工业焊缝场景 焊缝缺陷数据集 6400张图片 支持YOLO格式 YOLO模型如何训练焊缝缺陷检测数据集

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

二、数据集类别详情表

三、标注格式说明表

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_dataset"train_ratio=0.8val_ratio=0.1test_ratio=0.1# 创建标准目录defmake_dir(path):ifnotos.path.exists(path):os.makedirs(path)# 生成目录路径img_train=os.path.join(save_root,"images/train")img_val=os.path.join(save_root,"images/val")img_test=os.path.join(save_root,"images/test")label_train=os.path.join(save_root,"labels/train")label_val=os.path.join(save_root,"labels/val")label_test=os.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_num=len(img_list)# 计算划分数量train_num=int(total_num*train_ratio)val_num=int(total_num*val_ratio)# 拆分数据集train_set=img_list[:train_num]val_set=img_list[train_num:train_num+val_num]test_set=img_list[train_num+val_num:]# 复制文件函数defcopy_files(file_list,dst_img,dst_label):forfileinfile_list:name=os.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_file=name+".txt"ifos.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):tree=ET.parse(xml_file)root=tree.getroot()# 获取图片尺寸size=root.find("size")img_w=int(size.find("width").text)img_h=int(size.find("height").text)# 生成txt文件路径txt_name=os.path.basename(xml_file).replace(".xml",".txt")txt_path=os.path.join(save_txt_dir,txt_name)withopen(txt_path,"w",encoding="utf-8")asf:# 遍历所有目标forobjinroot.iter("object"):cls_name=obj.find("name").textifcls_namenotinclass_names:continuecls_id=class_names.index(cls_name)# 获取边界框坐标bndbox=obj.find("bndbox")x1=float(bndbox.find("xmin").text)y1=float(bndbox.find("ymin").text)x2=float(bndbox.find("xmax").text)y2=float(bndbox.find("ymax").text)# 转换为YOLO归一化格式x_center=(x1+x2)/2.0/img_w y_center=(y1+y2)/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）model=YOLO("yolov8m.pt")# 工业焊缝场景专属训练参数results=model.train(data="./weld_defect_dataset/weld_defect.yaml",# 数据集配置文件路径epochs=120,# 训练轮数，工业缺陷建议100-150轮imgsz=640,# 输入尺寸，小缺陷可调高至800batch=16,# 批次大小，显存不足改为8/4device=0,# GPU编号，无GPU改为 device="cpu"workers=4,# 数据加载线程patience=20,# 早停机制：20轮无精度提升则停止，防止过拟合pretrained=True,# 使用COCO预训练权重optimizer="Adam",# 优化器，工业场景Adam收敛更稳定lr0=0.001,# 初始学习率lrf=0.01,warmup_epochs=5,# 热身轮数，稳定训练初期# 数据增强配置（适配工业焊缝场景）mosaic=0.8,# 马赛克增强，降低比例避免破坏缺陷特征mixup=0.1,copy_paste=0.0,hsv_h=0.015,# 色相增强，适配不同光照的焊缝图像hsv_s=0.7,hsv_v=0.4,# 保存配置project="runs/weld_train",name="yolov8_weld_defect",exist_ok=True,# 缺陷检测专属阈值conf=0.25)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model=YOLO("./runs/weld_train/yolov8_weld_defect/weights/best.pt")# 1. 单张图片检测# results = model("test_weld.jpg", save=True, conf=0.3)# 2. 文件夹批量图片检测# results = model(source="./test_images", save=True, conf=0.3)# 3. 视频检测# results = model("weld_video.mp4", save=True, conf=0.3)# 4. 实时摄像头检测results=model(source=0,save=True,conf=0.3)print("推理完成，结果已保存到 runs/detect 目录")

十、完整使用流程

1. 整理6400张图片和对应标签，放入数据集对应文件夹；
2. 运行voc2yolo.py（如果是VOC格式）生成YOLO标签；
3. 运行split_dataset.py完成数据集划分；
4. 核对weld_defect.yaml中的文件路径和类别；
5. 安装依赖包，运行train_weld_defect.py开始训练；
6. 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

1. 小缺陷漏检：调高imgsz=800，降低训练/推理conf=0.2~0.25，增加patience=25；
2. 背景杂物误检：降低mosaic=0.6，关闭mixup，减少强数据增强对缺陷特征的破坏；
3. 显存不足：减小batch，使用yolov8n.pt轻量模型，关闭不必要的增强；
4. 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；
5. 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。