焊缝缺陷数据集 6400张图片 支持YOLO格式图片清晰带标注直接可以用YOLO系列模型训练适合做焊缝检测、裂纹、孔洞、飞溅、焊接线等目标识别标注Crack 裂纹Porosity 气孔Spatters 焊渣Welding line 熔接线焊缝缺陷目标检测数据集 完整说明 YOLO训练代码一、数据集核心信息表项目详情数据总量6400张 工业焊缝实拍图像标注格式标准YOLO .txt 格式每张图对应同名标签文件目标类别4类焊缝缺陷1类焊接线共4个检测类别适用场景工业焊缝质量检测、缺陷识别、智能制造项目、学业研究实验图像特点工业现场实拍覆盖不同光照、角度、焊缝类型画面清晰缺陷特征明确数据划分推荐训练集:验证集:测试集 8:1:1可直接使用预设划分适配模型YOLOv5/YOLOv8/YOLOv11 全系列目标检测模型二、数据集类别详情表类别ID英文名称中文名称检测目标0Crack裂纹焊缝表面的裂纹、开裂缺陷1Porosity气孔焊缝内部/表面的气孔、空洞缺陷2Spatters焊渣/飞溅焊缝表面的焊渣、焊接飞溅物3Welding line熔接线/焊缝焊缝的熔合线、焊接轨迹三、标注格式说明表格式类型规则说明示例YOLO TXT每行格式类别ID x y w h坐标为归一化值0-1之间顺序为类别ID、中心点x、中心点y、宽度w、高度h0 0.425 0.318 0.224 0.196裂纹1 0.510 0.422 0.081 0.075气孔VOC XML可选兼容标准PASCAL VOC格式包含图片尺寸、目标边界框、类别名称见下方格式转换脚本四、数据集目录结构标准YOLO格式weld_defect_dataset/ ├── images/ │ ├── train/ # 训练集图片约5120张 │ ├── val/ # 验证集图片约640张 │ └── test/ # 测试集图片约640张 ├── labels/ │ ├── train/ # 训练集YOLO标签(.txt) │ ├── val/ # 验证集YOLO标签(.txt) │ └── test/ # 测试集YOLO标签(.txt) └── weld_defect.yaml # YOLO数据集配置文件五、数据集配置文件weld_defect.yaml放在数据集根目录直接复制使用适配YOLO全系列训练# 数据集根路径根据你的实际文件路径修改path:./weld_defect_datasettrain:images/trainval:images/valtest:images/test# 类别数量 类别名称和标注ID严格对应nc:4names:0:Crack1:Porosity2:Spatters3:Welding line六、环境依赖安装# 安装YOLO核心库工业场景辅助依赖pipinstallultralytics opencv-python numpy tqdm lxml七、配套辅助脚本1. 数据集自动划分脚本8:1:1拆分如果你的数据集还未划分运行该脚本自动拆分图片标签到训练/验证/测试集importosimportrandomimportshutil# 配置参数img_dir./weld_defect_dataset/JPEGImages# 你的原图文件夹label_dir./weld_defect_dataset/labels# 你的标签文件夹save_root./weld_defect_datasettrain_ratio0.8val_ratio0.1test_ratio0.1# 创建标准目录defmake_dir(path):ifnotos.path.exists(path):os.makedirs(path)# 生成目录路径img_trainos.path.join(save_root,images/train)img_valos.path.join(save_root,images/val)img_testos.path.join(save_root,images/test)label_trainos.path.join(save_root,labels/train)label_valos.path.join(save_root,labels/val)label_testos.path.join(save_root,labels/test)# 创建所有目录fordin[img_train,img_val,img_test,label_train,label_val,label_test]:make_dir(d)# 获取所有图片文件img_list[fforfinos.listdir(img_dir)iff.endswith((.jpg,.png,.jpeg))]random.shuffle(img_list)# 随机打乱total_numlen(img_list)# 计算划分数量train_numint(total_num*train_ratio)val_numint(total_num*val_ratio)# 拆分数据集train_setimg_list[:train_num]val_setimg_list[train_num:train_numval_num]test_setimg_list[train_numval_num:]# 复制文件函数defcopy_files(file_list,dst_img,dst_label):forfileinfile_list:nameos.path.splitext(file)[0]# 复制图片shutil.copy(os.path.join(img_dir,file),os.path.join(dst_img,file))# 复制对应标签txt_filename.txtifos.path.exists(os.path.join(label_dir,txt_file)):shutil.copy(os.path.join(label_dir,txt_file),os.path.join(dst_label,txt_file))# 执行复制copy_files(train_set,img_train,label_train)copy_files(val_set,img_val,label_val)copy_files(test_set,img_test,label_test)print(f数据集划分完成)print(f训练集{len(train_set)}张)print(f验证集{len(val_set)}张)print(f测试集{len(test_set)}张)2. VOC XML 转 YOLO TXT 格式转换脚本如果你的标注是VOC格式运行该脚本一键转为YOLO格式importosimportxml.etree.ElementTreeasET# 类别映射和yaml文件严格对应class_names[Crack,Porosity,Spatters,Welding line]xml_dir./weld_defect_dataset/Annotations# VOC标签文件夹save_txt_dir./weld_defect_dataset/labels# 输出YOLO标签文件夹# 创建输出目录ifnotos.path.exists(save_txt_dir):os.makedirs(save_txt_dir)# 转换函数defxml_to_yolo(xml_file):treeET.parse(xml_file)roottree.getroot()# 获取图片尺寸sizeroot.find(size)img_wint(size.find(width).text)img_hint(size.find(height).text)# 生成txt文件路径txt_nameos.path.basename(xml_file).replace(.xml,.txt)txt_pathos.path.join(save_txt_dir,txt_name)withopen(txt_path,w,encodingutf-8)asf:# 遍历所有目标forobjinroot.iter(object):cls_nameobj.find(name).textifcls_namenotinclass_names:continuecls_idclass_names.index(cls_name)# 获取边界框坐标bndboxobj.find(bndbox)x1float(bndbox.find(xmin).text)y1float(bndbox.find(ymin).text)x2float(bndbox.find(xmax).text)y2float(bndbox.find(ymax).text)# 转换为YOLO归一化格式x_center(x1x2)/2.0/img_w y_center(y1y2)/2.0/img_h width(x2-x1)/img_w height(y2-y1)/img_h# 写入txtf.write(f{cls_id}{x_center:.6f}{y_center:.6f}{width:.6f}{height:.6f}\n)# 批量转换forxml_fileinos.listdir(xml_dir):ifxml_file.endswith(.xml):xml_to_yolo(os.path.join(xml_dir,xml_file))print(VOC转YOLO格式转换完成)八、YOLOv8 训练代码工业焊缝场景优化版新建train_weld_defect.py直接运行即可训练fromultralyticsimportYOLOdeftrain_weld_defect():# 加载预训练模型# yolov8n 轻量快速 | yolov8s 平衡精度速度 | yolov8m 高精度工业检测推荐modelYOLO(yolov8m.pt)# 工业焊缝场景专属训练参数resultsmodel.train(data./weld_defect_dataset/weld_defect.yaml,# 数据集配置文件路径epochs120,# 训练轮数工业缺陷建议100-150轮imgsz640,# 输入尺寸小缺陷可调高至800batch16,# 批次大小显存不足改为8/4device0,# GPU编号无GPU改为 devicecpuworkers4,# 数据加载线程patience20,# 早停机制20轮无精度提升则停止防止过拟合pretrainedTrue,# 使用COCO预训练权重optimizerAdam,# 优化器工业场景Adam收敛更稳定lr00.001,# 初始学习率lrf0.01,warmup_epochs5,# 热身轮数稳定训练初期# 数据增强配置适配工业焊缝场景mosaic0.8,# 马赛克增强降低比例避免破坏缺陷特征mixup0.1,copy_paste0.0,hsv_h0.015,# 色相增强适配不同光照的焊缝图像hsv_s0.7,hsv_v0.4,# 保存配置projectruns/weld_train,nameyolov8_weld_defect,exist_okTrue,# 缺陷检测专属阈值conf0.25)print(训练完成)print(f最优模型保存路径{results.save_dir/weights/best.pt})if__name____main__:train_weld_defect()九、推理测试代码训练后使用新建predict_weld.py用于检测图片/视频/摄像头fromultralyticsimportYOLO# 加载训练好的最优模型modelYOLO(./runs/weld_train/yolov8_weld_defect/weights/best.pt)# 1. 单张图片检测# results model(test_weld.jpg, saveTrue, conf0.3)# 2. 文件夹批量图片检测# results model(source./test_images, saveTrue, conf0.3)# 3. 视频检测# results model(weld_video.mp4, saveTrue, conf0.3)# 4. 实时摄像头检测resultsmodel(source0,saveTrue,conf0.3)print(推理完成结果已保存到 runs/detect 目录)十、完整使用流程整理6400张图片和对应标签放入数据集对应文件夹运行voc2yolo.py如果是VOC格式生成YOLO标签运行split_dataset.py完成数据集划分核对weld_defect.yaml中的文件路径和类别安装依赖包运行train_weld_defect.py开始训练训练完成后用predict_weld.py测试检测效果。十一、工业焊缝场景调优建议小缺陷漏检调高imgsz800降低训练/推理conf0.2~0.25增加patience25背景杂物误检降低mosaic0.6关闭mixup减少强数据增强对缺陷特征的破坏显存不足减小batch使用yolov8n.pt轻量模型关闭不必要的增强暗光/反光焊缝效果差保留HSV色域增强增加brightness相关增强提升图像鲁棒性类别不均衡如果某类缺陷样本少在训练参数中添加cls权重增加小样本类别的损失权重。