简介：面向针织品瑕疵检测的YOLOv9标注数据集，专门为训练目标检测模型而整理，适合计算机视觉工程师、算法研究人员及工业质检技术选型者使用，可解决产线质检中标注样本缺失、模型难以收敛的问题。压缩包共105个文件，包含52张jpg原图、52个配套txt标签文件以及1个yaml数据集配置；标签按YOLOv9格式记录目标边框与类别，yaml写明类别名称和数据集路径，解压后即可集成到YOLOv9训练流程中。整个资源包仅5.37MB，图像分辨率适合快速迭代实验，能大幅降低数据准备成本。已有836人学习/下载，该数据集可帮助用户快速验证瑕疵检测算法，尤其适合在布料纹理、污渍、破损等复杂背景下开展模型迁移与调优。标注文件与图片一一对应，目录层级简单，用户只需修改路径参数即可开始训练，省去重复标注时间，便于专注模型结构与推理优化。
1. 针织品瑕疵检测数据集：这份 YOLOv9 标注包里到底装了什么
做纺织质检的人都知道，瑕疵样本靠肉眼一张张翻是最折磨人的事，而更折磨的是翻完之后发现标注格式根本喂不进模型。这份针织品瑕疵检测数据集 zip 解压后是一套完整的 YOLOv9 训练包：jpg 原图、labels 目录下的 txt 标注、加上一个 data.yaml 配置文件。文件名里密集出现的 .rf. 前缀说明它出自 Roboflow 导出流程，坐标已经归一化过，不需要再手工换算像素。适合三类人：正在做布料 AOI 落地的工程师、拿瑕疵检测当课题的在校生、以及想验证 YOLOv9 在工业视觉上真实表现的技术选型人员。拿到它之后，你的首要任务不是急着解压看图，而是先搞清楚这套包的目录结构、标注格式和类别定义。
2. 拆包先核对三件事：目录结构、标注坐标与 YAML 配置
2.1 解压路径与目录划分：先做一次结构体检
Roboflow 导出的数据集通常长这样：images 和 labels 两个根目录，下面按 train / valid / test 分好子目录。解压后第一件事就是确认这套划分是否完整，别一上来就训练。在 Linux 下我习惯用下面这段命令看目录骨架：
unzip 针织品瑕疵检测数据集_yolov9标记.zip -d knitwear_dataset cd knitwear_dataset find . -maxdepth 3 -type d | sortunzip -d指定输出目录，避免 zip 解压时把一堆文件直接散在当前目录里。find 只看目录层级，不展开文件列表，方便确认 images 和 labels 是否平行存在。正常情况你应该看到 train/images、train/labels、valid/images、valid/labels 这四兄弟。缺了 valid 目录的话要警惕：要么是导出时没做划分，要么是解压中断，后面训练时 ultralytics 会自动把 train 的一部分挪作验证，这样你会发现标注分布被打乱。
文件数量也要做个快速核对，图片和标注 txt 应该是一一对应的：
find . -regextype posix-extended -regex ".*\.(jpg|jpeg|png)" | wc -l find . -path "./*/labels/*" -name "*.txt" | wc -l两条命令分别统计图片总数和标注文件总数。如果两者差得比较多，说明有些样本没有标注，这部分图在训练时会被当成背景处理。注意：Roboflow 导出的文件名通常带着一段很长的哈希，比如 IMG_14_JPG.rf.4b9f682814059eaf40b9fa484360129b.jpg，对应同一 basename 的 txt 才是它的标签。这个哈希是平台为区分同名文件加的，不是脏数据，不用管它。
2.2 labels 里的 txt 到底怎么写的：五列归一化坐标
随便挑一个 txt 文件看一下内容，你会发现每一行都是五个数字：
head -3 train/labels/IMG_14_JPG.rf.4b9f682814059eaf40b9fa484360129b.txt输出大概是：
0 0.523438 0.721354 0.156250 0.208333 1 0.125000 0.468750 0.093750 0.145833这五行字段的含义分别是：类别 id、归一化后的框中心点 x、中心点 y、归一化后的框宽 w、框高 h。归一化是相对原图宽高的比例，取值范围在 0 到 1 之间，所以无论原图是 640×640 还是 1920×1080，txt 内容完全不需要改动。这是 YOLO 系列通用的标注格式，YOLOv9 训练时直接读取，不需要做格式转换。
如果你想确认某张图的标注框是否合理，可以把它还原成像素坐标，我一般会写这样一小段 Python 脚本：
from PIL import Image import numpy as np img = Image.open("train/images/IMG_14_JPG.rf.4b9f682814059eaf40b9fa484360129b.jpg") w, h = img.size for line in open("train/labels/IMG_14_JPG.rf.4b9f682814059eaf40b9fa484360129b.txt"): cid, cx, cy, bw, bh = map(float, line.split()) x1 = int((cx - bw / 2) * w) y1 = int((cy - bh / 2) * h) x2 = int((cx + bw / 2) * w) y2 = int((cy + bh / 2) * h) print(cid, x1, y1, x2, y2)这段脚本的核心是把归一化坐标乘回图片宽高。打印出的四个整数就是框的左上角和右下角像素坐标，可以用它配合 OpenCV 画框人工校验。注意：如果算出来的 x1 或 y1 是负数，或者 x2、y2 超出图片尺寸，说明标注框越界了，这类样本会在训练时拖累损失函数收敛。
2.3 data.yaml 与类别 id 的对应关系：训练脚本读取的唯一依据
data.yaml 是训练时唯一的数据描述文件，它决定了类别数量和类别名。Roboflow 导出的 YAML 内容大致如下：
train: ../train/images val: ../valid/images nc: 2 names: ['hole', 'stain']train 和 val 指向的是相对路径，这个相对是相对 YAML 文件本身所在目录而言的。nc 表示类别数量，names 是类别名列表。这里的坑在于：txt 标注文件第一列的整数 id，是按 names 列表的下标从 0 开始编号的，也就是说 id=0 对应 hole，id=1 对应 stain。如果你改动 names 的顺序，比如把 stain 放前面，那么整个数据集里所有 txt 的标签含义全部错位。导出的顺序通常按字符串或平台默认排序，拿到手后先用下面命令确认一下 names 和实际标注 id 是否对应：
for f in $(find train/labels -name "*.txt" | head -20); do cut -d' ' -f1 "$f" | sort -u | tr '\n' ' ' echo "" done如果输出的 id 集合都在 0 到 nc-1 之间，说明格式正常。出现大于等于 nc 的 id，就要检查是不是导入数据时类别顺序不一致导致的脏标注。
3. 训练第一步：YOLOv9 环境准备与数据配置
3.1 装环境：ultralytics 包与依赖选择
YOLOv9 的训练代码已经在 ultralytics 里统一维护了，不需要再去 clone 原来的 yolov9 仓库，直接 pip 安装就能跑。我建议用一个干净的 conda 环境，Python 版本选 3.9 或 3.10 比较稳，PyTorch 按自己显卡的 CUDA 版本装：
conda create -n yolov9 python=3.10 -y conda activate yolov9 pip install ultralytics pip list | grep -E "torch|ultralytics"pip list这一步是为了确认 torch 和 ultralytics 都装上了。如果机器上没有 NVIDIA 显卡，CPU 也能训练，只是速度慢很多，后面命令里 device 参数改成 cpu 即可。在装 ultralytics 的时候，它会自动把 torch、torchvision、opencv-python 等核心依赖一起拉上来，不需要手动逐个装。唯一要注意的是，如果之前装过老版本的 torch，建议先卸载再装，避免 ultralytics 检测到 torch 版本过旧而报一堆看不懂的警告。实际测试中，一版干净的 conda 环境能省掉至少半小时的依赖排查时间。
3.2 改 YAML：把 zip 里的 data.yaml 指到你的绝对路径
Roboflow 导出的 data.yaml 里 train 和 val 用的是相对路径，这在原机器上没问题，但 zip 换了一台电脑解压后，相对路径的基准就变了，训练时经常报找不到图片。我拿到手的第一件事就是改成绝对路径，同时在开头加一个 path 字段统一管理：
path: /home/knitwear/knitwear_dataset train: images/train val: images/valid nc: 2 names: ['hole', 'stain']这里的 path 是数据集的根目录，train 和 val 写成相对这个根目录的子路径，ultralytics 会自动拼接。使用绝对路径的好处是，不管你在哪个终端目录下执行训练命令，数据都不会找丢。注意如果项目要换机器跑，这个 path 也得跟着改，最省事的做法是把 path 写成一个变量，在启动训练时用命令行的方式传入，但这需要你自己包一层 shell 脚本，初学者没必要折腾。
改完之后可以先做一个快速验证，确认 YAML 指向的路径真实存在：
python -c "import yaml; d=yaml.safe_load(open('data.yaml')); print(d['path'], d['train'], d['val'])"打印结果应该是一个绝对路径加上 train 和 val 的相对路径。这一步看似多余，但能提前发现路径里的空格、中文等隐藏问题，比训练到一半突然报错强得多。
3.3 开始训练：参数取舍与模型选择
YOLOv9 训练入口是yolo detect train，模型权重我一般用官方预训练的 yolov9c.pt 作为起点，而不是随机初始化。在瑕疵检测这种样本量不算大的工业场景，迁移学习的收敛速度和最终精度都要明显好于从零训练：
yolo detect train model=yolov9c.pt data=data.yaml imgsz=640 batch=8 epochs=100 device=0几个关键参数逐个说：model 指定预训练权重，yolov9c 是中等规格版本，速度和精度平衡；data 指向上一步改好的 yaml 文件；imgsz 是训练输入尺寸，针织品瑕疵很多是小目标，这里先给 640，后面验证稳定后再试 1280；batch 是批大小，由显存决定，8 是 8GB 显存左右的安全值，显存不够就降到 4；epochs 先给 100，配合早停机制，实际多数数据集在 60 到 80 轮就收敛了；device=0 表示用第一块 GPU。如果训练途中断了，直接加resume=True接着跑，不用重新来。
训练结束后，权重默认保存在 runs/detect/train/weights/ 下，best.pt 是验证集上表现最好的权重，last.pt 是最后一轮的权重。后续推理优先用 best.pt。
4. 训练前先体检：类别分布、标注质量与数据划分
4.1 统计类别数量：先回答样本是不是失衡
工业瑕疵数据天生带有类别不均的问题。这个数据集虽然量不大，但你还是要在训练前知道各类别到底占了多少比例。用一段脚本遍历 train 标签，统计每个类别的框数量：
import glob from collections import Counter box_counter = Counter() empty_files = 0 total_files = 0 for txt_path in glob.glob("labels/train/*.txt"): total_files += 1 lines = txt_path and open(txt_path).read().strip().splitlines() if not lines: empty_files += 1 continue for line in lines: cid = int(line.split()[0]) box_counter[cid] += 1 print("total label files:", total_files) print("empty label files:", empty_files) print("class distribution:", box_counter)glob会列出 train 标签目录下所有 txt 文件，脚本用 Counter 统计每个类别 id 出现的频次，也就是该类别在所有图片中的目标总数。empty_files 记录的是完全没有标注的 txt 文件数量，这类文件对应的是纯背景图或者被漏标的原因，如果占比超过 15%，训练出的模型误检率会明显偏高，建议删掉或补标。当某个类别的框数量只有另一个类别的十分之一时，说明类别失衡严重，后续需要做针对性采样，比如在训练命令里把该类别图片重复几份，或者手工给 loss 加权重。先看数字再决定策略，别盲目上复杂的分层采样。
4.2 检查标注框尺寸分布：小目标占比直接决定 imgsz
针织品上的断纱、污渍、起球，在整张布匹图里往往只占很小一块区域，这类目标如果框的尺寸太小，很难被模型稳定检出。标注框的归一化宽高可以从 txt 里直接读，不需要读图片：
import glob import numpy as np widths, heights = [], [] for txt_path in glob.glob("labels/train/*.txt"): for line in open(txt_path): _, _, _, w, h = map(float, line.split()) widths.append(w) heights.append(h) arr_w, arr_h = np.array(widths), np.array(heights) print("mean norm w/h:", arr_w.mean(), arr_h.mean()) print("p10 norm w/h:", np.percentile(arr_w, 10), np.percentile(arr_h, 10))输出的归一化宽高乘以 imgsz 就是模型眼中的像素尺寸。如果 p10 的框宽高乘以 640 后小于 32 像素，说明有大量小目标，这时的策略有两个：一是把 imgsz 提到 1280，让网络输入分辨率更高，小目标的特征更充分；二是做切片推理，把原图裁成几个 patch 分别检测。前者显存开销大，后者需要额外的拼接逻辑。无论如何，先用这份分布数据确认「小目标到底有多小」，再决定要不要花钱升级显卡或改代码。
4.3 检查越界框与空标签：最常见的脏数据来源
有时候解压后你会发现部分 txt 里的坐标值超过了 0~1 的范围，比如 w 或 h 大于 1，导致还原后的框跑到图像外面。检查方法很简单：
awk '{ if ($3 > 1 || $4 > 1 || $5 > 1 || $6 > 1) print FILENAME, $0 }' labels/train/*.txt | head -20awk 直接过滤出第三列到第六列中任一大千 1 的行，即中心点坐标或宽高超出归一化范围的标注。Roboflow 导出时一般会做裁切，但如果你在这之后手工编辑过标签，或者数据是从其他平台转过来的，这种情况就很可能出现。处理方式是直接把这一行删掉，或者用np.clip把坐标值裁剪回 0~1 边界。空标签文件则需要区分情况：如果是背景采样图，保留没问题，训练时该图就是负样本；如果是漏标，建议补标后回填，否则就等于告诉模型这张图里没有任何目标。
4.4 检查 train/valid 划分：同源图片会污染验证结果
Roboflow 导出包的划分通常没问题，但有些来源的导出是按文件随机分的，如果同一个场景拍摄的连续帧被同时分到 train 和 valid，验证集指标就会虚高。检查同源泄漏的办法是对比 train 和 valid 的文件名前缀，针织品瑕疵数据集里的文件名虽然带了哈希，但原始文件名前面部分往往会保留序列感，比如同一批拍摄的 IMG_ 开头图。实际处理中，如果发现某张图的增强版本同时出现在两个集合里，需要手动挪文件。这个操作没有捷径，我一般用一个简单脚本按原始 basename 的前缀做分组，然后对比集合差异，花了十几分钟就能排查完。
5. 避坑：跑针织品瑕疵检测最容易翻车的 5 个地方
5.1 现象：训练 loss 正常下降，但验证集 mAP 一直是 0
原因：这类问题九成出在 txt 标注的类别 id 和 data.yaml 里 names 顺序对不上。比如 txt 里写的是 0，但 yaml 里第 0 个类别是背景，模型学到的和评估的对不上号。解决：先统计一下 train 标签里实际出现的 id 集合，再对照 yaml 里的 names 逐一确认。确认错位后，写一个重映射脚本把 id 统一替换，比如把旧 id 2 改成新 id 0，替换用 sed 即可：
sed -i 's/^2 /0 /' train/labels/*.txt5.2 现象：训练卡在读图阶段，报 corrupt JPEG 或无法打开图片
原因：zip 解压路径或文件名里带了中文、空格、特殊字符，OpenCV 在 Windows 下读这种路径经常失败。这个 zip 本身就是中文名，解压后目录路径大概率带着中文，训练时就翻车了。解决：解压后统一把根目录改名成纯英文无空格的路径，比如改成 knitwear_data，同时在 data.yaml 里把 path 指到新路径。从那以后，凡是从网上下载的 zip，我都会先检查路径 ASCII 化再解压，这一步能省掉很多莫名其妙的问题。
5.3 现象：小瑕疵几乎检不出来，大缺陷倒是很准
原因：用了默认 imgsz=416 或 640 导致小目标特征在降采样中丢失，针织品上几毫米的断纱到了 32 倍下采样后只剩几个像素。解决：先看第 4 章的框尺寸统计，如果确认小目标占比高，把 imgsz 提到 1280，batch 相应减半，显存不够就开 rect 模式按比例批量推理。实测中 imgsz 从 640 提到 1280 对小瑕疵的召回提升立竿见影，但训练时间也要翻倍。注意训练和推理的 imgsz 保持一致，否则权重在训练分辨率下学到的特征尺度到了推理时会对不上。
5.4 现象：训练开始时报找不到 labels，或者每一轮都在重新初始化
原因：没有 images/train 目录与 labels/train 目录一一对应。Roboflow 导出的数据集有时把 labels 和 images 分开放置，路径由 yaml 里的 train/val 字段决定。如果 yaml 改动失误，比如 train 指到了 images/train 但 labels 目录名不带多维结构，ultralytics 就会报错。解决：用第 2 章的 find 命令核对目录结构，确认 labels 下的 train 目录存在且与 images 下的 train 目录平行，然后按 3.2 修改 yaml。如果缺失 test 目录也没关系，只用 train 和 valid 就能训练，ultralytics 会把 valid 当作测试集来看。
5.5 现象：验证集 mAP 看着不错，但实际拍摄图上误检一堆
原因：标注数据里没有背景负样本，模型把纹理复杂的区域当成瑕疵。针织品的花型、织纹在局部看和起球、破洞高度相似。解决：把无瑕疵的布匹图收集起来，建立一个负样本目录，每张图配一个空 txt 文件，加进 train 里。推理降级处理时，把 conf 阈值从默认的 0.25 提高到 0.4 以上，再用 NMS iou 0.5 过滤重叠框。这类问题靠调验证集指标是看不出来的，必须用真实产线采样图回测才算数。
6. 进阶：训练完先别急着部署，用这三步自查
训练结束不代表交付结束，验证集 mAP 只是一个参考值，实际场景里还要看框的贴合度和误检情况。我拿到 best.pt 之后做的第一件事，是挑几张训练集和验证集里都没有的新照片，跑一次预测，直接看可视化结果。命令很简单：
yolo detect predict model=runs/detect/train/weights/best.pt source=test_imgs imgsz=640 conf=0.35 save=Truesource 放新拍的照片目录，conf 比默认上调一点，模拟现场的低置信度过滤。跑完去 runs/detect/predict 里看标注过的输出图，重点关注两点：一是没有瑕疵的布面是否被画框，二是真实瑕疵的框是否紧贴瑕疵边缘。框偏大或偏小都说明定位精度不够，需要回炉。
然后做部署导出。YOLOv9 的权重一般要转成 ONNX 再接推理引擎，常见做法是：
yolo export model=runs/detect/train/weights/best.pt format=onnx opset=12 half=True dynamic=Truehalf=True 会把权重转成半精度浮点，推理时显存占用减半速度变快，但精度会有轻微损失，如果现场对误差敏感就改成 half=False。dynamic=True 让模型的 batch 维度可动态变化，方便部署端以任意批大小调用。导出后拿 ONNX 在部署端跑一张图对比一下和 PyTorch 原版的输出差异，如果置信度差超过 0.02，就换回 FP32。
从那以后，只要是 Roboflow 导出的数据集，我拿到手都会强制按固定顺序走一遍：ASCII 路径解压、目录结构核对、YAML 绝对路径改写、标注质量统计、train/valid 同源检查，五步走完才允许训练开始。这样做的直接收获是省掉了多次莫名其妙的训练中断和指标虚高。希望帮到你。
本文还有配套的精品资源，点击获取
