企业官网建设流程全解析

简介：这份资源面向从事工业质检、缺陷识别方向的目标检测学习者与工程人员，提供管道焊接缝缺陷检测数据集，按YOLOV5目录格式整理，可直接投入训练，省去格式转换与标注清洗的繁琐环节。数据为800×800的RGB图像，共2个类别good与bad，覆盖正常与缺陷两类焊缝状态，适合二分类检测任务的快速验证与模型调优。压缩包内共1995个文件，以jpg图像与同名txt标注为主，另附1个可视化py脚本和1张png示意图，整体约93.27MB；其中训练集908张图片及对应标签，验证集206张图片及对应标签，划分明确，便于直接开展训练与评估。可视化脚本无需修改即可运行，随机传入一张图片便能绘制边界框并保存到当前目录，方便检查标注质量与类别分布。目前已有196人学习下载，适合需要快速搭建管道焊缝缺陷检测基线、验证YOLOV5训练流程的读者参考使用。

1. 管道焊接缝缺陷检测数据集：2 类别 YOLOv5 目录格式到底怎么用

管道焊接缝缺陷检测这个场景，很多人第一次接触是在工业质检的项目里。焊缝表面有气孔、夹渣、未熔合、裂纹这些典型缺陷，传统做法靠老师傅拿放大镜看片子，效率低且漏检率随疲劳度上升。换成目标检测的思路，就是把每一处缺陷框出来并分类，让模型替代人眼做初筛。这个数据集提供的就是 YOLOv5 目录格式的标注，2 个类别，拿来就能直接喂给 YOLOv5 训练。适合谁？做工业缺陷检测的算法工程师、想拿真实产线数据练手的学生、以及需要快速验证焊缝检测方案可行性的团队。它解决的核心问题是：你不用从零标注几千张焊缝图，省掉最耗时的数据准备环节，直接进入模型调参和部署验证。

2. YOLOv5 目录格式拆解：2 类别焊缝数据的组织逻辑

2.1 目录结构长什么样

YOLOv5 要求的数据集目录不是随便放几个文件夹就行，它有固定的层级约定。拿到一个标注为「YOLOv5 目录格式」的焊缝数据集，解压后通常看到这样的结构：

weld_defect_dataset/ ├── images/ │ ├── train/ │ │ ├── 001.jpg │ │ ├── 002.jpg │ │ └── ... │ ├── val/ │ │ ├── 101.jpg │ │ └── ... │ └── test/ # 可选 │ └── ... ├── labels/ │ ├── train/ │ │ ├── 001.txt │ │ ├── 002.txt │ │ └── ... │ ├── val/ │ │ ├── 101.txt │ │ └── ... │ └── test/ │ └── ... └── data.yaml

关键点在于images和labels是平级目录，且内部的train、val、test子目录名必须完全一致。图片和标注文件通过文件名一一对应，比如images/train/001.jpg对应labels/train/001.txt。这个对应关系是硬约束，文件名不一致模型就找不到标签，训练直接报错。

2.2 标注文件里的 5 个数字

每个.txt标注文件里，每一行代表一个目标框，格式是：

<class_id> <x_center> <y_center> <width> <height>

这 5 个值都是归一化到 0~1 之间的浮点数。class_id从 0 开始计数，2 类别就是 0 和 1。x_center和y_center是框中心点相对于图片宽高的比例，width和height是框的宽高相对于图片宽高的比例。举个例子，一张 640×640 的焊缝图，某个缺陷框在像素坐标下是左上角 (100, 200)、右下角 (300, 400)，那么：

• 中心点像素坐标：x=200, y=300
• 宽高像素：w=200, h=200
• 归一化后：x_center=200/640=0.3125, y_center=300/640=0.46875, width=200/640=0.3125, height=200/640=0.3125

标注行就是：0 0.3125 0.46875 0.3125 0.3125

这里有个血泪经验：很多自己标注的数据集翻车就翻在归一化上。有人直接填像素坐标，训练时 loss 不降，排查半天才发现格式错了。YOLOv5 不会帮你自动转换，它默认你给的就是归一化值。

2.3 data.yaml 的 4 个必填字段

data.yaml是 YOLOv5 训练时的数据配置文件，2 类别焊缝数据集的最小配置如下：

# 数据集根路径，建议用绝对路径避免相对路径歧义 path: /home/user/weld_defect_dataset # 训练集和验证集的图片目录，相对于 path train: images/train val: images/val # 类别数量，焊缝数据集是 2 nc: 2 # 类别名称，顺序必须和标注文件里的 class_id 对应 names: 0: porosity # 气孔 1: crack # 裂纹

names里的顺序不能乱。如果标注时把气孔标为 0、裂纹标为 1，这里就必须一致。顺序搞反了，模型会把气孔预测成裂纹，mAP 看着还行但实际全错。nc必须等于names的条目数，写错了 YOLOv5 会在初始化检测头时直接抛维度不匹配的错误。

3. 用 YOLOv5 训练焊缝缺陷检测模型：从环境到推理的完整链路

3.1 环境准备与依赖安装

YOLOv5 对 PyTorch 版本有要求，建议用 Python 3.8 以上、PyTorch 1.8 以上。以下是经过验证的安装流程：

# 创建虚拟环境，避免污染系统 Python conda create -n weld_yolo python=3.8 -y conda activate weld_yolo # 安装 PyTorch，根据 CUDA 版本选择，这里以 CUDA 11.3 为例 pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 \ --extra-index-url https://download.pytorch.org/whl/cu113 # 克隆 YOLOv5 仓库（用官方仓库，不要用来路不明的 fork） git clone https://github.com/ultralytics/yolov5.git cd yolov5 # 安装依赖，requirements.txt 里锁定了兼容版本 pip install -r requirements.txt

安装完成后用python -c "import torch; print(torch.cuda.is_available())"验证 GPU 是否可用。返回True才能用 GPU 训练，否则会退到 CPU，训练时间从几小时变成几天。

3.2 用 train.py 启动训练：关键参数怎么设

YOLOv5 的训练入口是train.py，针对 2 类别焊缝数据集，我一般这样起命令：

python train.py \ --data /home/user/weld_defect_dataset/data.yaml \ --weights yolov5s.pt \ --img 640 \ --batch-size 16 \ --epochs 100 \ --workers 4 \ --device 0 \ --project runs/train \ --name weld_exp1 \ --exist-ok

逐项说明：

• --data：指向你的data.yaml绝对路径，不要用相对路径，否则从不同目录启动会找不到文件。
• --weights：预训练权重。焊缝数据集通常几千张，从yolov5s.pt开始比从头训练收敛快得多。如果显存够，可以换yolov5m.pt或yolov5l.pt，精度会高一些但速度慢。
• --img 640：输入分辨率。焊缝缺陷通常比较小，640 是起点。如果缺陷在图中占比很小，可以提到 1280，但显存占用会翻倍。
• --batch-size 16：批大小。显存 8G 用 16，11G 用 32，不够就往下调，调到不报 OOM 为止。
• --epochs 100：2 类别任务通常 100~300 轮足够。看验证集 mAP 曲线，如果 50 轮后还在涨就继续加。
• --workers 4：数据加载线程数。设成 CPU 核心数的一半左右，太多反而拖慢。
• --device 0：用第 0 号 GPU。多卡用0,1。
• --project和--name：输出目录，训练日志、权重、混淆矩阵都存这里。

训练启动后，终端会打印每轮的 box_loss、obj_loss、cls_loss 和验证集的 P、R、mAP@0.5。重点盯 mAP@0.5，如果 20 轮后还在 0.1 以下，大概率是数据格式或标注有问题，先回去检查 labels 目录。

3.3 训练过程监控与早停判断

YOLOv5 自带 TensorBoard 支持，训练时另开终端：

tensorboard --logdir runs/train

浏览器打开localhost:6006能看到 loss 曲线和 mAP 曲线。几个判断经验：

• box_loss和obj_loss应该在前 10 轮快速下降，如果平着不动，检查学习率或数据标注。
• mAP@0.5在 50 轮左右应该到 0.6 以上（焊缝 2 类别任务，数据质量正常的情况下）。如果卡在 0.3 以下，多半是类别不平衡或标注框太松。
• 验证集 loss 开始上升而训练集 loss 还在降，就是过拟合了，加数据增强或减模型复杂度。

YOLOv5 默认没有早停，但可以用--patience参数，比如--patience 30表示 30 轮 mAP 没提升就停。这个参数能省不少电费。

3.4 推理验证：用 detect.py 看实际效果

训练完在runs/train/weld_exp1/weights/下会有best.pt和last.pt。用best.pt跑推理：

python detect.py \ --weights runs/train/weld_exp1/weights/best.pt \ --source /home/user/test_weld_images \ --img 640 \ --conf-thres 0.25 \ --iou-thres 0.45 \ --save-txt \ --project runs/detect \ --name weld_test

• --source：可以是单张图、图片目录、视频文件或摄像头编号。
• --conf-thres 0.25：置信度阈值。焊缝检测建议从 0.25 起调，漏检比误检代价高的话往下调到 0.15。
• --iou-thres 0.45：NMS 的 IoU 阈值。缺陷框重叠多的话调到 0.5~0.6，避免把相邻缺陷合并。
• --save-txt：把检测结果存成 YOLO 格式的 txt，方便后续做统计分析。

推理结果图存在runs/detect/weld_test/下，直接看框得准不准。如果发现大量漏检，先别急着调模型，把--conf-thres降到 0.1 看看是不是阈值卡太高了。

4. 焊缝缺陷检测的避坑指南：5 个真实翻车现场

4.1 现象：训练 loss 正常下降但 mAP 始终为 0

原因：data.yaml里的names顺序和标注文件里的class_id对不上。比如标注时气孔是 0、裂纹是 1，但 yaml 里写反了。模型学到的类别和验证时计算的类别错位，mAP 计算时匹配不上。

解决：打开几个标注 txt 文件，确认 class_id 的分布，然后和data.yaml的names逐条核对。最稳妥的办法是写个脚本统计所有标注文件里出现的 class_id 集合，确保和names的 key 完全一致。

4.2 现象：训练报错AssertionError: train and val directories do not exist

原因：data.yaml里的train和val路径写的是相对于path的相对路径，但path本身写错了，或者目录名大小写不一致（比如Imagesvsimages）。Linux 下大小写敏感，Windows 下不敏感，跨平台迁移时容易翻车。

解决：用ls逐级确认目录存在，path用绝对路径，train和val用相对于path的路径。如果还报错，在 Python 里import os; os.path.exists(...)打印一下实际解析的路径。

4.3 现象：显存溢出 OOM，batch-size 降到 1 还是报错

原因：--img设太大，或者模型选了yolov5x.pt这种大模型。焊缝图如果本身分辨率很高（比如 4000×3000），YOLOv5 会先 resize 到--img指定的大小，但数据加载时的内存占用仍然和原图尺寸相关。

解决：先把--img降到 416 跑通，确认不是代码问题后再逐步往上加。同时检查--workers是不是设太高导致内存爆了，降到 2 试试。如果必须用高分辨率，换yolov5s.pt并开--rect减少 padding。

4.4 现象：验证集 mAP 很高但实际推理漏检严重

原因：训练集和验证集是从同一批图里随机切的，分布太接近。实际产线上的焊缝图光照、角度、背景和训练集差异大，模型过拟合了训练集的特定模式。

解决：验证集要按时间、批次或设备来源划分，不要随机切。如果数据集本身来源单一，做交叉验证或者留出一部分完全不同工况的图做测试。另外检查--augment参数，推理时开增强能提升一些鲁棒性。

4.5 现象：标注框看起来对但训练后框偏移明显

原因：标注时用的工具（比如 labelImg）默认输出的是 Pascal VOC 的xmin, ymin, xmax, ymax格式，有人手动转 YOLO 格式时归一化算错了，或者忘了减 1（像素坐标从 0 开始还是从 1 开始）。

解决：写个校验脚本，把 YOLO 格式的标注反算回像素坐标，画到原图上肉眼检查。重点看框是不是正好套住缺陷。如果整体偏移一个固定值，就是坐标原点问题；如果框大小不对，就是宽高算错了。

5. 把 2 类别焊缝检测推到产线：进阶技巧与验证习惯

5.1 用混淆矩阵定位类别混淆

YOLOv5 训练完会在输出目录生成confusion_matrix.png。2 类别任务看这个矩阵特别直观：对角线是正确分类，非对角线是混淆。如果气孔和裂纹互相混淆严重，说明这两个类别的视觉特征在模型看来太接近。解决办法有两个：一是回去检查标注，是不是有些气孔被标成了裂纹；二是加更多难例，专门找那些模棱两可的图重新标。

5.2 用测试时增强（TTA）榨出最后几个点

推理时加--augment开启 TTA，模型会对同一张图做翻转、缩放等变换后综合结果。代价是推理速度慢 2~3 倍，但 mAP 通常能涨 1~3 个点。产线如果对节拍要求不苛刻，这个参数值得开。命令很简单：

python detect.py \ --weights runs/train/weld_exp1/weights/best.pt \ --source /home/user/test_weld_images \ --augment \ --conf-thres 0.2

5.3 导出 ONNX 做部署前的精度对齐

训练完的.pt权重不能直接上产线，通常要转成 ONNX 或 TensorRT。导出 ONNX：

python export.py \ --weights runs/train/weld_exp1/weights/best.pt \ --include onnx \ --img 640 \ --batch-size 1 \ --simplify

导出后务必做一件事：用同一张图分别跑 PyTorch 和 ONNX 推理，对比输出的框坐标和置信度。如果差异超过 1%，检查--img和--batch-size是否和导出时一致。ONNX 对动态 batch 的支持有时会引入数值误差，产线部署前这一步不能省。

5.4 我自己的验证习惯

每次训完一个焊缝模型，我不会只看 mAP 数字。我会从验证集里挑 20 张图，手动跑一遍推理，把结果图拼成一张大图，肉眼过一遍。重点看三类：漏检的、误检的、框歪的。漏检的图单独存一个文件夹，下次加数据时优先补这类场景。误检的图看是不是背景干扰，比如焊缝旁边的划痕被误判成裂纹。这个习惯帮我省了很多次「指标好看但上线翻车」的后悔药。

另外，data.yaml里的names我习惯用英文加注释，比如porosity # 气孔，这样换电脑或换人接手时不会因为中文编码问题翻车。标注文件我定期用脚本做完整性校验：每张图必须有对应的 txt，每个 txt 的行数不能为 0（除非是负样本），坐标值必须在 0~1 之间。这些检查写成脚本跑一遍只要几秒钟，但能挡住 90% 的低级错误。

焊缝缺陷检测这个方向，数据质量比模型结构重要得多。2 类别看起来简单，但工业场景的类内差异大、类间差异小，标注的一致性直接决定天花板。把数据格式吃透、把验证做扎实，比换更大的模型管用。希望帮到你。

本文还有配套的精品资源，点击获取