针织品瑕疵检测数据集：YOLOv9标注样本库实战指南

简介这是一份面向目标检测学习与纺织工业质检场景的针织品瑕疵检测数据集采用YOLOv9标注格式适合需要快速搭建瑕疵识别模型的开发者或研究人员。数据包共105个文件其中52张JPG原图与52个对应的TXT标注文件一一匹配标注内容按YOLO格式保存另附1个YAML配置文件可直接定义类别与数据路径省去手动整理标签的步骤。整个压缩包仅5.37MB体量虽小但目录结构清晰便于快速下载和验证模型无论是模型验证还是算法对比都能快速完成环境准备。目前已有836人学习适合入门级目标检测实践也可作为工业质检项目中瑕疵类型识别的训练数据补充。对希望熟悉YOLOv9数据组织方式或需要少量针织品瑕疵样本进行算法试验的用户这份资料能降低数据准备门槛帮助集中精力完成模型训练与结果调优。1. 针织品瑕疵检测数据集是什么解压就能训的 YOLOv9 标注样本库做纺织质检这几年我有个很深的体会拖慢进度的从来不是模型是标注。这份针织品瑕疵检测数据集 yolov9标记.zip拆开才发现漏针、破洞、油污、横条这些最常见瑕疵已经按 YOLOv9 的标记约定逐框标好。几千张图平均一张要标两三分钟纯靠人工一个月就搭进去这份数据集的价值就是把最贵的标注一步前置做掉。解压后补一个 data.yaml 就能开始训练适合面料质检、布料疵点检测的算法工程师也适合想拿真实瑕疵数据练手的新手。省下的不只是标注工时还有口径不一致带来的返工。下面按我处理同类数据集的固定路径从拆包、格式核对、训练、避坑一路讲到落地验证照着走能少走弯路。2. 拆包先看三样东西目录结构、归一化标注格式与标签类别定义数据集的坑大多在第一道工序就埋下了。解压工具不对、目录层级和训练脚本预期不一致、标注格式混用、class id 和类名对不上任何一条都会让训练在数据加载阶段直接熄火。我处理这类 zip 的习惯是先审包再谈训练审三件事目录结构、标注格式、类别语义。处理数据集用于 yolov8 训练的经验在这里完全适用yolov9 沿用了同一套数据集目录约定只是仓库和权重不通用。2.1 先跑 unzip 和 tree解压后第一步是看目录结构解压之前先建一个纯英文目录这一步省掉的是后半夜的排错时间。zip 文件名带中文或空格时Windows 自带的解压工具可能改写内层文件名图片和标注一旦失配训练脚本连错都不报只会安静地跳过这些图。我一般用命令行解压顺便把目录结构打出来mkdir -p ~/datasets/knit_defect cd ~/datasets/knit_defect unzip 针织品瑕疵检测数据集_yolov9标记.zip -d . find . -maxdepth 3 -type d | sort逻辑说明先建目录再解压-d .指定落到当前目录find只列目录不列文件maxdepth 3足够看清 images、labels 的层级关系。这一步的核心目的是确认两件事labels 和 images 是否平级train/val 是否已经分开。参数说明maxdepth 3意味着只往深处看三层如果 images/train 出现在第四层说明 zip 内层多包了一层目录后面写 data.yaml 时要带上这层路径。解压后如果发现 labels 和 images 的 train/val 子目录结构不对称比如 images 下有 train、vallabels 下却平铺所有 txt必须先重排目录否则训练脚本按路径替换规则找不到标注。大多数这类数据集压缩包内部是四目录平级结构images/train、images/val、labels/train、labels/val。个别包会把全部数据放在一个带版本号的根目录下比如 knit_defect_v1/images/...路径写对就不影响训练。还有少部分包同时包含 YOLO txt 和 VOC xml多半是作者用不同标注工具导出过以 txt 为准xml 当备份即可。判断一份数据集值不值得投入时间结构规范程度是个硬指标目录规整的包标注通常也规整目录乱成一团的标注质量大概率参差不齐。注意zip 内层如果是中文目录名解压后建议先重命名成英文。Python 的cv2.imread在 Windows 上遇到中文路径会返回 None而训练脚本扫描图片时不会提示只会静默跳过最后给你一句 No labels found。这种问题排查起来极度消耗耐心。2.2 yolov9 标记格式的五个数归一化坐标与 class id 约定yolov9 的训练脚本沿用了 YOLO 系列通用的 txt 标注规范每张图片对应一个同名 txt 文件图片叫 frame_0001.jpg标注就必须叫 frame_0001.txt主文件名一字不差。txt 里每行描述一个瑕疵目标五个数分别是类别编号、中心点横坐标、中心点纵坐标、框宽、框高。后面四个坐标全部做了归一化取值范围 0 到 1。字段含义取值范围备注class_id瑕疵类别编号0 到 nc-1 的整数必须落在 data.yaml 的 names 顺序里x_center瑕疵框中心横坐标0~1相对图片宽度归一化y_center瑕疵框中心纵坐标0~1相对图片高度归一化width瑕疵框宽度0~1归一化宽度 框像素宽 / 图片宽height瑕疵框高度0~1归一化高度 框像素高 / 图片高这个格式和 COCO2017 数据集那种 json 结构完全不同。COCO 用绝对像素坐标加 segmentation 多边形YOLO txt 只有矩形框且全部归一化。归一化的好处是图片分辨率怎么变标注文件一行都不用改训练时 imgsz 从 640 换到 1280 不用动标注。坏处是没法靠肉眼判断框的实际大小必须画回图上才能确认标注质量这部分放到第四章讲。判断标注合法有三个硬约束x_center 和 y_center 必须在闭区间 0 到 1 内width 和 height 必须大于 0 且小于等于 1另外 width 和 height 最好不要小于 0.001否则这个目标在 640 分辨率下连一个像素都占不到属于无效目标。我解压后会立刻跑一个扫描脚本把所有非法标注行揪出来from pathlib import Path label_dir Path(labels/train) bad_files [] empty_files [] for txt in sorted(label_dir.glob(*.txt)): lines [ln.strip() for ln in txt.read_text(encodingutf-8).splitlines() if ln.strip()] if not lines: empty_files.append(txt.name) continue for line in lines: parts line.split() if len(parts) ! 5: bad_files.append(txt.name) break try: cls, x, y, w, h map(float, parts) except ValueError: bad_files.append(txt.name) break if not (0 x 1 and 0 y 1 and 0.0 w 1 and 0.0 h 1): bad_files.append(txt.name) break print(empty_files:, len(empty_files)) print(bad_files:, len(bad_files)) for name in bad_files[:10]: print( , name)逻辑说明逐行拆解每个 txt先数是不是五个字段再试转浮点数最后查坐标范围。空文件单独记录因为空文件不一定是错的某些图确实没有瑕疵这类图属于负样本训练时有价值但要统计数量。参数说明脚本里故意没有校验 cls 的范围因为扫描跑在 data.yaml 编写之前类别总数还不确定等看完 classes.txt 再回头查 class id 是否越界。empty_files 占比超过 10% 就要警惕漏标一张布面图上肉眼能数出三五个破洞txt 却是空的多半是标注员漏了而不是真的无瑕疵这类图应该重新检查而不是直接当负样本。2.3 类别清单核对破洞、漏针、油污这些类名怎么对号入座zip 里通常带 classes.txt 或 README 说明类别顺序但不同工厂命名习惯差别很大同一家厂叫破洞另一家可能叫洞眼或布破。所以不要想当然先读一遍类名文件cat classes.txt 2/dev/null || echo no classes.txt found如果包内没有 classes.txt就从 txt 标注里的 class id 反推。反推的方法是随机抽几张图把每个 id 对应的框画出来对照原图看瑕疵形态。针织品里最容易混淆的是漏针和破洞都是纹理中断但破洞是纱线断裂形成的孔洞漏针是线圈脱落形成的细长竖条形态差异在框图上要放大才能分辨。如果这两类在数据集中是分开标的训练时不要轻易合并如果本来就是混标的反而建议合并成一个织造缺陷让模型学一个更宽的语义边界。这一步必须同步确认一件容易被忽略的事txt 里的 class id 和 classes.txt 的行号是否一一对应。有的标注工具按标注顺序生成 class id有的经过格式转换脚本重排过。对应错了模型训练出来把油污认成破洞就一点也不奇怪。确认方法很简单抽三张图把 class id、类名、框内瑕疵形态三者列出来对照一遍十分钟就能验证完。提示这批样本里如果出现某个 class id 的框数量明显偏少先别急着做类别均衡去 classes.txt 看是不是那个类别本身样本就少。工业瑕疵数据集的分布天然倾斜油污好找破洞少见这是物理规律不是标注事故。3. 从 zip 到训练任务环境、训练集划分、data.yaml 和启动命令格式核验完就可以进入训练环节了。这一段是我每次接手新数据集都会走的流程从环境准备到训练命令逐条说清楚照着敲就能跑通。3.1 环境准备Python 3.9、PyTorch 与 yolov9 仓库的版本配合yolov9 和 yolov8 训练自己的数据集流程上高度相似但仓库不是一个。yolov9 目前主要活跃在官方维护的仓库里训练入口是 train.pyyolov8 走的是 ultralytics 包。两者的 data.yaml 写法基本兼容但 cfg 文件和预训练权重不通用别拿 yolov8 的权重喂给 yolov9 的脚本类型对不上会直接报错。环境我建议用 conda 单独建一个避免和已有项目互相污染conda create -n yolov9 python3.9 -y conda activate yolov9 git clone https://github.com/WongKinYiu/yolov9.git cd yolov9 pip install -r requirements.txt逻辑说明先建独立环境再 clone 仓库装依赖。requirements.txt 里主要是 torch、torchvision、opencv-python、numpy 这些基础库。注意 requirements.txt 装到的 torch 是 CPU 版还是 CUDA 版取决于 pip 源国内网络环境下经常装到 CPU 版训练速度慢得离谱。参数说明Python 3.9 是官方仓库测试较多的版本3.10 以上部分依赖会报兼容警告但不一定致命。装完后必须立刻验证 GPU 可用性python -c import torch; print(torch.__version__, torch.cuda.is_available())输出里torch.cuda.is_available()是 False说明装成了 CPU 版需要去 PyTorch 官网按你的 CUDA 版本重装。这一步花五分钟确认能避免训练到一半才发现没用上 GPU。我见过有人拿 CPU 版跑了三天第四天看日志才发现速度不对属于装了不检查的低级翻车。3.2 划分训练集验证集脚本代替手动拖文件夹多数数据集 zip 里 train/val 是分好的。如果没分或者你想重新划分写脚本比手动拖可靠手动拖容易漏文件还容易把 image 和 label 配错。划分有个工业场景特有的原则同一块布、同一个瑕疵出现在多张图里的情况很常见这时候要按文件名前缀或布卷号分组再做划分而不是逐张随机否则同一块布的瑕疵会同时出现在训练集和验证集验证指标虚高上线就现原形。import random from pathlib import Path image_dir Path(images) label_dir Path(labels) train_ratio 0.8 images sorted(image_dir.glob(*.jpg)) sorted(image_dir.glob(*.png)) random.seed(42) random.shuffle(images) split_idx int(len(images) * train_ratio) train_imgs, val_imgs images[:split_idx], images[split_idx:] for split, img_list in [(train, train_imgs), (val, val_imgs)]: (image_dir / split).mkdir(parentsTrue, exist_okTrue) (label_dir / split).mkdir(parentsTrue, exist_okTrue) for img in img_list: label label_dir / (img.stem .txt) if not label.exists(): print(missing label:, img.name) continue img.rename(image_dir / split / img.name) label.rename(label_dir / split / label.name)逻辑说明先把所有图片路径读进来随机打乱后按比例切成训练集和验证集再按图片主文件名找对应 txt 并整体移动。关键点在于用图片名匹配标签而不是遍历标签目录这样任何一张图缺标签都会被立刻打印出来。参数说明random.seed(42)保证每次运行划分结果一致复现实验时非常重要。如果你发现某次划分后验证集全是同一种瑕疵说明样本本来就按瑕疵类型聚类存放这时应该按文件名前缀分组后整体划分或者用 sklearn 的train_test_split加stratify按类别比例分层抽样。train_ratio我一般取 0.8样本量少时提到 0.9让训练集尽量多。3.3 写 data.yamlpath、nc 与 names 的硬约束data.yaml 是 yolov9 读取数据集的唯一入口里面任何一处错误都会让训练在数据加载阶段直接失败。文件放在仓库根目录或数据集目录都可以内容如下train: /home/you/datasets/knit_defect/images/train val: /home/you/datasets/knit_defect/images/val nc: 6 names: [hole, dropped_stitch, oil_stain, horizontal_streak, color_deviation, pilling]逻辑说明train 和 val 指向 images 目录而不是 labels 目录训练脚本会自动把路径里的 images 替换成 labels 去找对应标注文件。所以 images 和 labels 的目录结构必须严格对齐images 下有 train 和 vallabels 下也必须有同名子目录。参数说明nc 必须和 names 列表长度严格相等names 的顺序就是 class id 的语义。顺序一旦定下来训练、导出、部署全程都不能改否则同一个 id 会对应不同的瑕疵类型模型跑起来就是一场灾难。路径我建议写绝对路径训练脚本可能在不同目录下被拉起相对路径解析错位是最常见的报错来源。要在别的机器上复现只需要改 data.yaml 里前三行。3.4 启动训练imgsz、batch、epochs 与数据增强怎么取舍数据就绪后训练命令长这样python train.py \ --data data.yaml \ --cfg models/detect/yolov9-c.yaml \ --weights yolov9-c.pt \ --batch-size 16 \ --imgsz 640 \ --epochs 100 \ --device 0 \ --amp逻辑说明--cfg指定网络结构--weights指定预训练权重。yolov9-c 是复杂度居中的配置工业质检场景我建议从 c 起步不要一上来就用最大的 e 配置。瑕疵检测的目标普遍比 COCO 里的自然物体小模型容量大不一定有用反而更容易在数据量不足时过拟合。参数说明imgsz 是训练分辨率640 是起点。针织品破洞、漏针这类小目标在 640 下可能只占几十个像素如果后期发现漏检把 imgsz 提到 960 或 1280 经常立竿见影代价是显存和时间。batch-size 受显存限制16 大约对应 12G 显存640 分辨率显存不够先降 batch 不要降 imgsz分辨率对精度的贡献远比 batch 大。epochs 100 是起点工业小数据集上 100 轮足够看到收敛趋势。--amp是混合精度显存紧张时必开训练速度能快三成以上。数据增强方面yolov9 默认开了 mosaic、hsv 扰动、随机翻转等。但工业瑕疵有个反直觉的点mosaic 把四张图拼在一起后单个瑕疵的像素面积进一步缩小对破洞这类小目标反而有害。如果训练到后半程发现小目标 mAP 不涨优先检查是不是增强策略把小目标洗掉了。训练中断也不要慌加--resume能从上次的权重继续不用重新跑。4. 训练前把标注当代码审一遍可视化质检、类别均衡与清洗很多人解压完直接开训训练结束才发现 mAP 低得离谱回头查标注——框画歪了、类别标反了几十个小时白跑。训练前花一晚上清洗数据比训练后花一周调参划算得多。这一章讲我固定会做的三道清洗工序。4.1 标注可视化把框画回原图十分钟审完一个数据集标注质量靠数字统计看不出来必须画回图上肉眼确认。写一个可视化脚本把每张图的标注框和类别画出来输出到 preview 目录然后快速翻看import cv2 from pathlib import Path img_dir Path(images/train) label_dir Path(labels/train) out_dir Path(preview) out_dir.mkdir(exist_okTrue) def draw_label(img, txt_path): h, w img.shape[:2] for line in txt_path.read_text().splitlines(): parts line.split() cls, x, y, bw, bh map(float, parts) cx, cy int(x * w), int(y * h) bw_px, bh_px int(bw * w), int(bh * h) x1, y1 cx - bw_px // 2, cy - bh_px // 2 cv2.rectangle(img, (x1, y1), (x1 bw_px, y1 bh_px), (0, 0, 255), 2) cv2.putText(img, fcls{int(cls)}, (x1, max(0, y1 - 5)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) for img_path in sorted(img_dir.glob(*))[:100]: img cv2.imread(str(img_path)) if img is None: print(cannot read:, img_path.name) continue txt_path label_dir / (img_path.stem .txt) if txt_path.exists(): draw_label(img, txt_path) cv2.imwrite(str(out_dir / img_path.name), img)逻辑说明对每张图读对应 txt把归一化坐标还原成像素坐标画矩形框和类号写进 preview 目录。脚本里最值得看的是img is None的判断这个分支专门抓中文路径或损坏图片。参数说明[:100]只处理前 100 张避免预览目录爆炸。翻看预览时重点看三类问题框是否紧贴瑕疵边缘而不是松松垮垮图上明显有瑕疵但没框框是否大到把整条布卷包进去。第三种情况在瑕疵数据集里很常见标注员偷懒把一条横条标成覆盖全图的大框模型学到的是大块面积就是横条推理时误检率会高得吓人。如果超过 20% 的框存在这类问题这个数据集建议退回重新筛选不要硬训。4.2 类别分布统计数据挑食时先补样本还是合并类别瑕疵数据集的类别分布几乎不可能均匀。油污好找标注员一天标两百个破洞少见攒一周才五十个。直接拿这种分布去训练模型会变成油污检测器破洞全漏。先统计再决策from collections import Counter from pathlib import Path label_dir Path(labels/train) counter Counter() for txt in label_dir.glob(*.txt): for line in txt.read_text().splitlines(): cls int(line.split()[0]) counter[cls] 1 for cls, count in sorted(counter.items()): print(fclass {cls}: {count} boxes)逻辑说明遍历所有标注文件统计每个 class id 对应的框数量。这个数字比这个类别有多少张图更有意义因为一张图上可能同时有十几个同类别瑕疵。参数说明看到分布后我的处理顺序是最少类别超过总框数 10%正常训练少一个数量级以上先试三个办法。第一调整该类别在 loss 里的权重YOLO 系列支持按类别设置 loss 系数但改动成本高第二从已有的小样本类图片里做裁剪增强把含瑕疵的小区域裁出来放大补成更多带标注样本第三也是最省事的把相似类别合并成一个大类比如漏针和跳针合并成织造缺陷横条和色差合并成外观缺陷。先想清楚业务上要不要分那么细很多质检场景只需要判断有没有缺陷二分类检测器反而更稳。4.3 类别合并与负样本两个成本最低的清洗手段类别合并不是偷懒是工程取舍。如果工厂的质检标准只区分需要回修的缺陷和可以放行的缺陷模型就不需要学十个类别。合并的操作是把同一语义的 class id 改写from pathlib import Path src_label_dir Path(labels/train) merge_map {0: 0, 1: 0, 2: 1, 3: 1, 4: 2, 5: 2} # 原类别 - 新类别 new_label_dir Path(labels_train_merged) new_label_dir.mkdir(exist_okTrue) for txt in src_label_dir.glob(*.txt): lines [] for line in txt.read_text().splitlines(): parts line.split() parts[0] str(merge_map.get(int(parts[0]), int(parts[0]))) lines.append( .join(parts)) (new_label_dir / txt.name).write_text(\n.join(lines))逻辑说明读每行标注把 class id 按映射表替换写入新目录。注意不要原地改文件保留原始标注当后悔药合并错了随时能还原。参数说明merge_map的键是原始 class id值是合并后的新 id。合并后必须同步改 data.yaml 里的 nc 和 names否则类别数和 names 不匹配直接报错。另一个反复被验证的经验是负样本也就是没有瑕疵的图一定要保留并且单独切一份放进验证集。推理时模型面对的是有没有瑕疵的问题没学过多少负样本的模型会把布纹褶皱误判成横条。负样本占比 10% 到 20% 比较健康超过 50% 说明正样本收集不足需要补拍而不是删负样本。5. 避坑针织品瑕疵检测训到一半最常见的 5 个翻车现场这一章写我重复遇到过的五类问题每条按现象、原因、解决三步说清你可以直接对照排查。5.1 现象loss 变 nan 或训练中途崩溃现象训练脚本正常启动跑了几十个 epochloss 曲线突然掉到 nan或者一开始就是 nan随后验证 mAP 归零。原因最常见的是标注里有非法坐标比如 x_center 写成 2.5 超出归一化范围或者 class id 超出 ncloss 计算出现无穷大。第二个常见原因是梯度爆炸工业瑕疵数据的纹理噪声大默认学习率在 COCO 这种大数据集上设计拿到小数据集上偏高。解决先用第二章的扫描脚本过滤所有非法标注确认干净后再检查学习率。做法是在训练命令里加--hyp指定一个改过的 hyp 文件把lr0从默认值调到 0.005 甚至 0.001。改完还炸把 batch-size 减半再试梯度爆炸在 batch 偏大时更容易出现。这两个参数调完nan 问题大概率消失。5.2 现象报错 No labels found训练集加载为 0现象脚本提示找不到标签文件或者日志里显示训练集图片数量为 0训练直接退出。原因90% 是路径问题而且是 images 和 labels 目录不匹配。训练脚本根据 data.yaml 里的 train 路径把images/train替换成labels/train去找标注如果 images 下的子目录叫 train 而 labels 下的叫 train_data就彻底找不到。另一个隐蔽原因是图片后缀原图是 .bmp 而脚本默认只扫描 .jpg 和 .png也会得到 0 图片。解决按顺序确认四件事images 和 labels 的子目录名完全一致图片和标注主文件名完全一致图片后缀在扫描列表里data.yaml 用的是绝对路径。快速核验命令ls images/train | head -5 ls labels/train | head -5两侧文件名对不上多半是解压工具在 Windows 上改写了文件名改用命令行 unzip 解压路径全部换成英文这类问题基本绝迹。5.3 现象mAP 不低但漏检破洞和漏针现象训练结束mAP 看着有 70 上下但拿现场图一测破洞和漏针大面积漏检反而是油污和横条检得很好。原因这是典型的小目标问题。破洞在 640 分辨率下可能只占几十个像素模型下采样后特征图上这个目标只剩一两个像素学不到有效特征。mAP 虚高是因为验证集里大目标多小目标拉低了结果但没在总指标里体现出来。解决三步走。第一步把 imgsz 提到 960小目标特征明显变强显存不够就同时降 batch。第二步把训练时的 mosaic 增强范围调小避免小目标在拼接过程中被随机裁剪掉。第三步是训练后单独评估小目标把验证集里目标像素面积小于 32×32 的样本单独算一个 AP看真实水平。三步走完还漏就要考虑切片检测把图像切块放大后再推理工业质检里对小目标这是最稳的手段没有之一。5.4 现象推理框比目标大一圈现象训练和验证都正常但部署到现场输出的框明显比瑕疵区域大破洞框出一个大圆横条框掉半幅图。原因标注数据里大量框画得松模型学的就是松框。前面量化过如果超过 20% 的框比瑕疵区域大出 50% 以上模型输出必然偏大。另一个原因是推理时置信度阈值太低模型把背景也包了进来。解决先回到标注侧明显画松的框重新标。数量大无法手动重标时可以写脚本把标注框向内收缩 10% 到 15%作为一次粗糙修正至少能让模型学到更紧的边界。推理侧把置信度阈值调到 0.4 以上同时检查 NMS 的 iou 阈值默认 0.45 对密集瑕疵偏松调到 0.3 能把相互重叠的目标区分开。瑕疵检测里同一个破洞被输出多个重叠框通常不是 NMS 没调好而是标注本身就存在大量重叠框模型学到了这种重复预测习惯。5.5 现象换台机器复现精度对不上现象同一份数据同事在自己机器上跑只改了 batch-sizemAP 掉了一截训练曲线也不一样。原因这属于可复现性问题。影响精度的不是 batch-size 本身而是 batch-size 变化后学习率没有跟着调。YOLO 系列按 batch 更新权重batch 减半等效于学习率翻倍反之亦然。另外不同机器的 CUDA 和 cuDNN 版本不同部分算子行为会有细微差别深究属于玄学范畴。解决固定一套环境配置写进项目 READMEtorch、CUDA、cuDNN 版本全部记录。换机器后先跑一次验证而不是直接训练确认 mAP 和原机器一致再动手。学习率我按线性缩放规则batch 翻倍学习率翻倍但工业小数据集我一般固定 batch 16、lr 0.001 不动环境怎么变都不影响。6. 验证与部署用混淆矩阵、ONNX 导出和面积过滤收尾6.1 用混淆矩阵定位误检来源训练结束后跑一遍验证脚本会输出混淆矩阵图。看矩阵时重点不是对角线上的正确检测而是非对角线的高值格子。比如横条被大量预测成油污先别急着调模型回去抽看这两类的标注样本多半是标注阶段把某些形态模糊的案例归错了类。这一步能把问题归因到数据还是模型避免瞎调参数浪费时间。6.2 导出 ONNX把部署链路提前走一遍yolov9 官方仓库提供了导出脚本导出前确认输入尺寸和训练时一致。导出后的模型要用 ONNX Runtime 跑一遍和 PyTorch 推理结果对比主要看框坐标和置信度偏差是否在可接受范围内。工业部署如果用 TensorRT直接吃 ONNX 再转 engine。这一步能在实验室里提前发现精度损失而不是等模型上线后返工。6.3 按瑕疵面积过滤比调全局阈值更稳的小技巧工业质检里误检一个破洞要停机回修漏检一个要流出到客户两边都贵。调置信度阈值是全局操作一杆子打翻一船人但瑕疵检测的误检往往集中在特定面积区间——把布面异物误检成油污的框面积通常偏小。我的习惯是训练完做一个面积和置信度的二维分析找出误检集中区域再加一个面积下限过滤小于这个面积的检测框直接丢弃大于的保留。这样既保住了真正的目标又过滤了误检比无脑抬阈值稳得多。这类数据集的价值不在于它比别的来源多几个点精度而在于它把标注这笔成本变成了一次性的。我个人的习惯是每拿到一个数据集先跑一遍清洗脚本再写一段标注质量报告存进项目目录。三个月后模型迭代需要补数据时这份报告就是判断该不该重新标注的依据。这个习惯帮我躲过好多次无效训练希望对你也同样有效。希望帮到你。本文还有配套的精品资源点击获取