焊接件表面缺陷检测数据集+YOLOv8训练实战：从VOC/YOLO格式到工业质检落地

简介该数据集面向焊接件表面缺陷检测任务专供训练目标检测模型使用适合算法工程师、科研人员及智能制造质检项目开发者省去自行采集与标注的重复工作。数据同时提供Pascal VOC与YOLO两种主流标注格式覆盖10类常见缺陷例如皱褶crease、月牙间隙crescent_gap、夹杂inclusion、油斑oil_spot、压坑rolled_pit、焊缝线welding_line等类别定义清晰可直接接入YOLO、Faster R-CNN、SSD等主流深度学习框架训练。资源包共2000个文件以XML标注文件为主体并配有使用说明TXT包体总大小约256.38MB结构简洁解压后即可按目录划分训练集与验证集。对应2292张现场图片的标注内容读者可获得一份格式规整、类别均衡的训练样本既能用于缺陷检测模型迭代也可作为研究VOC与YOLO标注转换、数据增强及小样本学习的实验素材。当前已有913人学习/浏览适合作为焊接质检场景的基准数据集使用帮助快速验证模型效果并缩短项目落地周期。1. 拿“焊接件表面缺陷检测数据集”训YOLO2292张图够不够用焊接件表面缺陷检测数据集这类以 VOCYOLO 双格式打包的资源在工业质检项目里几乎是人手一份的起步配置。图片在前、标签在后XML 和 txt 两套标注同时给齐省掉了最费人的标注环节2292 张、10 个类别听着不大但配合迁移学习和增强手段足够把一条 YOLOv8 训练流程完整跑通也能让现场采集数据的时间没那么紧张。适合两类人一是准备做焊接质检、想先看看 10 类缺陷真实形态的工程师二是刚接触 YOLO 训练、需要一份能快速验证“数据→训练→评估”闭环的样本。后面这些内容就围绕这份数据怎么落地展开。2. 从 7z 到双格式目录先把数据包拆开、看清结构再动手拿到.7z压缩包第一件事不是急着解压训练而是先测试压缩包完整性、解压、然后把目录结构摸清楚。7z 格式在数据集分发场景里很常见因为对标注这类文本文件的压缩率比 zip 高不少一个带着几百张 JPEG 和上千个 XML/txt 的包压完能小三分之一左右。Linux 下常见做法是用p7zip工具组Windows 下用 7-Zip 或者能识别 7z 的压缩软件。无论用哪个建议先t测试一遍再解压省得解到一半才发现包是坏的。7z t 焊接件表面缺陷检测数据集VOCYOLO格式2292张10类别.7z 7z x 焊接件表面缺陷检测数据集VOCYOLO格式2292张10类别.7z -o./welding_defect -y这里t是 test 模式只校验 CRC 不做解压输出里出现Everything is Ok再继续x是解压命令-o./welding_defect指定输出目录注意-o后面不能有空格-y表示所有覆盖询问默认同意适合脚本里批量操作。如果是在 Windows 上双击解压建议在 7-Zip 的“文件→校验”里跑一次 CRC 校验原理一样都是为了排除“下载截断”这种最冤的原因。解压完先用tree -L 2看一眼顶层结构。带 VOC 和 YOLO 双格式的数据集常见做法是下面两种布局之一要么是JPEGImages Annotations ImageSets/Main的经典 VOC 结构YOLO 的labels作为平级目录单独存在要么作者已经把图片按train/val分好图片在images/标签在labels/。这两种都见过不提前看清就写训练脚本后面路径十有八九要返工。2.1 VOC 与 YOLO 目录结构对照目录/文件内容在训练里的用途JPEGImages/2292 张原始图片jpg 或 png模型实际读取的输入Annotations/每张图对应的 XMLVOC 格式转 YOLO 格式的原始依据ImageSets/Main/划分好的 train.txt / val.txt如果不做自定义划分可直接引用labels/或yolo_labels/每张图对应的 txt归一化坐标YOLO 训练直接依赖的标注classes.txt或labels.txt类别名清单写 data.yaml 时对齐类别顺序用注意JPEGImages的文件名和Annotations、labels里的文件名必须严格一一对应。文件名对不上是这类数据集最常见的“暗伤”后面校验脚本会专门处理。2.2 VOC 的 XML 和 YOLO 的 txt同一张图的两套表达VOC 格式的 XML 长这样一个object代表一个目标框bndbox里存的是像素坐标annotation folderJPEGImages/folder filenameweld_00123.jpg/filename size width1280/width height960/height depth3/depth /size object nameporosity/name bndbox xmin320/xmin ymin240/ymin xmax410/xmax ymax330/ymax /bndbox /object /annotation而 YOLO 的 txt 格式是归一化的中心点坐标每行五个数类别编号 中心点x 中心点y 宽 高。无论是 0~1 的小数四列坐标都相对图片宽高做了归一化类别编号从 0 开始顺序必须和训练用的data.yaml里names列表严格一致。两类格式转换时最容易出错的就是类别编号对不上后面避坑章会专门展开一条。双格式并存的价值在于VOC 适合用 labelImg 二次查看和修正YOLO 格式则能直接被 YOLOv5/v8 的训练管线读取。想验证转出来的 YOLO 标注画在图上是否正确可以用 OpenCV 把框画回原图肉眼看几张就能发现坐标归一化有没有做错。2.3 双格式一致性校验图片、XML、txt 三方点名解压之后第一道工序是用脚本核对三件事有没有只带图不带标注的有没有标注文件对应不上图的YOLO 的 txt 里类别编号有没有超出类别总数。常见的做法是写一个二十行的 Python 脚本跑一遍秒级出结果。from pathlib import Path base Path(./welding_defect) img_dir base / JPEGImages voc_dir base / Annotations yolo_dir base / labels missing_voc [] missing_yolo [] bad_class_id set() for img_path in sorted(img_dir.glob(*.jpg)): stem img_path.stem if not (voc_dir / f{stem}.xml).exists(): missing_voc.append(stem) txt_path yolo_dir / f{stem}.txt if not txt_path.exists(): missing_yolo.append(stem) else: for line in txt_path.read_text().strip().splitlines(): class_id int(line.split()[0]) if class_id 10: bad_class_id.add((stem, class_id)) print(缺 VOC XML:, len(missing_voc)) print(缺 YOLO txt:, len(missing_yolo)) print(超范围类别编号:, bad_class_id)这段脚本把图片主文件名当作关联键检查同名的 XML 和 txt 是否存在并且顺带扫描 txt 里每行的第一个字段看类别编号是否超出 0~9 的范围。跑完输出三个数字任何一个不为 0都说明数据集内部有脏数据需要先决定是补标注还是剔除样本而不是把脏数据直接喂给训练管线。对于工业缺陷检测来说一个类别错位的样本带来的负面影响远大于缺一张图。3. 把数据整理成 YOLOv8 可直接训练的样子划分、yaml 与类别统计确认数据完整后下一步是把目录整理成 ultralytics 默认接受的 YOLO 风格布局images/train、images/val、labels/train、labels/val。很多双格式数据集自带ImageSets/Main的划分文件可以直接沿用但更稳的做法是自己重新划分一遍原因是数据集的原始划分未必考虑同一工件多图泄漏的问题——比如同一个焊接件的多张照片可能同时出现在训练集和验证集里导致验证分数虚高。3.1 数据划分脚本固定随机种子按 8:1:1 切分这里按 8:1:1 划分训练、验证、测试三份测试集先留出来训练完做最终评估用。关键的细节是随机种子要固定否则每次运行划分结果不同实验无法复现。import random from pathlib import Path import shutil random.seed(42) image_dir Path(./welding_defect/JPEGImages) label_dir Path(./welding_defect/labels) all_images sorted(image_dir.glob(*.jpg)) random.shuffle(all_images) n len(all_images) train_cut int(n * 0.8) val_cut int(n * 0.9) splits { train: all_images[:train_cut], val: all_images[train_cut:val_cut], test: all_images[val_cut:], } for split, images in splits.items(): (Path(./dataset/images) / split).mkdir(parentsTrue, exist_okTrue) (Path(./dataset/labels) / split).mkdir(parentsTrue, exist_okTrue) for img in images: stem img.stem shutil.copy(img, Path(./dataset/images) / split / img.name) src_label label_dir / f{stem}.txt if src_label.exists(): shutil.copy(src_label, Path(./dataset/labels) / split / f{stem}.txt)这段脚本先把图片路径列表随机打乱按数量切成三段再把图片和对应的标签文件复制到 YOLO 风格的目录里。shutil.copy而不是move这样原始数据保持不动后面想重新划分还有后悔药。注意所有划分都在内存里基于文件列表完成不依赖 XML 内容速度快且逻辑简单。3.2 写 data.yaml相对路径是跨机器跑通的关键YOLOv8 训练时的数据配置是一份 YAML 文件里面最关键的就是路径、类别数和类别名列表。path: ./dataset train: images/train val: images/val test: images/test nc: 10 names: 0: porosity 1: crack 2: slag_inclusion 3: lack_of_fusion 4: lack_of_penetration 5: undercut 6: weld_spatter 7: blowhole 8: over_weld 9: burn_throughpath字段建议写相对路径而不是绝对路径。原因很现实这个项目可能在本地调通后要拷到训练服务器上跑批量实验绝对路径换台机器就崩相对路径只要目录层级保持一致就能直接跑。names的顺序必须和 txt 标注里的类别编号一一对应第一行的0对应porosity如果数据集的classes.txt顺序和这里不一样必须调整——不要依赖自己“肉眼记住”的顺序每次训练前先看一遍标签文件。3.3 类别分布统计先看清楚数据长什么样再谈训练训练前花两分钟统计一下各类别的目标框数量能避免训练到一半才发现某类只有二十几个框。工业缺陷数据天然存在长尾分布气孔可能占了一半样本裂纹只有几十个不统计就不知道这个不均衡有多严重。from collections import Counter from pathlib import Path label_root Path(./dataset/labels/train) class_counter Counter() box_area_sum 0.0 box_count 0 for txt_path in label_root.glob(*.txt): for line in txt_path.read_text().strip().splitlines(): parts line.split() class_id int(parts[0]) w, h float(parts[3]), float(parts[4]) class_counter[class_id] 1 box_area_sum w * h box_count 1 print(各类别框数量:, dict(sorted(class_counter.items()))) print(平均框面积占比:, box_area_sum / box_count)这段脚本遍历训练集所有 txt统计每个类别的目标框数量和平均框面积占比。平均框面积占比这个数字很关键如果小于 0.02说明大部分缺陷目标在 640×640 输入下只有几十个像素跑默认配置大概率漏检需要考虑大尺寸训练或切片推理。类别分布不用做成图表打印出来就已经足够指导下一步——数据增强策略和训练轮数都要根据它来定。4. 用这份数据训练 YOLOv8环境、命令与评估指标怎么盯数据准备完毕进入训练环节。当前 YOLO 系列迭代到 v8/v11ultralytics 封装了训练、验证、导出的完整流程命令行基本上一句话能跑通。这里以 YOLOv8 为例因为生态最成熟、部署资料多遇到问题搜起来最方便。4.1 环境搭建conda 隔离避免污染其他项目建议用 conda 新建独立环境Python 版本选 3.9 或 3.10避免和系统 Python 打架。GPU 不是硬性要求纯 CPU 也能训只是 2292 张图跑 200 轮可能需要几小时到一天——这在工业项目里完全可接受因为本来就不是高频迭代的场景。conda create -n yolo python3.9 -y conda activate yolo pip install ultralyticsultralytics 装完会自动带上 PyTorch 的 CPU 版本。如果有 NVIDIA 显卡建议安装 CUDA 版 PyTorch训练提速明显命令里pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121一行就能替换其他依赖不变。装好后可以跑yolo predict modelyolov8n.pt sourcetest.jpg验证环境没问题。4.2 训练命令预训练权重比从零开始更靠谱训练命令的核心是数据配置、模型选择、超参数三块。这里选用yolov8n.pt作为起点而不是更大的 s/m 系列原因后面细说。yolo detect train \ data./dataset/data.yaml \ modelyolov8n.pt \ epoch200 \ imgsz640 \ batch16 \ patience30 \ workers4 \ seed42参数说明modelyolov8n.pt表示加载 COCO 预训练权重然后微调这是小数据集上最稳妥的做法epochs200配合patience30早停如果验证集指标连续 30 轮不提升就自动终止不用死等imgsz640是 YOLOv8 默认输入尺寸先跑通再考虑放大batch16在显存不够时降到 8seed42固定随机种子保证每次实验可比。关于为什么不选yolov8x2292 张图的规模大模型的参数量远超数据量能支撑的学习能力很容易训到过拟合n 或 s 级别的模型在这个数据量上更容易收敛。4.3 训练过程看什么loss 曲线、PR 曲线和混淆矩阵训练启动后终端会实时打印每个 epoch 的 box_loss、cls_loss、dfl_loss 以及验证集的 mAP50 和 mAP50-95。这三个 loss 里box_loss关注边界框回归精度cls_loss关注分类正确性dfl_loss是 YOLOv8 新引入的分布焦点损失直接影响框的边界锐度。正常趋势是三者一起下降并趋于平缓如果cls_loss降得很慢而box_loss正常大概率是某些类别的样本太少模型学不到判别特征。训练结束后runs/detect/train/目录下会生成results.png、confusion_matrix.png、PR_curve.png等文件。重点看两个一是PR_curve.png如果曲线右上角有显著的“塌肩”说明存在难例类别拉低了整体精度二是confusion_matrix.png对角线亮、其余位置暗是理想状态某一列特别亮说明该类别被系统性误判成了另一类。比如裂纹常被误判为夹渣这在视觉上本来就难分需要回到数据层面补样本或者合并类别。4.4 评估指标mAP50 和 mAP50-95 的差别验证集评估默认输出两个核心指标理解它们的差异比记住数字更重要。mAP50是 IoU 阈值固定在 0.5 时的平均精度衡量“框个大概位置能不能命中”mAP50-95是 IoU 从 0.5 到 0.95 每隔 0.05 计算一次再取平均对框位置的精确度要求高得多。工业焊接质检场景中缺陷框稍微偏一点往往不影响判断所以mAP50比mAP50-95更有参考意义。建议训练时以mAP50为主要优化目标不要盲目追求高分。如果mAP50明显高于mAP50-95说明框定位精度有待提升可以考虑增大输入尺寸或使用更深的模型。评估命令用一行就能跑完测试前记得把model路径换成训练产物指向权重文件再指定splittest用之前留出的测试集yolo detect val modelruns/detect/train/weights/best.pt data./dataset/data.yaml splittest5. 焊接件缺陷数据训练的高频坑现象、原因与解决办法数据量不大、类别分布不均、缺陷目标尺寸小这几个特征决定了训练过程不会一帆风顺。下面五条都是这类项目里真正值得记忆的踩坑记录。5.1 7z 解压报错“密码正确但文件损坏”先查编码再查完整性现象压缩包是从网盘或群文件下载的解压时反复输入正确密码软件提示密码错误或文件头损坏怎么试都不行。原因最常见的是文件名编码问题。7z 在 Windows 下默认使用 ANSI 编码存储文件名而很多压缩包制作时用的是 UTF-8解压端编码不匹配就会报错。另一个原因是下载过程中文件被截断CRC 校验不通过。解决先用7z t测试包完整性排除损坏可能。如果测试通过把压缩包拷贝到 Linux 环境下用 p7zip 解压或者用支持编码切换的软件调整文件名字符集后重试。实际操作中Linux 下解压这类包成功率最高这算是跨平台处理 7z 文件的实用经验。5.2 VOC 转 YOLO 时类别编号错位不要数 index要按名字映射现象用网上脚本把 XML 转成 YOLO txt 后训练时某些类别的 AP 始终为 0画出来一看气孔的框全标成了裂纹。原因转换脚本里用names.index(name)这种方式直接取类别索引而 XML 里类别名顺序和data.yaml的names列表顺序不一致。解决先看数据集自带的classes.txt写出显式的字符串到编号映射字典转换时用名字查表而不是靠 index 计算。转换完一定要抽样画框回图验证不要只看数字。这一步多花十分钟能省下后面几天排查结果异常的时间。5.3 loss 一路下降但 mAP 上不去数据量小导致的过拟合现象训练到 100 轮时 loss 还在降验证集 mAP50 却停滞在 0.3 左右甚至开始波动。原因模型在训练集上“背”下了大量背景纹理没有真正学到缺陷的泛化特征。小数据集上这种现象非常典型尤其是焊接件表面反光、飞溅、氧化皮等背景噪声大时。解决换小模型强制正则化开启更强的数据增强把训练集复制几份做重复采样如果条件允许用冻结 backbone 的方式先训头部再解冻微调。最直接有效的两个手段是把模型从 m 降级到 n以及在data.yaml里增加背景样本或难负样本。5.4 气孔、裂纹小目标漏检严重默认 640 输入对它们太不友好现象大尺寸缺陷如未焊透检测效果尚可气孔和细小裂纹几乎全漏即便调低置信度阈值也只是换来一堆误检。原因焊接气孔直径往往只有几毫米到十几毫米在 640×640 的输入下可能只占几十个像素YOLO 系列对小目标的召回能力本来就不如大目标。解决把imgsz提到 1280训练和推理保持同一尺寸开启 mosaic 增强让模型多见到小尺寸目标推理阶段用切片推理让目标在输入中占据更大比例。工业现场如果能控制相机距离优先保证缺陷在画面里所占像素数足够大比任何算法技巧都有效。5.5 验证集 mAP 高现场误检多数据域差异现象测试集 mAP50 达到 0.85部署到产线后对着真实工件误检框一堆正常焊缝被频繁框成缺陷。原因数据集里的图片是实验室或特定机位拍的现场有车间光照、工件姿态、表面油污等干扰因素模型没见过这些。解决下现场采一个小时真实图片挑出能代表现场情况的几十张加入训练集如果新样本来不及标注用现有模型打伪标签人工复核修正后再回灌数据。任何公共数据集都只是起点现场数据回灌这一步没办法省。6. 把 2292 张图的利用率拉满迁移学习、增强与种子集策略6.1 优先微调 COCO 预训练权重别从头训焊接缺陷和 COCO 的日常物体在视觉特征上差距很大但不代表预训练权重没有价值。COCO 预训练模型已经学会了边缘、纹理、局部形状这类底层特征这些对于气孔和裂纹同样适用。用yolov8n.pt而不是随机权重初始化收敛速度快一倍以上最终精度通常也更高。如果验证集 mAP 上不去可以尝试冻结 backbone 只训练 head 部分——在 ultralytics 里设置freeze10即可然后解冻全模型微调这在小数据集上有明显正则化效果。6.2 增强参数按缺陷类型调气孔补亮度扰动裂纹补几何变换YOLOv8 的augment配置默认开启 Mosaic、HSV 扰动、随机翻转等。焊接件表面反光强烈增加亮度对比度扰动能让模型更适应现场光照变化裂纹这类细长目标degrees旋转增强要保守设置因为实际缺陷的方向具有物理意义过度旋转可能偏离真实分布。数据增强的本质是模拟真实变化不是把样本变成抽象画。6.3 用伪标签把现场数据变成增量这是这类数据集真正的价值2292 张双格式标注数据最大的价值是作为种子集。用它训练出的模型对现场采集的新图片做预测然后人工快速审核修正伪标签比从零标数据效率提高数倍。审核后的样本进入训练集迭代几轮后模型的现场表现会有明显提升。这么做的前提是伪标签质量可控建议只保留置信度高于 0.8 且框面积适中的人工修正结果。回头看这些项目最大的教训是拿到数据集后先别急着跑训练把结构验证、类别统计、格式检查这几步做扎实才是真正节省时间的做法。这批数据对焊接质检方向的验证工作足够用希望这些经验能帮你少走一段弯路。本文还有配套的精品资源点击获取