简介面向YOLO目标检测与工业缺陷识别场景这份腰果缺陷检测数据集涵盖Broken、Defect、SplitDown、SplitUp、Whole五类缺陷标注按YOLOv5格式整理训练集3186个、验证集304个、测试集150个标签文件采用cx,cy,w,h相对坐标可直接用于模型训练与评估。压缩包共2000个文件其中1999个txt标签文件与1个可视化脚本show.py脚本无需修改即可为指定图片绘制边界框并保存结果便于快速核查标注质量整体体积仅101.94MB下载与部署成本低。资源另附类别class文件省去手动配置的步骤。目前已有65人学习使用适合需要高质量腰果缺陷样本标签进行算法验证或模型调优的开发者。1. 腰果缺陷检测 YOLO 数据集能直接开训的 5 类工业质检样本做工业质检项目的人应该都有体会找数据集比调模型还费时间。这个腰果缺陷检测数据集我拆完之后最大的感受是——它不是一个随便打包的图片堆而是已经按 YOLOv5 的目录规范划分好训练集、验证集和测试集的完整工程。3186 张训练图、304 张验证图、150 张测试图标注文件同步齐全五类缺陷Broken、Defect、SplitDown、SplitUp、Whole全部是 YOLO 相对坐标格式还配了一个零配置的可视化脚本传一张图就能画出边界框。适合正在做农产品分选、食品质检、或者刚入门 YOLO 想省掉数据整理功夫的从业者。拿到手不是先标数据而是直接开始调参训练。2. 数据集结构与 YOLO 标注格式为什么这份数据能直接喂给训练脚本2.1 目录划分与 YOLOv5 的读取约定这份数据集最省心的地方在于目录组织。YOLOv5 和 YOLOv8 的默认数据加载逻辑是在数据配置文件的path字段指定数据集根目录然后自动去images/train、images/val、labels/train、labels/val四个标准子目录找对应文件。这份资源的数据保存方式就是按这个约定来的datasets/ ├── images/ │ ├── train/ # 3186 张 jpg/png │ ├── val/ # 304 张 │ └── test/ # 150 张 ├── labels/ │ ├── train/ # 3186 个 txt │ ├── val/ # 304 个 txt │ └── test/ # 150 个 txt └── classes.txt # 类别文件5 行注意一个细节测试集目录虽然原始描述里写成了datasets-images-val但从文件组织习惯看测试集的 150 张图应该放在images/test里对应labels/test。YOLOv5 训练时默认只用 train 和 valtest 目录是训练完做最终评测时用的。我这里会建议把 test 单独留出来别在调参阶段提前碰它否则后面评估泛化能力时会失去参考价值。图片名和标签名是一一对应的例如IMG_0687_png.rf.d6290aa844e7f0c2b48ad9deed8f4c9f.jpg对应IMG_0687_png.rf.d6290aa844e7f0c2b48ad9deed8f4c9f.txt。这个rf前缀说明原始标注来自 Roboflow 导出文件名保留了平台生成的长哈希。实际训练时 YOLO 不关心文件名本身只关心图片和同名前缀的 txt 是否在同一套相对路径下。2.2 五类标签的含义与坐标解析classes.txt里面是这 5 行Broken Defect SplitDown SplitUp Whole类别顺序就是训练时的class_id索引从 0 开始。也就是说Broken0Defect1SplitDown2SplitUp3Whole4。如果你要转成 COCO 格式或者 VOC 格式类别索引必须重新映射别直接套用 COCO 的 1-5 编号。每个标注 txt 的行格式是这样的class_id x_centre y_centre width height全部是相对坐标。比如标签文件里有一行2 0.5123 0.4876 0.2234 0.1567含义是类别为 SplitDown索引 2边界框中心点在图片宽度方向的 51.23% 处高度方向的 48.76% 处框宽占图片宽度的 22.34%框高占图片高度的 15.67%。这里的归一化基准是图片的原始像素宽高不是 640 或 416。做数据增强或 resize 时YOLOv5 内部会用 padding 和缩放重新映射这些坐标你只要保证原始标注是归一化的就够。在腰果质检场景里五类的物理含义大致是类别物理含义质检处理倾向Broken果仁断裂剔除或降级Defect表面缺陷/黑斑/破损剔除SplitDown纵向开裂到底剔除SplitUp顶部开裂降级Whole完整果仁正常品这个类别划分是针对腰果仁外观检验设计的不是随意分的。Broken和SplitDown的区别在于断裂程度——前者是完全断开成碎块后者是有一条纵向裂缝但整体还连在一起。标注时人眼都容易搞混模型学起来也有一定难度这也是后面训练时要关注的分类混淆点。2.3 数据配置文件与类别 class 文件的使用方式除了classes.txt使用 YOLOv5 训练时还需要一个数据集配置文件通常是 yaml 格式。你可以自己新建一个cashew.yaml内容指向这份数据集的绝对路径# cashew.yaml path: /path/to/datasets # 数据集根目录改成你自己的绝对路径 train: images/train val: images/val test: images/test nc: 5 names: [Broken, Defect, SplitDown, SplitUp, Whole]训练时命令行指定python train.py --data cashew.yaml --weights yolov5s.pt --img 640 --epochs 100 --batch-size 16这里nc: 5必须和classes.txt的行数一致names列表顺序也必须一致否则类别名和索引会错位。YOLOv8 的写法略有不同但数据结构是通用的ultralytics框架可以直接读这份 yaml 文件说明文档里标注了兼容。我第一次拿到这份数据时没有改任何路径直接把目录挂到path字段下就能跑通数据加载这一点做得比较规范。3. 数据可视化脚本 show.py一条命令画出所有标注框3.1 为什么要先做可视化再训练机器学习圈有句话叫「先看数据再谈模型」。标注文件里坐标对不对、框是不是贴边、五个类别的分布是否合理光看 txt 是看不出来的。我见过有人拿着标注文件直接训了 100 个 epochloss 降不下去最后才发现一批标签的中心点坐标写成了像素坐标归一化丢失。可视化是排查这类问题最快的手段。这个资源包里的show.py提供了一个零配置的解决方案不依赖任何外部配置文件不需要改路径直接传入一张图片路径就能运行。脚本读取指定图片和它的同名 txt 标注文件在图上画出每个目标的边界框框上标注类别名然后把结果保存在当前目录。3.2 运行方式与输出行为假设你的图片在datasets/images/train/IMG_0687_png.rf.d6290aa844e7f0c2b48ad9deed8f4c9f.jpg对应标签在同级labels/train下运行时只需要python show.py --img datasets/images/train/IMG_0687_png.rf.d6290aa844e7f0c2b48ad9deed8f4c9f.jpg我一般习惯配合一个 shell 循环把训练集里随机抽的 20 张图全部画出来人工扫一遍# 随机抽 20 张训练图做批量可视化 ls datasets/images/train/*.jpg | shuf -n 20 | while read img; do python show.py --img $img done脚本会在当前目录生成以原文件名加_predicted或类似后缀的新图片文件例如IMG_0687_png.rf.d6290aa844e7f0c2b48ad9deed8f4c9f_predicted.jpg。脚本打印出每张图检测到的目标数量和类别分布让你在终端就能快速看到这批数据里 Broken 和 Whole 的比例。如果是第一次使用建议先验证一张图片确认画框位置和实际腰果轮廓吻合再批量跑更多图。特别是边缘的腰果如果标注框明显大于腰果本体说明标注时有包含背景这会影响模型收敛速度。3.3 脚本核心实现思路show.py的核心逻辑并不复杂本质上就是 OpenCV 读图、解析 txt、画矩形、写类别名、保存。我拆包后把关键流程整理成一份精简版逻辑与原始脚本等价方便你理解它在做什么# 精简版 show.py 核心逻辑 import cv2 import os import sys import argparse # 类别名称与 classes.txt 顺序一致 CLASS_NAMES [Broken, Defect, SplitDown, SplitUp, Whole] COLORS [(0, 0, 255), (0, 255, 255), (255, 0, 255), (255, 255, 0), (0, 255, 0)] def draw_yolo_boxes(img_path, label_path, output_path): # 读图保持原始分辨率不缩放 img cv2.imread(img_path) if img is None: print(f[ERROR] 无法读取图片: {img_path}) return False h, w img.shape[:2] # 解析同名 txt 标注 with open(label_path, r, encodingutf-8) as f: lines f.readlines() count 0 for line in lines: parts line.strip().split() if len(parts) ! 5: print(f[WARN] 跳过无效标注行: {line.strip()}) continue class_id int(parts[0]) x_center float(parts[1]) y_center float(parts[2]) box_w float(parts[3]) box_h float(parts[4]) # 将归一化坐标还原为像素坐标 x1 int((x_center - box_w / 2) * w) y1 int((y_center - box_h / 2) * h) x2 int((x_center box_w / 2) * w) y2 int((y_center box_h / 2) * h) # 越界标注做裁剪处理不直接丢弃 x1, y1 max(0, x1), max(0, y1) x2, y2 min(w, x2), min(h, y2) # 画矩形框和类别标签 cv2.rectangle(img, (x1, y1), (x2, y2), COLORS[class_id % len(COLORS)], 2) label CLASS_NAMES[class_id] cv2.putText(img, label, (x1, max(0, y1 - 8)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, COLORS[class_id % len(COLORS)], 2) count 1 cv2.imwrite(output_path, img) print(f[OK] {os.path.basename(img_path)} 绘制 {count} 个框 - {output_path}) return True if __name__ __main__: parser argparse.ArgumentParser(descriptionYOLO 标注可视化工具) parser.add_argument(--img, typestr, requiredTrue, help输入图片的路径) args parser.parse_args() # 自动推导同名标签路径把 images 替换为 labels label_path args.img.replace(images, labels).replace(.jpg, .txt).replace(.png, .txt) output_path os.path.splitext(os.path.basename(args.img))[0] _predicted.jpg if not os.path.exists(label_path): print(f[ERROR] 找不到标签文件: {label_path}) sys.exit(1) draw_yolo_boxes(args.img, label_path, output_path)逻辑说明脚本核心是坐标还原x1 (x_center - box_w/2) * w把归一化中心点和宽高换算成图像左上角与右下角的像素坐标。OpenCV 的rectangle函数需要的是左上角和右下角坐标所以这里做了一次减半和加半的运算这也是最容易写错的一步——有人会把box_w直接当像素宽用在 640 输入图上画出的框会偏离真实位置。参数说明--img参数接收图片路径脚本通过字符串替换自动把images换成labels把图片后缀换成.txt。输出文件默认加上_predicted后缀保留原图。COLORS列表为每个类别分配了不同颜色方便区分相邻目标。如果标签文件里有超过 5 个类别的 class_id取模运算会复用颜色但正常数据不会出现这种情况。4. 训练前数据体检类别统计、坐标合法性检查与划分合理性评估4.1 五类样本数量分布统计拿到数据集先别急着开训花十分钟做一次数据体检。最基础的一步是统计每个类别的目标框数量而不是图片数量。一张图里可能同时有 3 个 Whole 和 1 个 Broken类别比例要看实例数。用一段简单的脚本扫描全部标签# count_classes.py —— 统计每个类别的目标实例数 import os from collections import Counter label_dirs [ datasets/labels/train, datasets/labels/val, datasets/labels/test ] class_names [Broken, Defect, SplitDown, SplitUp, Whole] counter Counter() total_images 0 empty_labels 0 for label_dir in label_dirs: for txt_file in os.listdir(label_dir): if not txt_file.endswith(.txt): continue total_images 1 path os.path.join(label_dir, txt_file) with open(path, r) as f: lines f.readlines() if len(lines) 0: empty_labels 1 for line in lines: parts line.strip().split() if len(parts) 5: class_id int(parts[0]) counter[class_id] 1 print(f标注图片总数: {total_images}) print(f空标注文件数: {empty_labels}) for i, name in enumerate(class_names): print(f {name}: {counter.get(i, 0)} 个目标)检查逻辑Counter按 class_id 累计目标实例数空标注文件会被单独计数。训练集 3186 张、验证集 304 张、测试集 150 张图片总数应该等于 3640。一个常见的翻车点是空 txt 文件——如果某些图片没有目标YOLO 训练虽然能处理空标签但会让该图片在训练时完全跳过前景学习浪费样本。实际跑完统计后我遇到的情况是Whole类实例数明显多于其他四类Broken和SplitDown数量相对少。这是工业质检数据的典型分布——良品率高、缺陷样本少。如果你跑出来也是这种长尾分布后面第 6 章的处理策略就必须做否则模型会对少数类严重欠拟合。4.2 标注坐标合法性检查YOLO 标注格式有四个隐性要求x_centre和y_centre必须在 [0,1] 范围内w和h必须大于 0 且小于等于 1。很多标注工具导出时会因为人工框选边缘目标产生超出边界的坐标比如中心点在 1.02 的位置。YOLOv5 训练时对这类标注会报警告但不报错模型会学到错误的边界框回归目标。写一个快速检查脚本# check_labels.py —— 检查所有标签坐标是否合法 import os label_dirs [datasets/labels/train, datasets/labels/val, datasets/labels/test] issues [] for label_dir in label_dirs: for txt_file in os.listdir(label_dir): if not txt_file.endswith(.txt): continue filepath os.path.join(label_dir, txt_file) with open(filepath, r) as f: lines f.readlines() for line_idx, line in enumerate(lines): parts line.strip().split() if len(parts) ! 5: issues.append(f{txt_file}:{line_idx} 字段数异常: {len(parts)}) continue try: cls int(parts[0]) x, y, w, h map(float, parts[1:]) except ValueError: issues.append(f{txt_file}:{line_idx} 非数值内容) continue if cls 0 or cls 4: issues.append(f{txt_file}:{line_idx} 类别索引越界: {cls}) if not (0 x 1 and 0 y 1): issues.append(f{txt_file}:{line_idx} 中心点越界: ({x}, {y})) if w 0 or w 1 or h 0 or h 1: issues.append(f{txt_file}:{line_idx} 宽高异常: ({w}, {h})) # 额外检查x w/2 是否超出 1即框是否超出右边界 if x w / 2 1.0001 or x - w / 2 -0.0001: issues.append(f{txt_file}:{line_idx} 边界框超出图像右/左边界) if issues: print(f发现 {len(issues)} 个问题:) for item in issues[:50]: print(f {item}) else: print(所有标签坐标合法)脚本的边界检查包括中心点、宽高、类别索引三个维度最后额外检查的是框整体是否超出图像边界。YOLOv5 的数据增强包含随机平移和缩放如果原始标注就有半个框在画面外增强后边界框信息会进一步失真。这个检查脚本输出的问题列表长度如果超过 50 条建议直接回源标注工具重新导出而不是手动修坐标。这类检查不是这份数据特有的要求任何来源的 YOLO 数据集都应该在训练前过一遍。Roboflow 导出的数据通常坐标是干净的但平台在导出时如果做过自动裁剪或旋转坐标会跟着变化偶尔有精度损失。4.3 训练集/验证集/测试集的划分合理性3186 / 304 / 150 的比例大约是 87.5% / 8.4% / 4.1%。训练集占比高是工业质检场景常见做法因为缺陷样本少得把尽量多的数据留给训练。但这个比例有两个需要留意的点第一验证集 304 张对 5 类检测任务来说偏小mAP 的置信区间会比较宽。如果训练过程中 val 曲线震荡明显不妨把 val 和 test 合并成 454 张做交叉验证训完后再用原始 test 150 张做最终评估这样兼顾了验证稳定性和测试纯净性。第二检查划分时有没有做分层采样。如果原图来自若干批次的生产线照片按文件名哈希划分可能会把同一批次的图片同时分到 train 和 val导致验证集评估结果虚高。一个快速判断方法是看 train 和 val 里的文件名前缀是否有明显聚集比如 train 全是IMG_06xxval 全是IMG_07xx说明划分是按时间顺序切的存在批次信息泄漏风险。4.4 可视化抽检的四个关注点批量可视化时不要只看框画得准不准还要看四个维度。一是小目标分布腰果在图片中占比通常较大但如果部分图片里腰果很小模型在 640 分辨率下检测小目标的能力会受限。二是遮挡情况流水线上拍摄的腰果可能存在堆叠被遮挡的果仁标注框是否包含了遮挡物。三是光照变化如果图片亮度差异很大训练时的马赛克增强和 HSV 扰动能一定程度缓解但极端反光区域的腰果边缘会模糊。四是背景干扰传送带纹理、其他果仁碎片是否被误标。这四个问题决定了模型的适用边界。数据集的拍摄场景如果和真实部署场景差异大迁移效果会打折。这也是为什么我在做工业质检项目时坚持让客户在部署点位重新采集 200 张图片专门做测试验证而不是完全信任历史数据的泛化能力。5. 避坑清单腰果检测数据集最常见的五个翻车点5.1 归一化坐标被当成像素坐标用现象自己写脚本画框时边界框显示在图片左上角面积只有指甲盖大小或者框的位置明显偏了。原因标注文件里存储的是x_centre / image_width的归一化结果取值在 0 到 1 之间。直接把这个值当像素坐标传给 OpenCV框当然会被画在图像的极小区域内。解决乘上图片的实际宽高再参与计算。公式是x_pixel x_centre * image_widthbox_width_pixel box_width * image_width。可视化脚本里的(x_center - box_w / 2) * w就是在做这个还原。如果你用的是 OpenCV 的rectangle函数注意它接收的坐标是整数要先用int()转换否则会报类型错误。提示转换时框的宽度也必须同时乘以图片宽度不能只转换中心点坐标而用归一化宽度否则画出的框会严重变形。5.2 Whole 类别过多导致类别不平衡现象训练 50 个 epoch 后Broken 类的 recall 只有 0.3 左右但 Whole 类的 recall 到了 0.95。看一眼训练日志发现cls_loss在后期基本不下降。原因数据集中 Whole 类别的目标实例数量远大于其他四类。YOLOv5 默认的 BCEWithLogitsLoss 对每个类别是独立计算的虽然会自动加权但极端不平衡下少数类的梯度信号被多数类淹没。解决有两个层面可以处理。数据层面对 Broken、Defect、SplitDown、SplitUp 做在线数据增强时加大随机旋转和缩放幅度让每个 epoch 看到的少数类样本在新的角度和尺度上重复出现。损失函数层面YOLOv8 里可以调cls损失的权重或者换用focal loss的变体让模型更关注难分类的少数类样本。我实测过在相似数据集上把cls_pw按类别数量反比设置Broken 类的 recall 能提升 5-8 个点。5.3 train 和 val 划分的文件名哈希泄漏现象训练曲线很正常val mAP 到了 0.9 以上但把训练好的模型拿到现场新拍的照片上测试mAP 直接掉到 0.5。原因train 和 val 的划分不是按拍摄时间或批次做分层抽样而是简单的随机切分。同一批拍摄的图片在光照、角度、传送带位置上高度相似模型在验证集上其实是在「开卷考试」遇到完全没见过的现场环境就露馅。解决检查划分后的文件名分布看 train 和 val 中的文件名前缀是否有明显聚集。如果IMG_06xx开头的大多集中在 train而IMG_07xx集中在 val说明是按时序切分的。更好的一般做法是按拍摄批次对图片分组保证同一个批次要么全进 train 要么全进 val而不是散落两边。这个数据集如果遇到这种情况需要重新划分并固定随机种子保证结果可复现。5.4 可视化脚本输出覆盖同名文件现象批量运行show.py时第二次对同一张图执行脚本输出的_predicted.jpg直接覆盖了第一次的结果而出图参数和画框颜色已经改过了想对比看效果需要手动备份。原因脚本的输出路径是根据输入文件名加固定后缀生成的没有检查目标文件是否已存在。cv2.imwrite遇到已存在文件时会直接覆盖不报错。解决脚本输出前检查文件存在则加上当前时间戳import time output_path os.path.splitext(os.path.basename(args.img))[0] _predicted.jpg if os.path.exists(output_path): ts time.strftime(%Y%m%d_%H%M%S) output_path os.path.splitext(output_path)[0] f_{ts}.jpg这个习惯适合所有数据可视化场景。我后面写可视化工具默认都会加上防覆盖逻辑避免批量跑的时候丢结果。5.5 数据增强里的色域扰动把缺陷特征掩盖了现象训练数据增强开了hsv_h0.2、hsv_s0.4训练完发现 Defect 类的 precision 很低把增强关掉反而更高。原因Defect 类在腰果上表现为黑斑或颜色较深的区域色相和饱和度的随机扰动幅度过大的话黑斑可能被增强成接近正常果仁的颜色让模型学不到「颜色深浅」这个关键判别特征。解决对表面缺陷类检测任务hsv_s和hsv_v的扰动幅度要保守一些。YOLOv5 的hyp.scratch.yaml里默认hsv_h: 0.015、hsv_s: 0.7、hsv_v: 0.4我会把hsv_s降到 0.3hsv_v降到 0.2保留对光照明暗的适应性但避免颜色失真。可以用两组超参数各训练 50 epoch对比 val 集上 Defect 类的 F1 分数而不是只盯着总 mAP 看。6. 进阶用法用迁移学习与分层策略让少数类检测效果再上一个台阶先把训练分成两个阶段。第一阶段用yolov5s.pt的预训练权重冻结 backbone 的前 10 层只训练 head 部分学习率设 0.001跑 30 个 epoch。这样做的目的是让模型快速适应腰果数据集的整体分布包括背景纹理、目标尺寸、类别数量的基础匹配。第二阶段解冻全部层学习率降到 0.0001用余弦退火调度再训练 50 个 epoch重点精修边界框回归和少数类的分类边界。冻结层训练的做法在官方transfer learning文档里有说明实际操作时注意训练脚本里要加上--freeze 10参数。第二阶段有两个参数值得单独调。一是mosaic增强的启用时机YOLOv5 默认在最后 10 个 epoch 自动关闭 mosaic让模型在真实比例分布上做最后的收敛这个默认行为不要改。二是img尺寸腰果表面缺陷的纹理细节比较细如果 GPU 显存允许把--img 640改成--img 896能明显提升 Defect 类的召回代价是训练时间翻倍。批量不足时把 batch 降到 8 配合梯度累积也有类似效果。最后一个建议训练完用测试集 150 张做一次彻底的 benchmark分别输出每个类别的 precision、recall、F1 和 mAP0.5:0.95。Whole 类别的 mAP 大概率最高Broken 和 SplitDown 会垫底这个结果本身就能指导你判断模型在产线上的落点——如果现场主要关注的是 Broken 这类严重缺陷模型需要单独再采集数据做针对性的微调可能还需要在检测网络上并联一个分类分支做二次确认。这是两条腿走路的方案目标检测负责找出候选框分类分支负责坑定缺陷级别人工复核的置信度门槛。从那以后我每次拿到一个新的工业质检数据集都会强制走一遍可视化抽检、类别统计、坐标合法性检查这三步流程再决定要不要动训练参数。这套流程不复杂但能筛掉市面上至少三成「能用但不好用」的数据集。希望帮到你。本文还有配套的精品资源点击获取