​

本文介绍一个高质量的焊缝缺陷识别数据集，专门用于训练和评估目标检测模型。该数据集包含5993张精心标注的工业焊缝图像，涵盖三种常见缺陷类型：裂纹（Grieta）、气孔（Poro）、烧痕（Quemadura）。经测试，基于该数据集训练的YOLO模型识别率可达91.8%。

数据集提供多种标注格式，支持主流目标检测框架：

• YOLO格式：适用于YOLOv5/v6/v7/v8/v9/v10/v11/v12等版本
• COCO JSON格式：适用于MMDetection、Detectron2等框架
• Pascal VOC XML格式：适用于传统目标检测算法

数据集已按标准比例划分为训练集、验证集和测试集，并提供了完整的模型训练代码和验证脚本，方便研究者快速上手。

模型训练指标参数：

模型训练图：

数据集拆分

总图数：5993 张图数
训练集

4195 张图

验证集

1199 张图

测试集

599 张图

预处理

自动定向：应用

调整大小：拉伸到640x640

增强

无

数据集标签：

[‘Grieta’, ‘Poro’, ‘Quemadura’]

数据集图片和标注信息示例：

数据集获取与使用

数据集已上传至CSDN资源平台，包含完整的图像文件和三种格式的标注文件。下载后解压即可使用。

下载地址：

• 焊缝缺陷识别数据集下载

文件结构说明：

焊缝缺陷数据集/ ├── images/ # 所有图像文件 │ ├── train/ # 训练集图像 │ ├── val/ # 验证集图像 │ └── test/ # 测试集图像 ├── labels/ # YOLO格式标注文件 ├── annotations/ # COCO JSON和VOC XML标注文件 └── README.txt # 数据集说明文档

支持格式：

1. YOLO格式：适用于所有YOLO系列模型
2. COCO JSON格式：适用于MMDetection、Detectron2等框架
3. Pascal VOC XML格式：适用于传统目标检测算法

数据集已按标准比例划分，可直接用于模型训练。

YOLO模型训练实践

环境准备与数据准备

1. 下载数据集：从上述链接下载数据集并解压到项目目录
2. 获取训练代码：克隆或下载训练脚本仓库

   gitclone https://gitcode.com/pbymw8iwm/YOLOProject.git

   或直接下载仓库中的训练脚本文件

训练步骤

1. 配置训练环境：确保已安装PyTorch和Ultralytics库

   pipinstalltorch torchvision pipinstallultralytics

2. 准备数据配置文件：创建data.yaml文件，配置数据集路径和类别信息

   path:./焊缝缺陷数据集# 数据集根目录train:images/train# 训练集路径val:images/val# 验证集路径test:images/test# 测试集路径nc:3# 类别数量names:['Grieta','Poro','Quemadura']# 类别名称

3. 执行训练：根据使用的YOLO版本选择对应的训练脚本

   # 使用YOLOv8训练python train_yolov8.py

训练过程监控

训练过程中，Ultralytics会自动记录各项指标，包括损失函数变化、精度、召回率等。训练完成后，会在runs/train/目录下生成以下文件：

• 最佳模型权重文件（best.pt）
• 训练过程可视化图表
• 验证结果和混淆矩阵
• 模型性能评估报告

图：YOLO模型训练过程中的损失函数和精度变化曲线

模糊图片在模型训练中的优势分析

该数据集中包含了如果包含了一些模糊图片，这并非数据缺陷，而是一种精心设计的数据增强策略，能为模型训练带来以下显著优势：

1. 提升模型鲁棒性：现实场景中，可能发生在运动模糊，对焦不准或光线不足的情况下。在训练集中引入模糊样本，可以迫使模型学习更本质的特征，而不是过度依赖清晰的边缘或纹理细节，从而提升模型在复杂、非理想成像条件下的识别能力。
2. 模拟真实世界噪声：监控摄像头、手机等设备在低光照或快速移动时极易产生模糊。包含此类图片的数据集能让模型提前“见识”并适应这种噪声，减少在实际部署时因图像质量下降而导致的性能骤降。
3. 防止模型过拟合：如果训练集全是高清、摆拍的完美图片，模型容易记住这些特定场景下的“干净”特征，而对新的、稍有模糊的图片泛化能力差。模糊图片作为一种有效的正则化手段，可以增加数据分布的多样性，防止模型过拟合到有限的清晰样本上。
   总结：因此，数据集中包含的模糊图片，与你看到的“水平翻转”、“剪切形变”、“随机遮挡”等增强操作一样，都是为了构建一个更接近真实世界复杂分布的数据环境，从而训练出更健壮、更泛化、更实用的模型。

模型验证测试情况：

验证测试代码：

#需要安装pip install ultralyticsfromultralyticsimportYOLOimportcv2# ===================== 1. 加载YOLO模型 =====================# 自动下载预训练模型(yolov8n最轻量快速)，也可换 yolov8s/m/l/xmodel=YOLO("best.pt")# ===================== 2. 推理配置 =====================image_path="326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg"# 你的图片路径save_result=True# 是否保存标注后的图# ===================== 3. 执行推理 =====================results=model.predict(source=image_path,conf=0.01,# 置信度阈值（低于该值忽略）save=False,# 关闭默认保存，自定义保存verbose=False# 关闭冗余日志)# ===================== 4. 解析结果：目标区域 + 标注信息 =====================print("="*50)print("YOLO 推理结果（目标区域 + 标注信息）")print("="*50)# 获取图片（用于绘制框）img=cv2.imread(image_path)# 遍历所有检测目标foridx,resultinenumerate(results):boxes=result.boxes# 所有检测框forboxinboxes:# ========== 提取目标区域（坐标） ==========# xyxy: 左上角x, 左上角y, 右下角x, 右下角yx1,y1,x2,y2=box.xyxy[0].cpu().numpy()# 宽高w=x2-x1 h=y2-y1# ========== 提取标注信息 ==========cls_id=int(box.cls[0])# 类别IDcls_name=model.names[cls_id]# 类别名称conf=float(box.conf[0])# 置信度# ========== 打印信息 ==========print(f"目标{idx+1}:")print(f" 标注类别：{cls_name}")print(f" 置信度：{conf:.2f}")print(f" 目标区域坐标：")print(f" 左上角 ({x1:.1f},{y1:.1f})")print(f" 右下角 ({x2:.1f},{y2:.1f})")print(f" 宽×高：{w:.1f}×{h:.1f}")print("-"*30)# ========== 在图片上绘制检测框 ==========cv2.rectangle(img,(int(x1),int(y1)),(int(x2),int(y2)),(0,255,0),2)cv2.putText(img,f"{cls_name}{conf:.2f}",(int(x1),int(y1)-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)# ===================== 5. 保存/显示结果 =====================ifsave_result:cv2.imwrite("yolo_result.jpg",img)print("✅ 标注图片已保存为：yolo_result.jpg")# 显示图片（可选）cv2.imshow("YOLO Result",img)#cv2.waitKey(0)#cv2.destroyAllWindows()