素模型根本学不到。常见做法是把imgsz提到 1024 甚至 1280代价是显存和训练时间上升。显存不够时优先加输入尺寸而不是加 batch小目标对分辨率更敏感。YOLOv8 默认是 anchor-free 的不需要手动设 anchor但特征金字塔的检测头分配策略对小目标影响很大。如果用的是带 anchor 的版本如 YOLOv5anchor 尺寸要针对小目标重新聚类别用 COCO 的默认值。聚类命令用 k-means 跑一遍自己的标注框宽高得到适合本数据集的 anchor。密集检测还要注意 NMS 的 IoU 阈值元件挨得近阈值设太高会把相邻目标合并设太低又会出现重复框。经验值从 0.5 起步密集场景可降到 0.45 左右配合置信度门限一起调。3.2 训练命令与关键参数逐项说明下面是一条可直接跑的训练命令基于 YOLOv8参数针对电路板小目标做了调整。yolo detect train \ datapcb_dataset/data.yaml \ modelyolov8s.pt \ imgsz1024 \ epochs200 \ batch8 \ workers4 \ optimizerSGD \ lr00.01 \ lrf0.01 \ momentum0.937 \ weight_decay0.0005 \ warmup_epochs3 \ cos_lrTrue \ close_mosaic20 \ patience50 \ cacheTrue \ device0逐项说明imgsz1024是小目标的关键别省batch8在 1024 尺寸下对单卡 8G 显存比较稳显存大可加到 16optimizerSGD配合lr00.01是 YOLO 系列的常规组合lrf0.01让学习率余弦衰减到初始值的百分之一warmup_epochs3防止初期梯度爆炸close_mosaic20表示最后 20 个 epoch 关闭 mosaic 增强让模型在真实分布上收敛这对小目标尤其重要因为 mosaic 拼接会进一步缩小目标patience50是早停耐心值验证指标 50 轮不升就停cacheTrue把图像缓存到内存小数据集能明显加速。如果训练中途显存溢出先降 batch 再考虑降 imgsz别一上来就砍分辨率。3.3 密集检测下的置信度门限与 NMS 调参训练完不是终点推理参数直接决定产线表现。密集检测最容易出的问题是漏检和重复框并存。置信度门限conf设太高小目标因为得分普遍偏低被滤掉设太低背景误检冒出来。建议在验证集上画一条 conf-召回率曲线找召回率拐点。常见起点是conf0.25电路板小目标可试 0.15~0.2。NMS 的iou阈值控制框合并。元件密集时两个真实目标框的 IoU 可能就有 0.3~0.4阈值设 0.5 以上容易误合并。可以降到 0.45同时开启agnostic_nms让不同类别之间也做 NMS避免同一元件被识别成两个类。推理命令示例yolo detect predict \ modelruns/detect/train/weights/best.pt \ sourcepcb_dataset/images/test \ imgsz1024 \ conf0.2 \ iou0.45 \ agnostic_nmsTrue \ saveTrue参数conf0.2和iou0.45是密集小目标的常用起点agnostic_nmsTrue处理跨类重复。跑完看runs/detect/predict下的结果图重点看密集区域的框有没有粘连、有没有整片漏检。如果漏检集中在某类元件回去查那类的标注数量和框质量而不是急着改模型。4. 电路板检测避坑五条血泪经验4.1 现象验证 mAP 很高测试集一塌糊涂原因按图像随机划分导致训练集和验证集高度相似模型记住了板子而不是元件。解决改成按板卡分组划分同一块板子的图像只进一个集合验证集留没见过的板型。4.2 现象小目标框整体偏移或大小不对原因标注坐标格式搞混把左上右下当成中心点宽高或者归一化时用错了图像尺寸。解决跑 2.3 的可视化脚本抽查确认标签是 YOLO 的中心点归一化格式坐标还原时用原图宽高。4.3 现象训练 loss 正常下降但密集区域全是重复框原因NMS 的 IoU 阈值偏高相邻元件框被误判为同一目标后又分裂。解决把推理iou降到 0.45 左右开启agnostic_nms并在验证集上对比不同阈值的框数量。4.4 现象某类元件几乎检不到原因该类样本太少或者类别 id 在部分标签文件里写错。解决统计每类框数量少于 100 个的类考虑合并或补数据用脚本扫描所有标签的 class id 范围确认没有越界或错位。4.5 现象训练到后期指标突然掉原因mosaic 增强一直开着小目标被拼得更小模型在真实分布上反而退化。解决设置close_mosaic在最后若干 epoch 关闭增强让模型在原始尺度上收尾。5. 进阶用切片推理和可视化复核把漏检压下去训练和调参做完如果密集小目标还有漏检别急着换模型先上切片推理SAHI 思路。原理是把大图切成有重叠的小块每块单独推理再合并结果等效于放大了小目标。对电路板这种目标小且分布均匀的场景切片推理往往比单纯加大输入尺寸更划算。常见做法是切 640×640 的块重叠 20%合并时用 NMS 去重。# slice_infer.py # 简易切片推理切块推理后合并缓解小目标漏检 import cv2 from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) img cv2.imread(pcb_dataset/images/test/board_01.jpg) H, W img.shape[:2] TILE, OVERLAP 640, 128 # 切块尺寸与重叠像素 step TILE - OVERLAP all_boxes [] for y in range(0, H, step): for x in range(0, W, step): tile img[y:yTILE, x:xTILE] if tile.shape[0] 32 or tile.shape[1] 32: continue res model.predict(tile, imgszTILE, conf0.2, iou0.45, verboseFalse) for b in res[0].boxes: xyxy b.xyxy[0].tolist() # 把块内坐标还原到原图 all_boxes.append([xyxy[0]x, xyxy[1]y, xyxy[2]x, xyxy[3]y, float(b.conf), int(b.cls)]) # 合并阶段用简单 NMS 去重 def nms(boxes, iou_thr0.5): boxes sorted(boxes, keylambda b: b[4], reverseTrue) keep [] while boxes: best boxes.pop(0) keep.append(best) boxes [b for b in boxes if iou(best, b) iou_thr] return keep def iou(a, b): x1, y1 max(a[0], b[0]), max(a[1], b[1]) x2, y2 min(a[2], b[2]), min(a[3], b[3]) inter max(0, x2-x1) * max(0, y2-y1) area_a (a[2]-a[0]) * (a[3]-a[1]) area_b (b[2]-b[0]) * (b[3]-b[1]) return inter / (area_a area_b - inter 1e-6) final nms(all_boxes, 0.5) print(切片推理后保留框数:, len(final))逻辑说明脚本按步长滑窗切块每块单独推理再把框坐标加回原图偏移最后用 NMS 合并。参数TILE640是单块推理尺寸OVERLAP128保证块边界的目标不被切断step是滑动步长。合并阶段的iou_thr0.5控制去重力度密集场景可降到 0.45。切片推理的代价是推理时间成倍增加适合离线复判或抽检不适合高节拍在线检测。验证阶段除了看 mAP更要看具体漏检位置。把预测框和真实框叠在同一张图上用不同颜色区分漏检的地方会直接暴露出来。我一般会挑十张最密集的板子图做人工复核统计漏检率和误检率而不是只看一个聚合指标。电路板检测这件事数据划分和可视化校验的收益远大于换模型把这两步做扎实再谈改进。希望帮到你。本文还有配套的精品资源点击获取 电路板元器件检测：YOLO小目标漏检与密集框调参实战
简介本资源面向从事电子制造质检、PCB缺陷检测及YOLO目标检测实战的开发者与研究人员提供一套可直接用于训练的电路板元器件图像数据集覆盖目标检测、小目标检测与密集检测等典型场景。压缩包共约2000个文件以1660个txt标签、339张jpg图像和1个py可视化脚本为主整体约63.56MB按YOLOv5目录结构组织包含训练集约1500张、验证集约80张、测试集约40张及对应标注文件类别涵盖保险丝、散热片、IC、电感器、晶体管、电容器等34类具体可参考classes文件。配套可视化脚本无需修改即可运行随机传入一张图片便能绘制边界框并保存至当前目录便于快速核验标注质量。目前已有834人学习下载适合需要快速搭建PCB元器件检测基线、验证小目标与密集目标算法效果的读者参考使用。1. 电路板元器件检测为什么你的 YOLO 模型总在小目标上翻车板子一拍几百个 0402 电阻电容挤在几平方厘米里标注框小到十几个像素训练完 mAP 看着还行一上产线就漏检、误检、框飘。这是电路板元器件图像目标检测最典型的开局。它属于典型的小目标检测加密集检测场景目标物理尺寸小、同类目标高度相似、排列密集且相互遮挡背景还是规则但纹理复杂的 PCB 走线。普通 YOLO 数据集直接套用往往在验证集上给你一个漂亮的数字实际部署时却频繁翻车。这个方向适合三类人做工业质检、SMT 贴片后 AOI 复判的工程师手里有板卡图像、想用 YOLO 跑通小目标检测的学生和算法爱好者以及需要一套划分好的数据集、类别文件和可视化脚本快速验证方案的人。核心难点不在模型结构而在数据本身——标注粒度、划分策略、类别定义、可视化校验这四件事决定了你的模型是能落地还是只能跑 demo。下面按「数据集怎么组织 → 怎么训练 → 坑在哪 → 怎么验证」的顺序把电路板元器件检测这条链路拆开讲。2. 电路板元器件数据集怎么组织划分、类别与可视化校验2.1 为什么电路板数据集不能直接按 8:1:1 随机划分通用目标检测数据集常按 8:1:1 随机切分训练、验证、测试。放到电路板上这个做法会埋雷。同一块板子的不同区域高度相似随机切分会让训练集和验证集出现近乎重复的样本验证指标虚高。更合理的做法是按板卡划分同一块板子的所有图像只进一个集合保证验证集里的板子训练时没见过。如果图像是按板子逐块拍摄的就按板号分组如果是整板大图切patch就按原图分组切出来的 patch 不能跨集合。常见做法是训练集覆盖多种板型验证集留一到两种板型测试集再用完全没出现过的板型。这样得到的指标才接近产线换板时的真实表现。类别定义也要克制电阻、电容、电感、IC、二极管、三极管、连接器、焊点这些够用就行不要按封装再细分 0402、0603、0805否则小类别样本极少模型学不动。类别文件 classes.txt 一行一个类名顺序必须和标注文件里的 class id 严格对应错一位整个数据集就废了。2.2 目录结构与类别文件的最小可用模板YOLO 系列的数据集目录结构比较固定图像和标签分开放文件名一一对应。下面是一个可直接抄的目录模板适用于 YOLOv5/v8/v11 等主流版本。pcb_dataset/ ├── images/ │ ├── train/ # 训练图像 │ ├── val/ # 验证图像 │ └── test/ # 测试图像 ├── labels/ │ ├── train/ # 训练标签与图像同名 .txt │ ├── val/ │ └── test/ ├── classes.txt # 类别名一行一个 └── data.yaml # 数据集配置文件标签文件是 YOLO 格式每行class_id x_center y_center width height坐标全部归一化到 0~1。电路板小目标的框往往只有零点零几的宽高浮点精度要保留足够位数别四舍五入到两位否则框会抖。classes.txt 和 data.yaml 里的 names 必须一致建议用脚本从 classes.txt 生成 data.yaml避免手改漏改。# gen_data_yaml.py # 从 classes.txt 生成 data.yaml保证类别顺序一致 import yaml with open(pcb_dataset/classes.txt, r, encodingutf-8) as f: names [line.strip() for line in f if line.strip()] data { path: ./pcb_dataset, # 数据集根目录 train: images/train, # 相对 path 的训练图像目录 val: images/val, test: images/test, nc: len(names), # 类别数 names: names # 类别名列表 } with open(pcb_dataset/data.yaml, w, encodingutf-8) as f: yaml.dump(data, f, allow_unicodeTrue, sort_keysFalse) print(data.yaml 已生成类别数:, len(names))这段脚本做两件事读取 classes.txt 得到有序类别名写出 data.yaml。参数path是数据集根目录训练时 YOLO 会把它和train、val拼成完整路径nc必须等于类别数写错会直接报维度不匹配。allow_unicodeTrue保证中文类名不被转义。生成后建议人工核对一遍 names 顺序和 classes.txt 是否逐行一致。2.3 数据可视化脚本训练前必须做的框校验标注框画错、坐标越界、类别错位这些问题不可视化根本发现不了。训练前跑一遍可视化脚本把图像和框叠在一起看是省后悔药的关键一步。下面脚本用 OpenCV 把 YOLO 标签画回图像支持中文类名显示。# visualize_boxes.py # 将 YOLO 格式标签可视化检查框和类别是否正确 import cv2 import os import numpy as np IMG_DIR pcb_dataset/images/train LBL_DIR pcb_dataset/labels/train CLASSES [l.strip() for l in open(pcb_dataset/classes.txt, encodingutf-8)] COLORS [(0,255,0),(0,0,255),(255,0,0),(0,255,255),(255,0,255),(255,255,0)] def draw(img_path, lbl_path): img cv2.imread(img_path) h, w img.shape[:2] if not os.path.exists(lbl_path): return img with open(lbl_path, encodingutf-8) as f: for line in f: cid, xc, yc, bw, bh map(float, line.split()) # 归一化坐标还原为像素坐标 x1 int((xc - bw/2) * w) y1 int((yc - bh/2) * h) x2 int((xc bw/2) * w) y2 int((yc bh/2) * h) color COLORS[int(cid) % len(COLORS)] cv2.rectangle(img, (x1,y1), (x2,y2), color, 1) cv2.putText(img, CLASSES[int(cid)], (x1, max(y1-3,10)), cv2.FONT_HERSHEY_SIMPLEX, 0.4, color, 1) return img for name in os.listdir(IMG_DIR)[:20]: # 先抽查前 20 张 img_path os.path.join(IMG_DIR, name) lbl_path os.path.join(LBL_DIR, os.path.splitext(name)[0] .txt) vis draw(img_path, lbl_path) cv2.imwrite(vis_ name, vis) print(可视化完成检查 vis_ 开头的图片)逻辑说明脚本遍历图像目录对每张图读取同名标签把归一化坐标还原成像素坐标后画框。参数IMG_DIR、LBL_DIR指向对应集合CLASSES从 classes.txt 读取保证类名一致。框线宽设为 1因为小目标框很密线太粗会糊成一片。抽查前 20 张足够发现系统性问题如果框整体偏移多半是坐标格式搞混YOLO 是中心点加宽高不是左上右下如果框大小对但类别全错就是 class id 和 classes.txt 顺序不一致。这一步花十分钟能省掉几小时训练后的排查。3. 用 YOLOv8 训练电路板小目标参数怎么设、密集框怎么调3.1 小目标检测的输入尺寸与 anchor 选择电路板小目标的核心矛盾是分辨率。0402 元件在原图上可能只有 8~15 像素如果输入尺寸压到 640下采样后特征图上只剩一两个像素模型根本学不到。常见做法是把imgsz提到 1024 甚至 1280代价是显存和训练时间上升。显存不够时优先加输入尺寸而不是加 batch小目标对分辨率更敏感。YOLOv8 默认是 anchor-free 的不需要手动设 anchor但特征金字塔的检测头分配策略对小目标影响很大。如果用的是带 anchor 的版本如 YOLOv5anchor 尺寸要针对小目标重新聚类别用 COCO 的默认值。聚类命令用 k-means 跑一遍自己的标注框宽高得到适合本数据集的 anchor。密集检测还要注意 NMS 的 IoU 阈值元件挨得近阈值设太高会把相邻目标合并设太低又会出现重复框。经验值从 0.5 起步密集场景可降到 0.45 左右配合置信度门限一起调。3.2 训练命令与关键参数逐项说明下面是一条可直接跑的训练命令基于 YOLOv8参数针对电路板小目标做了调整。yolo detect train \ datapcb_dataset/data.yaml \ modelyolov8s.pt \ imgsz1024 \ epochs200 \ batch8 \ workers4 \ optimizerSGD \ lr00.01 \ lrf0.01 \ momentum0.937 \ weight_decay0.0005 \ warmup_epochs3 \ cos_lrTrue \ close_mosaic20 \ patience50 \ cacheTrue \ device0逐项说明imgsz1024是小目标的关键别省batch8在 1024 尺寸下对单卡 8G 显存比较稳显存大可加到 16optimizerSGD配合lr00.01是 YOLO 系列的常规组合lrf0.01让学习率余弦衰减到初始值的百分之一warmup_epochs3防止初期梯度爆炸close_mosaic20表示最后 20 个 epoch 关闭 mosaic 增强让模型在真实分布上收敛这对小目标尤其重要因为 mosaic 拼接会进一步缩小目标patience50是早停耐心值验证指标 50 轮不升就停cacheTrue把图像缓存到内存小数据集能明显加速。如果训练中途显存溢出先降 batch 再考虑降 imgsz别一上来就砍分辨率。3.3 密集检测下的置信度门限与 NMS 调参训练完不是终点推理参数直接决定产线表现。密集检测最容易出的问题是漏检和重复框并存。置信度门限conf设太高小目标因为得分普遍偏低被滤掉设太低背景误检冒出来。建议在验证集上画一条 conf-召回率曲线找召回率拐点。常见起点是conf0.25电路板小目标可试 0.15~0.2。NMS 的iou阈值控制框合并。元件密集时两个真实目标框的 IoU 可能就有 0.3~0.4阈值设 0.5 以上容易误合并。可以降到 0.45同时开启agnostic_nms让不同类别之间也做 NMS避免同一元件被识别成两个类。推理命令示例yolo detect predict \ modelruns/detect/train/weights/best.pt \ sourcepcb_dataset/images/test \ imgsz1024 \ conf0.2 \ iou0.45 \ agnostic_nmsTrue \ saveTrue参数conf0.2和iou0.45是密集小目标的常用起点agnostic_nmsTrue处理跨类重复。跑完看runs/detect/predict下的结果图重点看密集区域的框有没有粘连、有没有整片漏检。如果漏检集中在某类元件回去查那类的标注数量和框质量而不是急着改模型。4. 电路板检测避坑五条血泪经验4.1 现象验证 mAP 很高测试集一塌糊涂原因按图像随机划分导致训练集和验证集高度相似模型记住了板子而不是元件。解决改成按板卡分组划分同一块板子的图像只进一个集合验证集留没见过的板型。4.2 现象小目标框整体偏移或大小不对原因标注坐标格式搞混把左上右下当成中心点宽高或者归一化时用错了图像尺寸。解决跑 2.3 的可视化脚本抽查确认标签是 YOLO 的中心点归一化格式坐标还原时用原图宽高。4.3 现象训练 loss 正常下降但密集区域全是重复框原因NMS 的 IoU 阈值偏高相邻元件框被误判为同一目标后又分裂。解决把推理iou降到 0.45 左右开启agnostic_nms并在验证集上对比不同阈值的框数量。4.4 现象某类元件几乎检不到原因该类样本太少或者类别 id 在部分标签文件里写错。解决统计每类框数量少于 100 个的类考虑合并或补数据用脚本扫描所有标签的 class id 范围确认没有越界或错位。4.5 现象训练到后期指标突然掉原因mosaic 增强一直开着小目标被拼得更小模型在真实分布上反而退化。解决设置close_mosaic在最后若干 epoch 关闭增强让模型在原始尺度上收尾。5. 进阶用切片推理和可视化复核把漏检压下去训练和调参做完如果密集小目标还有漏检别急着换模型先上切片推理SAHI 思路。原理是把大图切成有重叠的小块每块单独推理再合并结果等效于放大了小目标。对电路板这种目标小且分布均匀的场景切片推理往往比单纯加大输入尺寸更划算。常见做法是切 640×640 的块重叠 20%合并时用 NMS 去重。# slice_infer.py # 简易切片推理切块推理后合并缓解小目标漏检 import cv2 from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) img cv2.imread(pcb_dataset/images/test/board_01.jpg) H, W img.shape[:2] TILE, OVERLAP 640, 128 # 切块尺寸与重叠像素 step TILE - OVERLAP all_boxes [] for y in range(0, H, step): for x in range(0, W, step): tile img[y:yTILE, x:xTILE] if tile.shape[0] 32 or tile.shape[1] 32: continue res model.predict(tile, imgszTILE, conf0.2, iou0.45, verboseFalse) for b in res[0].boxes: xyxy b.xyxy[0].tolist() # 把块内坐标还原到原图 all_boxes.append([xyxy[0]x, xyxy[1]y, xyxy[2]x, xyxy[3]y, float(b.conf), int(b.cls)]) # 合并阶段用简单 NMS 去重 def nms(boxes, iou_thr0.5): boxes sorted(boxes, keylambda b: b[4], reverseTrue) keep [] while boxes: best boxes.pop(0) keep.append(best) boxes [b for b in boxes if iou(best, b) iou_thr] return keep def iou(a, b): x1, y1 max(a[0], b[0]), max(a[1], b[1]) x2, y2 min(a[2], b[2]), min(a[3], b[3]) inter max(0, x2-x1) * max(0, y2-y1) area_a (a[2]-a[0]) * (a[3]-a[1]) area_b (b[2]-b[0]) * (b[3]-b[1]) return inter / (area_a area_b - inter 1e-6) final nms(all_boxes, 0.5) print(切片推理后保留框数:, len(final))逻辑说明脚本按步长滑窗切块每块单独推理再把框坐标加回原图偏移最后用 NMS 合并。参数TILE640是单块推理尺寸OVERLAP128保证块边界的目标不被切断step是滑动步长。合并阶段的iou_thr0.5控制去重力度密集场景可降到 0.45。切片推理的代价是推理时间成倍增加适合离线复判或抽检不适合高节拍在线检测。验证阶段除了看 mAP更要看具体漏检位置。把预测框和真实框叠在同一张图上用不同颜色区分漏检的地方会直接暴露出来。我一般会挑十张最密集的板子图做人工复核统计漏检率和误检率而不是只看一个聚合指标。电路板检测这件事数据划分和可视化校验的收益远大于换模型把这两步做扎实再谈改进。希望帮到你。本文还有配套的精品资源点击获取