轨道扣件缺陷检测数据集发布：1900张图·4类全状态·YOLO直训，附工业落地代码-育师

轨道扣件缺陷检测数据集发布：1900张图·4类全状态·YOLO直训，附工业落地代码 | 铁路数据集 | 轨道数据集| YOLO数据集

铁路上把钢轨“绑”在轨枕上的那几块金属件叫扣件（紧固件）。弹条断裂、螺栓松动、整组缺失，都会让钢轨纵横向约束下降，高速车轮碾过去就是安全隐患。传统人工巡检靠步行+手电+扭矩扳手，效率低、隧道里更难干；现在主流做法是车载/手持相机拍图 → YOLO 类模型自动判状态。本期数据集就是按这个工业视觉闭环做的：专检扣件，4 类全覆盖。

一、数据集本体（第10547期）

图像量：1900 张铁路扣件局部影像（近景、轨枕区域为主，非大场景航拍）
标注格式：YOLO txt（归一化class cx cy w h），无 VOC 混杂，开箱喂 Ultralytics
类别（4 类）：
- 0 扣件（正常安装、位置正）
- 1 无缺陷扣件（外观正常但可能有锈迹/脏污，与“扣件”做细粒度拆分）
- 2 缺陷扣件（弹条变形、裂纹、歪斜、部件破损）
- 3 缺失扣件（整组脱落/被道砟遮住原位空掉）
场景覆盖：不同光照、道砟背景、潮湿锈蚀、部分遮挡，覆盖巡检车常见工况
用途定位：直接训 YOLOv8/v5/v11 检测头，做“扣件在不在、坏没坏”的二阶段判定基线

⚠️ 类别易混淆点：扣件与无缺陷扣件在原文标签体系里是并列两类，不是同一件事——前者偏“定位正样本”，后者偏“健康度正样本”。自己训的时候如果觉得冗余，可合并成normal一类，但做缺失召回时建议保留缺失扣件单独标签。

二、知识普及：扣件检测为什么不能只训“缺陷”

负样本和正样本一样重要。台铁实务经验里，AI 训缺失构件必须同时给“正常构件影像”做负样本，否则模型会把所有暗色块都当缺失。
缺失类本质是“背景回归”。图上没有框，网络得从“这里本该有扣件却空了”学信号，所以缺失类召回率比 mAP 更值得盯。
小目标+高相似：扣件占画面 2%~5%，弹条细节靠 640 输入勉强够；真实车载检测常上 1280 或切片（SAHI）。
工业验收指标：不只看 mAP@0.5，还要看缺失类 Recall、误报率（次/公里）、夜间/隧道泛化。

三、目录结构与 data.yaml

假设按 YOLOv8 标准排好（1900 张按 8:1:1 切）：

rail_fastener/ ├── images/{train,val,test}/ ├── labels/{train,val,test}/ └── data.yaml

path:./rail_fastenertrain:images/trainval:images/valtest:images/testnc:4names:0:扣件1:无缺陷扣件2:缺陷扣件3:缺失扣件

注：YOLO 的 class_id 严格按 names 下标走，标注 txt 里写3 0.52 0.48 0.05 0.07就是指“缺失扣件”。

四、训练代码（YOLOv8，带长尾偏向）

fromultralyticsimportYOLO model=YOLO("yolov8s.pt")# n 快，s 对小扣件更稳model.train(data="rail_fastener/data.yaml",epochs=150,imgsz=640,batch=16,device=0,optimizer="SGD",lr0=0.01,mosaic=0.9,# 小目标增益mixup=0.1,copy_paste=0.3,# 缺陷/缺失样本少，做过采样name="rail_fastener_v8s")

评估时单独打印缺失类：

metrics=model.val(split="val")print("mAP50:",metrics.box.map50)# 更细看 confusion 或 per-class recall，用 val 后读取 results.txt / 在 yolo 命令加 save_json=True

五、推理扩展：只报警“缺陷/缺失”的轻量脚本

工业端不想每帧弹 4 类，只关心“要不要派人”：

importcv2fromultralyticsimportYOLO model=YOLO("runs/detect/rail_fastener_v8s/weights/best.pt")ALARM={2:"缺陷扣件",3:"缺失扣件"}# 只告警这两类colors={0:(0,255,0),1:(0,200,0),2:(0,165,255),3:(0,0,255)}img=cv2.imread("test_fastener.jpg")res=model.predict(img,conf=0.35,imgsz=640)[0]forbinres.boxes:cls=int(b.cls)x1,y1,x2,y2=map(int,b.xyxy[0])cv2.rectangle(img,(x1,y1),(x2,y2),colors[cls],2)cv2.putText(img,res.names[cls],(x1,y1-6),cv2.FONT_HERSHEY_SIMPLEX,0.5,colors[cls],2)ifclsinALARM:cv2.putText(img,f"[ALARM]{ALARM[cls]}",(x1,y2+18),cv2.FONT_HERSHEY_SIMPLEX,0.6,(0,0,255),2)cv2.imwrite("out_fastener.jpg",img)