基于YOLOv7的电池检测模型训练：数据标注、调参与部署避坑

简介电池目标检测数据集专为小型电池分类与定位任务打造面向需要训练YOLOv7等主流检测模型的开发者与研究人员可有效解决9伏电池、纽扣电池、干电池三类对象的自动识别问题。包内共2000个文件绝大部分为txt格式的标注文件另含1个yaml配置文件整体压缩包约65.72MB标注格式与YOLO系列模型直接兼容省去格式转换环节。该数据集基于约2030张640×640分辨率的原始图片构建在实验中模型正确识别率达到97.7%说明数据质量和标注一致性较高。目前已有48人学习使用适合作为小型工业检测、智能回收分类等场景的起步数据集可直接用于模型训练、精度验证与迁移学习。1. 电池数据集到底值不值得用2030张图把9伏、纽扣、干电池分到97.7%想象一个场景电池分拣线上传送带不停走工人要在一秒内分辨9伏电池、纽扣电池和干电池还要挑出混料。这种重复劳动最适合交给视觉检测但第一步就被数据卡住了。网上下到一个电池数据集2030张原始图、640×640分辨率、YOLOv7标注格式宣称正确识别率97.7%。这个数字听起来不错但靠不靠谱数据能不能直接用训练时有哪些坑这篇文章我就按自己做电池检测项目的经验把这个数据集从头拆到尾先讲它包含什么、标注怎么读再讲怎么用YOLOv7训练和调参最后把部署和迭代的思路一起说清楚。适合刚接触目标检测的算法工程师也适合做非标自动化又绕不开视觉的机电工程师。2. 拆解电池数据集三类电池的样本构成与YOLOv7标注格式2.1 三类电池的样本分布与分辨率校验先说视觉上的硬区别。9伏电池是方形块体顶部有两个金属扣侧面有塑料外壳纽扣电池是扁圆形银白色直径从几毫米到两厘米不等最大的特征是反光干电池是圆柱形5号、7号最常见有正极帽和PVC封套。这三类外形差异大理论上比区分猫狗简单但真做起来纽扣电池反光带来的高光、干电池正极帽和9伏电池金属扣的相似性都会让模型学到不该学的特征。拿到数据集第一件事不是打开图片看而是先统计类别分布和分辨率。标题写了640×640但实际下载的数据集经常混入不同尺寸的图或者标注框类别ID和说明对不上。我会先跑一段脚本把每类的框数量和所有图片的尺寸统计出来。from pathlib import Path from PIL import Image label_dir Path(labels) image_dir Path(images) class_counter {} size_counter {} for txt in label_dir.glob(*.txt): for line in txt.read_text().splitlines(): parts line.split() if len(parts) ! 5: print(f格式错误: {txt.name}: {line}) continue cls_id int(parts[0]) class_counter[cls_id] class_counter.get(cls_id, 0) 1 for img in image_dir.glob(*.jpg): w, h Image.open(img).size size_counter[(w, h)] size_counter.get((w, h), 0) 1 print(类别统计:, class_counter) print(尺寸统计:, size_counter)逻辑说明这里做了两件事。第一遍历所有txt标注文件统计每行第一个数字也就是类别ID的出现次数同时检查每行是不是正好5个字段多一个少一个都会导致训练时解析失败。第二打开每张图片读取宽高统计分辨率分布。参数说明如果你的图片是png或bmp把glob(*.jpg)改成对应后缀如果txt里出现len(parts)不等于5的行不要直接跳过先停下来确认是不是标注工具导出时用了逗号分隔。类别统计结果能直接看出数据是否平衡。如果三类各占600多框训练起来比较稳如果纽扣电池只有200框9伏电池有1000框模型天然会偏向多的类别训练时得靠数据增强或重采样来拉平。尺寸统计也很关键如果混入一批1920×1080的图训练时统一缩放到640会损失小目标细节后面mAP虚高到了现场又打折扣。还有一个经常被忽略的点拍摄场景。从缩略图里能判断这些图是传送带上拍的、桌面静态拍的还是在托盘里无序摆放拍的。桌面静态图背景单一模型很容易通过背景色来判断电池类别而不是通过电池本身。这样的模型拿到产线上背景一变准确率立刻掉十个点。我一般会抽样100张图把标注框加载出来先人工扫一遍确认背景多样性够不够。2.2 读懂YOLOv7标注归一化坐标到像素坐标的换算标题里的“yolov7标注”指的不是用YOLOv7模型来做自动标注而是标注文件按YOLO格式组织。YOLOv7、YOLOv5、YOLOv8用的都是同一套格式每张图片对应一个同名txt图片里的每个目标占一行内容依次是“类别ID、归一化中心点x、归一化中心点y、归一化宽度、归一化高度”。这里“归一化”的意思是坐标除以图片宽高所以值都在0到1之间和图片分辨率无关。举个例子一张640×640的图9伏电池检测框的像素坐标是左上角(240, 150)、右下角(400, 350)那么框宽160、高200、中心点(320, 250)。转换成YOLO格式就是“0 0.5 0.390625 0.25 0.3125”。数字看起来抽象但正因为只存比例同样一份标注可以喂给任意输入尺寸的模型。检查标注最直接的办法是把归一化坐标还原成像素坐标再画回图片上。def yolo_to_boxes(txt_path, img_w, img_h): boxes [] with open(txt_path, r) as f: for line in f.read().splitlines(): cls, x_c, y_c, w, h map(float, line.split()) x1 (x_c - w / 2) * img_w y1 (y_c - h / 2) * img_h x2 (x_c w / 2) * img_w y2 (y_c h / 2) * img_h boxes.append((int(cls), x1, y1, x2, y2)) return boxes逻辑说明把归一化坐标还原成像素坐标方便用OpenCV的rectangle画框检查。参数说明img_w和img_h必须传实际图片尺寸。这里有个细节如果原图不是640×640比如是960×1280拿着640的假设去还原所有框都会画错位置。正规做法是先从图片读宽高再传入。画框检查的时候重点看三类问题。第一框是不是贴着电池外沿而不是把背景阴影大片包进来第二两个目标离得很近时框有没有互相交叠超过20%第三纽扣电池这种小目标框是不是明显比实际区域大一倍。这些问题一旦带到训练里模型学到的边界就是错的表现出来就是验证集mAP很高但抓细节的位置始终差一点。2.3 用LabelImg或CVAT复现一套相同标注如果你要在原始数据集上补充自己的图片或者想把产线新拍的照片加进训练集就必须自己动手标注。数据量小、只有一个人干活用LabelImg最顺手数据量大、多人协作或者要远程分配任务用CVAT更靠谱。两者都支持导出YOLO格式也就是生成和图片同名的txt文件。LabelImg按YOLO格式保存的配置很容易踩坑。打开LabelImg后先点击工具栏上的格式切换把存放格式从PascalVOC改成YOLO然后设置保存目录到labels文件夹。画框时按W键进入画框模式松开鼠标后选择类别。这里有一个我翻过车的地方类别的顺序完全取决于你第一次输入类别的顺序LabelImg会把这个顺序写进classes.txt。如果你先用“9伏”后用“纽扣电池”那classes.txt里第0行是“9伏”第1行是“纽扣电池”。之后训练用的battery.yaml里names列表必须和这个顺序一致否则类ID就错位了。CVAT导出的步骤是在Task里标注完成后选择Export dataset格式选YOLO 1.1会下载一个zip包。解压后里面有obj.names和obj_train_data文件夹obj.names每一行对应一个类别标签顺序就是数据集yaml里names的顺序。很多工程师习惯自己写names结果和obj.names不一致训练出来的模型看着loss正常实际推理全错。直接用obj.names生成battery.yaml的names字段不要手敲。标注阶段还有一个省时间的经验电池目标有大量重复结构尤其同一批次的干电池外观几乎一样。用LabelImg自带的“自动保存”和“下一张”快捷键把操作流做成点击键盘就能完成比来回挪鼠标快一倍以上。标注工具本身不挑挑的是工作流顺不顺。3. 用YOLOv7训练电池识别模型从文件夹到mAP的完整流程3.1 环境准备显卡、依赖和仓库训练YOLOv7不需要特别新的硬件。以2030张图的规模一张6GB显存的GTX 1660 Super到RTX 3060都能跑batch size设16训练100轮大约需要两三个小时。如果只有CPU也能跑通但100轮可能要跑一整天而且BN层在CPU上更新慢效果未必好。内存16GB起步训练时磁盘IO也很关键数据集放在机械硬盘上会拖慢每个epoch。环境上我习惯用一个干净的conda环境Python版本3.9PyTorch按CUDA版本安装。YOLOv7的requirements.txt里包含opencv-python、matplotlib、numpy等常用包但不会帮你装PyTorch因为那要配合CUDA手动装。git clone https://github.com/WongKinYiu/yolov7.git cd yolov7 pip install -r requirements.txt逻辑说明克隆YOLOv7官方仓库到本地然后安装训练需要的依赖。参数说明如果机器上已有PyTorch担心requirements.txt里的numpy版本把环境搞乱就加--no-deps参数只装当前缺失的包torch、torchvision保持你原来的版本。YOLOv7对PyTorch版本不挑1.10到2.x都能跑重点是CUDA和torch要匹配。装完依赖后跑一句python train.py --help能打印参数说明就说明环境OK。这里提醒一句网上很多教程让人把batch size设成64、图片缩到320来加速但对电池检测来说纽扣电池本身小输入尺寸一旦降到320一个小目标可能只占4×4像素特征全丢了。所以我在这个项目里坚持用640。3.2 数据组织train/val划分与标签校验YOLOv7官方推荐的目录结构是images和labels两个大目录下面再按train和val分。很多数据集下载下来是图片和txt混在一个文件夹里或者train和val已经分好但val里的标注txt缺失。不管原始结构什么样统一转换成下面的形式dataset ├── images │ ├── train │ └── val └── labels ├── train └── val如果原数据集的图片和txt都在同一个目录我一般先复制图片再把对应的txt按同名规则复制过去。这里不要手动改用脚本。import random, shutil from pathlib import Path src Path(raw_data) train_dir Path(dataset/images/train) val_dir Path(dataset/images/val) train_lbl Path(dataset/labels/train) val_lbl Path(dataset/labels/val) for d in [train_dir, val_dir, train_lbl, val_lbl]: d.mkdir(parentsTrue, exist_okTrue) all_imgs list(src.glob(*.jpg)) random.seed(42) random.shuffle(all_imgs) split int(len(all_imgs) * 0.8) for img in all_imgs[:split]: txt src / (img.stem .txt) if txt.exists(): shutil.copy(img, train_dir / img.name) shutil.copy(txt, train_lbl / txt.name) for img in all_imgs[split:]: txt src / (img.stem .txt) if txt.exists(): shutil.copy(img, val_dir / img.name) shutil.copy(txt, val_lbl / txt.name)逻辑说明先把所有jpg图片读进来固定随机种子后按8:2划分为训练集和验证集然后把图片和对应的txt复制到新目录。参数说明random.seed(42)保证每次执行划分结果一样方便复现训练效果。注意这里只处理了jpg如果原图里有png和bmp需要把glob(*.jpg)改成匹配所有图片格式的写法比如直接列出所有非txt文件。划分之后还有一道关键检查train和val的图片名不能有交集否则相当于验证集泄漏。另外如果原始数据集已经提供了train.txt和val.txt那就直接用不要自己再分因为作者可能已经按场景分好了。最后把train.txt和val.txt里每行的路径写成绝对路径或者直接利用YOLOv7的相对路径逻辑在数据yaml里指到images根目录YOLOv7会自动找同名的labels目录。如果训练时报“image not found”多半就是路径格式问题。3.3 训练启动battery.yaml与train.py参数解读数据目录准备好后在YOLOv7的根目录写battery.yaml。注意yaml里的names顺序必须与标注txt里的类别ID一一对应。train: /home/your_name/dataset/images/train val: /home/your_name/dataset/images/val nc: 3 names: [9v, button_cell, dry_cell]参数说明train和val指向图片目录即可YOLOv7会自动去相邻的labels目录找同名txtnc是类别数和names列表长度一致names里的顺序就是类别ID的顺序0对应9v1对应button_cell2对应dry_cell。如果你的标注里0是纽扣电池这里names第一行就必须写button_cell。训练命令我会这样写python train.py \ --data battery.yaml \ --cfg cfg/training/yolov7.yaml \ --weights yolov7.pt \ --epochs 100 \ --batch-size 16 \ --img 640 \ --workers 4 \ --device 0逻辑说明train.py是YOLOv7训练入口。--data指定数据yaml--cfg指定模型结构--weights指定预训练权重--epochs指定训练轮数--batch-size指定批量大小--img指定输入分辨率。参数说明--weights用yolov7.pt预训练权重可以让收敛更快但如果想从头训练也可以去掉这个参数--workers表示数据加载的进程数Windows上设置4以上偶尔会报DataLoader worker错误改成0最稳但会慢一些--device 0是第一块GPU。关于batch size显存6GB的卡用16比较稳妥如果报CUDA out of memory依次往下调到8或4同时把--workers降到2。但我不建议用batch size 4因为BN层在batch size小于8时统计量不稳定训练出来的模型验证集指标波动大。如果只能调到8训练时考虑开启同步BN降低不稳定的影响。这里提到了YOLOv7和YOLOv8的代码组织不同但训练流程大同小异。如果团队里已经有了YOLOv8的部署链路也可以按YOLOv8的数据格式复用这套数据。标题既然锁定了YOLOv7下面都按YOLOv7的命令来。3.4 训练日志怎么看loss、mAP和权重选择训练过程会实时打印loss每轮结束后还会在验证集上跑一次mAP。第一次训练电池数据集时不用急着盯准确率先看loss曲线形状。正常情况是前10轮loss快速下降中间30轮缓慢下降后面趋于平缓并带一点波动。如果loss一直在降但验证集mAP始终上不去典型原因是过拟合看是否数据增强没开或者训练集图片太少。YOLOv7训练完一轮日志里会输出Box、Obj、Cls三部分loss。Box是边界框回归损失Obj是置信度损失Cls是分类损失。对电池检测来说Obj如果偏高说明模型经常不知道该不该输出框——通常是背景太复杂或小目标太多。Cls偏高说明容易把纽扣电池和干电池正极帽搞混这时要去查混淆矩阵。训练完成后runs/train/exp/weights目录下会有best.pt和last.pt。best.pt是按验证集mAP挑选的权重last.pt是最后一轮的权重。默认用best.pt部署但有时候直接看验证集指标会过拟合验证集我会把best.pt和last.pt都跑一遍test.py选择实测更稳定的那个。python test.py --data battery.yaml --weights runs/train/exp/weights/best.pt --img 640 --conf-thres 0.25 --iou-thres 0.45逻辑说明test.py会在验证集上评估模型的mAP和召回率。参数说明--conf-thres 0.25表示置信度低于0.25的预测框会被过滤--iou-thres 0.45是NMS的IOU阈值。这几个阈值后面部署时还要微调现在评估用默认值即可。4. 把正确率从“纸上”做到“现场”验证、调参与数据增强4.1 混淆矩阵找到误判的薄弱环节训练日志里看到mAP0.5为0.977并不代表现场也能到97.7%那只是在验证集上的表现。你想知道模型真正的短板要看混淆矩阵。YOLOv7训练完会在runs/train/exp/目录下生成confusion_matrix.png横轴是真实类别纵轴是预测类别对角线是正确率。以电池场景为例最常见的混淆出现在“纽扣电池”和“干电池”之间。原因有两个一是纽扣电池的反光面和干电池正极帽在灰度图上长得像二是标注时如果把纽扣电池的框画大了把银色托盘边缘包了进来模型就学到了“银色圆形区域”这个错误特征。另一个容易混淆的是“9伏电池”和“干电池”9伏顶部两个金属扣在特定角度下看起来像两个圆形目标如果框没包住整个电池模型可能只看到金属扣。处理混淆的第一手段是检查训练集标注质量而不是急着换模型。我做过一次实验把纽扣电池的框全部收紧20%重新训练后混淆率下降了一半mAP反而没变。所以说mAP是一个平均值它会把多数的准确掩盖少数的错误。你用混淆矩阵找到错误集中的类别再回头修数据比在训练参数上做文章更有效。如果确认标注没问题再考虑类别不平衡。严格说YOLOv7没有直接暴露按类别加权的参数常见做法是在损失函数里对Cls loss加权。这个改动对新手不友好我建议优先用数据增强解决类别不平衡而不是动损失函数。4.2 锚框、输入尺寸与batch size的取舍YOLOv7的锚框是在COCO数据集上用聚类算出来的默认值偏向中等大小目标。电池检测里三类目标尺寸差异很大9伏电池可能占整张图50%纽扣电池只占5%。直接沿用默认锚框小目标的召回率会偏低。YOLOv7仓库里提供了重新聚类锚框的工具跑一下python tools/kmeans_anchors.py --data battery.yaml --img_size 640 --num_clusters 9 --gen_csv逻辑说明这个脚本会读取数据yaml里的训练集路径把所有标注框的宽高聚成9个簇输出一组更适合电池尺寸分布的锚框。参数说明--num_clusters 9对应YOLOv7的9组锚框不要改成其他数字--gen_csv会生成一个CSV文件里面是聚类结果把里面的9行数值替换到cfg/training/yolov7.yaml的anchors参数中。改锚框这步不是每次都有用。如果你的数据里目标尺寸分布和COCO本来就接近改了反而会让前几十轮收敛变慢。我的判断标准是先跑一遍默认配置用test.py看各类别的AP如果小目标那一类AP明显低于其他类再去做锚框聚类。输入尺寸和batch size是一对矛盾。输入640batch size就上不去想加大batch size就得降分辨率。我的建议是优先保输入尺寸因为纽扣电池小分辨率是模型理解细节的基础。6GB显存卡用64016这个组合在个别情况还是会爆显存那就在yaml里把模型宽度乘系数比如用yolov7-tiny或者把yolov7.yaml的width_multiple从1.0改成0.75。这个改动对精度影响不大对显存占用影响很明显。4.3 现场光照与背景干扰数据增强和采图策略电池这类反光物体最大的敌人是现场灯光。纽扣电池在射灯下会出现镜面高光整块区域白成一片模型如果没见过这种样本就会漏检。数据增强是第一步。YOLOv7的hyp.scratch.yaml里hsv_h、hsv_s、hsv_v控制色调、饱和度、亮度的随机扰动默认值分别是0.015、0.7、0.4。我会把hsv_v调到0.6模拟现场灯的明暗波动把hsv_s调到0.9模拟不同批次电池封套的颜色差异。但数据增强只能扩充已有像素弥补不了拍摄角度和光源结构的差异。更可靠的办法是去现场补一批图。操作流程是先用现有模型跑现场视频把置信度低于0.8的帧截下来打上时间戳然后从中挑出不同光照条件、不同角度的各50张用LabelImg补标注。把这100张加进训练集重新用best.pt微调30轮比在家调一星期参数都管用。如果现场光源完全固定还可以在硬件上做文章。常见做法是加一块偏振片消除镜面反射或者改用红外背光让电池变成剪影。硬件能解决的问题就不要交给模型硬扛这个道理很多项目到最后才明白。5. 电池数据集训练避坑指南5个常见问题与排查这一章整理的是我在类似电池检测项目里真正踩过的坑每一条都按“现象→原因→解决”的顺序写。数据集不同但这些问题几乎都会遇到尤其是从网上下载的二手数据集脏数据比想象中多。5.1 现象loss降了但mAP不动原因数据划分不合理。很多网上下载的数据集train和val的图片是同一个时段连续拍的背景几乎一样模型在验证集上“背答案”成功loss在降mAP却卡在某个值上不去。这里要区分两类情况loss在降但mAP不变和loss在降但mAP缓慢波动。前者通常是数据泄漏后者一般是模型容量不够。解决用场景维度重新划分比如按拍摄批次、背景、光照条件分组保证验证集是模型没见过的新场景。没有场景标注的话可以用图片的直方图做聚类再按聚类结果划分。补一条检查方法训练完成后看结果目录里的val_batch图片如果验证集上的预测框和真实框高度重合且背景单一就要怀疑划分太保守了。5.2 现象纽扣电池和干电池总是混在一起原因类间特征重叠。纽扣电池的反光面、干电池的正极帽在视觉上都是银色圆形。干电池正极帽在暗光下看起来就是一个小圆点和缩小版的纽扣电池几乎一样。如果标注框又都包了一圈背景模型根本没机会学到两者的区别。解决先检查标注框是否紧贴电池本体把框收紧后重训再检查数据里是否混入硬币、垫片等干扰物如果无标注模型会强行把它们归到纽扣电池。收集干扰物图片单独加一个背景类或者直接把这些图从训练集里去掉。5.3 现象验证集精度高现场一测就翻车原因现场相机色彩、白平衡和数据集图片差异太大。数据集图片多半是手机或普通RGB相机拍的现场用的是工业相机如果加了红外滤光片电池封套颜色完全变样。解决拿到现场相机后先拍50张电池图片和数据集图片放在一起对比色域。色差明显就先做白平衡校正或颜色映射再进模型。有一个有效办法是让现场相机和数据集拍摄相机的色温、增益尽量一致如果现场用自动白平衡模型每次看到的颜色都会变误检率会升高。不要把现场图直接扔进YOLOv7推理先保证输入分布一致。5.4 现象640×640输入把9伏电池裁没了原因原图不是正方形预处理直接拉伸到640长宽比被压缩或者letterbox逻辑不一致。9伏电池长宽比接近1.5如果被压成正方形金属扣特征会发生畸变。解决统一用YOLOv7仓库里的letterbox函数做缩放不要自己写resize。训练和推理阶段用同一套预处理参数确保模型的输入分布一致。如果原图有1920×1080letterbox会保留长边并填充两侧黑边这是正常的。不要为了省计算量把黑边再裁掉那会让目标的位置信息发生偏移。检查方法从训练集里抽几张图跑一次模型可视化输出如果9伏电池的检测框明显比标注框小一圈说明预处理可能出了问题。5.5 现象标注文件里出现空框或越界坐标原因标注工具导出异常或者人工框选时误操作生成width或height接近0的框坐标归一化后跑出[0,1]范围。这些脏数据训练时不报错但会让某个类别的loss出现NaN或者让AP变成0。解决写一个清洗脚本过滤所有w或h小于0.005的框把小于0的坐标裁剪到0、大于1的裁剪到1。清洗完检查每一类的框数量是否和清洗前对得上对不上的说明有整行被误删回头检查原始txt。from pathlib import Path def clean_label(txt_path, min_size0.005): lines [] for line in txt_path.read_text().splitlines(): parts line.split() if len(parts) ! 5: continue cls, x_c, y_c, w, h map(float, parts) if w min_size or h min_size: continue x_c min(max(x_c, 0.0), 1.0) y_c min(max(y_c, 0.0), 1.0) w min(max(w, 0.0), 1.0) h min(max(h, 0.0), 1.0) lines.append(f{int(cls)} {x_c:.6f} {y_c:.6f} {w:.6f} {h:.6f}) txt_path.write_text(\n.join(lines) \n) for txt in Path(labels).glob(*.txt): clean_label(txt)逻辑说明逐行解析标注过滤掉字段数不足5行、宽高小于阈值、坐标越界的框处理完写回原文件。参数说明min_size0.005在640分辨率下对应3像素宽或高小于这个值的框即使保留也没有训练价值。注意清理前先备份整个labels目录因为这个脚本是直接覆写。6. 从数据集到部署电池分拣模型上现场还要做的三件事6.1 用TensorRT把YOLOv7压到现场算力训练完的best.pt是PyTorch权重现场设备不一定装PyTorch更常见的部署方式是用TensorRT把它转成engine文件。YOLOv7的export.py支持直接导出带NMS的ONNX命令如下。python export.py --weights best.pt --grid --end2end --simplify --img-size 640逻辑说明--grid让模型输出带网格结构的原始结果--end2end把NMS算子写进ONNX图里--simplify用onnx-simplifier做图优化。参数说明转换完的ONNX用trtexec转成engine固定输入尺寸640×640。转换后要在同一批测试集上对比TensorRT和PyTorch的mAP误差一般在0.5%以内超过就要检查是否有算子精度丢失。6.2 数据闭环把误检图加回去部署不是终点而是数据迭代的起点。我的习惯是现场跑两周每天把漏检、误检的截图存到独立目录一周挑100张补标注后加入训练集用best.pt做预训练权重微调30轮。这个闭环跑上两个月模型对现场光线、角度、摆放方式的适应能力才会真正稳定。迭代时要注意类别平衡哪类误检多就补哪类的样本但也要控制每类总量不要太偏。6.3 投入判断这个数据集适合什么样的项目2030张图、三类电池、97.7%正确识别率这个组合适合做产线分拣的可行性验证、适合做小型工位机的辅助质检但不适合直接扛高节拍全自动分拣。如果现场电池是随机角度、互相遮挡图像种类和姿态远超数据集的覆盖范围就得先补数据再谈部署。拿到数据集后也别急着训练先用自己的脚本复现一遍标注统计和图片尺寸检查确认97.7%这个数字能复现再考虑投入多少时间。我做了几年视觉检测最大的教训就是数据整理花的时间永远是训练的好几倍把标注格式、划分逻辑、清洗脚本固定成一套流程下次换电池型号半天就能出一版新模型。这个数据集作为第一个练手项目正好帮你把这条路走通。希望帮到你。本文还有配套的精品资源点击获取