​
带标注的工业零件表面缺陷识别数据集，识别率73.7%，4312张图，可识别划痕，颜色质感不均匀斑块，裂纹，异物，凹坑，铁皮氧化层6种缺陷，支持yolo，coco json，voc xml,文末有模型训练代码

模型训练指标参数：

模型训练图：

数据集拆分

总图数：4312 张图数
训练集

3772 张图

验证集

324 张图

测试集

216 张图

预处理

自动定向：应用

调整大小：拉伸到416x416

增强

每个训练样本输出份数：3 份
翻转方式：水平翻转、垂直翻转
90 度旋转：顺时针旋转、逆时针旋转
亮度调节范围：-20% ~ +20%

数据集标签：

[‘inclusion’, ‘pitted_surface’, ‘rolled-in_scale’, ‘patches’, ‘scratches’, ‘crazing’]

标签解释
scratches：外物剐蹭留下线条伤痕
patches：表面颜色、质感不均匀斑块
crazing：表层细密网状小裂纹
inclusion：材料内部混入杂质黑点异物
pitted_surface：表面出现密密麻麻小凹坑
rolled-in_scale：钢材轧制时压入的铁皮氧化层缺陷

数据集图片和标注信息示例：

数据集下载：

yolo26:https://download.csdn.net/download/pbymw8iwm/92903335

yolo v12:https://download.csdn.net/download/pbymw8iwm/92903333

yolo v11:https://download.csdn.net/download/pbymw8iwm/92903332

yolo v9:https://download.csdn.net/download/pbymw8iwm/92903328

yolo v8:https://download.csdn.net/download/pbymw8iwm/92903329

yolo v7: https://download.csdn.net/download/pbymw8iwm/92903331

coco json:https://download.csdn.net/download/pbymw8iwm/92903334

pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92903330

YOLO模型训练

下载数据集之后解压到当前文件夹，然后将 我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject里的训练模型脚本复制到文件夹下，假设你使用的是yolov8来训练你就用 python train_yolov8.py
​​

模型验证测试情况：

验证测试代码：

#需要安装pip install ultralytics
from ultralytics import YOLO
import cv2
 
# 加载训练好的 YOLO .pt 模型
model = YOLO('best.pt')  # 替换为你实际的 .pt 模型文件路径
 
# 定义要测试的图片路径
image_path = './image.jpg'  # 替换为你实际的图片文件路径
 
# 使用模型对图片进行预测
results = model(image_path)
 
# 获取预测结果
for result in results:
    # 获取绘制了检测框的图片
    annotated_image = result.plot()
 
    # 显示图片
    cv2.imshow("YOLOv Inference", annotated_image)
 
    # 等待按键退出
    cv2.waitKey(0)
 
    # 关闭所有 OpenCV 窗口
    cv2.destroyAllWindows()