YOLO焊缝质量检测数据集实战：131张图从训练到部署

简介：这份资源面向从事工业质检、焊接缺陷识别方向的算法工程师与深度学习学习者，提供一套可直接用于YOLO系列目标检测训练的焊缝质量检测数据集，帮助解决焊接不良与焊接良好两类样本的自动分类与定位问题。压缩包共394个文件，约7.12MB，包含131张jpg图像、131个txt标签、131个xml标签以及1个data.yaml配置文件，同时提供YOLO格式与VOC格式两套标注，便于在不同框架间灵活切换。YOLO标签采用类别索引与归一化中心点、宽高比例的标准写法，可直接适配yolov5、yolov8、yolov9、yolov7、yolov10及yolo11等主流算法，数据集已划分完毕，开箱即可训练与验证测试。目前已有231人学习下载，适合作为焊缝缺陷检测的入门练手或模型对比基准，帮助读者快速搭建训练流程、验证检测效果并积累工业视觉项目经验。

1. 焊缝质检的 131 张图：这份 YOLO 数据集到底能扛住什么活

工厂里做焊缝质检的朋友跟我吐槽过一件事：产线上一天过几千条焊缝，老师傅拿放大镜一条条看，眼睛都快看瞎了，漏检还是免不了。想上视觉检测，第一步就卡在数据上——网上公开的焊缝缺陷数据集要么几百 G 下不动，要么标注格式对不上自己的训练脚本。这份 131 张图像带标签的焊缝质量检测数据集，就是冲着这个痛点来的：图像已经分好训练/验证集，标签同时给了 YOLO 的 txt 和 VOC 的 xml 两套，配置文件 data.yaml 也备好了，解压完改个路径就能直接喂给 yolov5 到 yolo11 这一串模型。它适合两类人：一是刚入门 yolo 目标检测、想拿真实工业场景练手的；二是手头有焊缝检测需求、想先跑个 baseline 验证可行性的。131 张不算多，但作为二分类（焊接良好/焊接不良）的起步数据，够你把整条训练链路走通一遍。

2. 拆开压缩包：目录结构、标签格式与 data.yaml 的对应关系

拿到一个数据集，我习惯先不急着训练，而是把目录结构和标签格式摸清楚。这一步花十分钟，能省掉后面几个小时的报错排查。焊缝数据集的结构不算复杂，但 YOLO 格式和 VOC 格式并存这件事，如果不搞明白谁对应谁，训练时很容易读错标签。

2.1 目录长什么样，两个标签文件夹怎么分工

解压后典型的目录布局是这样：

welding_dataset/ ├── images/ │ ├── train/ # 训练集图像 │ └── val/ # 验证集图像 ├── labels/ │ ├── train/ # YOLO 格式 txt 标签 │ └── val/ ├── annotations/ # VOC 格式 xml 标签 │ ├── train/ │ └── val/ └── data.yaml # 数据集配置文件

images 下面按 train/val 分好了，labels 里放的是 YOLO 格式的 txt，annotations 里放的是 VOC 格式的 xml。两套标签描述的是同一批图，只是格式不同。YOLO 训练时读 labels 下的 txt，如果你要用别的框架（比如某些基于 VOC 的检测代码），就去 annotations 里拿 xml。常见做法是训练前先确认 images/train 里的图片数量和 labels/train 里的 txt 数量一致，不一致就说明有图没标或者标了没图，这种脏数据丢进去训练，loss 会莫名其妙地抖。

2.2 YOLO 标签的五个数值到底怎么读

YOLO 格式的每一行代表一个目标框，长这样：

0 0.5234 0.4127 0.2310 0.1856

五个数值依次是：类别索引、框中心 x 坐标、框中心 y 坐标、框宽、框高。后四个都是归一化到 0~1 的比例值，不是像素。这一点新手最容易翻车——有人直接把像素坐标写进去，训练时框全跑到图像外面，mAP 一直是 0。归一化的意思是：x_center 除以图像宽度，y_center 除以图像高度，width 除以图像宽度，height 除以图像高度。所以同一张图换个分辨率，标签不用改，这是 YOLO 格式比 VOC 格式省事的地方。

类别索引从 0 开始。这份数据集是二分类，焊接良好和焊接不良，那类别就是 0 和 1。具体哪个是 0 哪个是 1，得看 data.yaml 里的 names 定义，别自己猜。

2.3 data.yaml 里三个字段决定训练能不能跑起来

data.yaml 是 YOLO 系列训练的入口配置，核心就三个字段：

path: ./welding_dataset train: images/train val: images/val nc: 2 names: 0: good_weld 1: bad_weld

path 是数据集根目录，train 和 val 是相对 path 的图像路径。nc 是类别数，names 是类别名和索引的映射。这里有个坑：names 的顺序必须和标签 txt 里的类别索引严格对应。如果 txt 里 0 代表焊接不良，而 yaml 里 0 写的是 good_weld，模型学出来的结果就是反的，推理时把好焊缝判成坏的，产线上直接误报一片。改 yaml 之前，先随便打开几个 txt 看看类别索引分布，再对照 names 确认一遍。

提示：path 建议用绝对路径或者相对于训练脚本的路径，用相对路径时容易因为工作目录不同而找不到数据，报 “No labels found” 之类的错。

3. 从零跑通训练：yolov8 与 yolo11 的命令行实操

目录和格式确认无误后，就可以动手训练了。这一章以 yolov8 和 yolo11 为例，把从环境准备到启动训练、再到看结果的全流程走一遍。命令都是可以直接抄的，参数我会逐个说明改哪里、为什么改。

3.1 环境准备与 ultralytics 安装

YOLOv8 和 YOLO11 现在统一走 ultralytics 这个库，安装很直接：

# 建议先建虚拟环境，避免和系统里的包打架 python -m venv yolo_env source yolo_env/bin/activate # Windows 用 yolo_env\Scripts\activate # 安装 ultralytics，会自动带上 torch 等依赖 pip install ultralytics

装完之后验证一下：

yolo checks

这条命令会打印出 torch 版本、CUDA 是否可用、GPU 型号等信息。如果 CUDA 显示不可用但你确实有 N 卡，多半是 torch 版本和驱动不匹配，去 pytorch 官网按你的 CUDA 版本重装 torch 就行。CPU 也能训，但 131 张图在 CPU 上跑 100 轮大概要几十分钟，有 GPU 的话几分钟就完事。

3.2 启动训练：一条命令里的关键参数

假设 data.yaml 放在 welding_dataset 目录下，训练命令：

yolo detect train \ data=welding_dataset/data.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ batch=16 \ project=runs/weld \ name=exp1

逐个说参数。data 指向你的 yaml 文件，路径别写错。model 是预训练权重，yolov8n.pt 是最小的 nano 版本，131 张图用 nano 足够，想精度高一点可以换 yolov8s.pt 或 yolo11s.pt。epochs 是训练轮数，小数据集 100 到 200 轮比较常见，太少欠拟合，太多过拟合。imgsz 是输入分辨率，640 是默认值，焊缝缺陷如果很小，可以提到 1024，但显存占用会涨。batch 是批大小，16 在 8G 显存上一般没问题，爆显存就降到 8 或 4。project 和 name 决定结果保存路径，训练完的权重、曲线图、混淆矩阵都在 runs/weld/exp1 下面。

换成 yolo11 只需要改 model 参数：

yolo detect train \ data=welding_dataset/data.yaml \ model=yolo11n.pt \ epochs=100 \ imgsz=640 \ batch=16

yolo11 的 n/s/m/l/x 系列权重命名规则和 v8 一致，n 最小 x 最大。数据集本身对 v5 到 v11 都兼容，因为标签格式没变，变的只是模型结构和训练接口。

3.3 训练过程看什么：loss 曲线与 mAP 指标

训练启动后，终端会实时打印每一轮的 box_loss、cls_loss、mAP50、mAP50-95。box_loss 是边界框回归损失，cls_loss 是分类损失，两个都应该随着轮数下降并逐渐平稳。如果 loss 一直不降，先检查标签格式对不对；如果 loss 降了但 mAP 不涨，可能是类别不平衡或者学习率太大。

训练结束后，runs/weld/exp1 目录下有几个关键文件：

我一般先看 confusion_matrix.png，如果 good_weld 和 bad_weld 大量互相误判，说明两类特征区分度不够，要么加数据，要么检查标注是不是标反了。再看 val_batch0_pred.jpg，肉眼确认框的位置和类别对不对，这一步比看数字直观得多。

3.4 用训练好的权重做推理验证

训练完拿 best.pt 跑推理：

yolo detect predict \ model=runs/weld/exp1/weights/best.pt \ source=welding_dataset/images/val \ save=True \ conf=0.25

source 可以是单张图、文件夹或视频。conf 是置信度阈值，0.25 是默认值，调高会减少误报但可能漏检，调低反之。焊缝检测里，漏检一个不良焊缝的代价通常比误报大，所以 conf 可以适当调低到 0.15 到 0.2，宁可多报几个让复检确认。推理结果默认存在 runs/detect/predict 下面，带框的图直接能看。

注意：如果推理时发现框的位置整体偏移或者类别全错，八成是 data.yaml 里的 names 顺序和训练时不一致，或者推理用的权重和数据集不匹配。

4. 避坑与排查：焊缝数据集训练中最容易翻车的五件事

小数据集训练，翻车点往往不在模型本身，而在数据和配置的细节上。下面这五条是我在实际项目里踩过或者见别人踩过的，按「现象 → 原因 → 解决」整理，照着排查能省不少时间。

4.1 现象：训练报 “No labels found”，一张图都读不到

原因通常是 data.yaml 里的路径写错了，或者 labels 目录名和 YOLO 默认期望的不一致。YOLO 默认会在 images 同级找 labels 目录，且文件名要对应（img_0237_77.jpg 对应 img_0237_77.txt）。如果 labels 放在别的地方，或者 txt 文件名和图片名对不上，就会报这个错。

解决：先确认 data.yaml 里 train/val 指向的是 images 目录，再检查 labels 目录是否和 images 同级、txt 文件名是否和图片名一一对应。不对应的话写个脚本批量重命名。

4.2 现象：loss 正常下降，但 mAP 始终接近 0

原因多半是标签里的坐标没有归一化，写成了像素值。像素值动辄几百，归一化后应该在 0 到 1 之间，模型看到几百的坐标直接懵了。

解决：写个脚本扫一遍所有 txt，检查后四个数值是否都在 0 到 1 之间。有超过 1 的，说明是像素坐标，需要除以图像宽高重新归一化。

import os from PIL import Image img_dir = "welding_dataset/images/train" lbl_dir = "welding_dataset/labels/train" for txt in os.listdir(lbl_dir): if not txt.endswith(".txt"): continue img_name = txt.replace(".txt", ".jpg") img_path = os.path.join(img_dir, img_name) if not os.path.exists(img_path): print(f"缺图: {img_name}") continue w, h = Image.open(img_path).size with open(os.path.join(lbl_dir, txt)) as f: for line in f: parts = line.strip().split() if len(parts) != 5: print(f"格式异常: {txt} -> {line}") continue vals = list(map(float, parts[1:])) if any(v > 1.0 for v in vals): print(f"未归一化: {txt} -> {vals}")

这段脚本遍历 labels/train 下的每个 txt，找到对应图片读取宽高，然后检查坐标值是否超过 1。超过就打印出来，方便定位问题文件。跑一遍就能把脏标签筛出来。

4.3 现象：混淆矩阵里两类几乎全混在一起

原因可能是标注时类别标反了，或者两类焊缝的视觉差异本身就不明显。131 张图里如果两类样本数量悬殊，模型也会偏向多数类。

解决：先统计两类标签数量，看是否严重不平衡。再随机抽十几张图肉眼确认标注类别对不对。如果确实标反了，批量把 txt 里的 0 和 1 互换。如果两类本身就难分，考虑加数据或者用更强的模型（比如 yolov8m 以上）。

4.4 现象：训练到一半显存爆了，进程被 kill

原因是 batch 或 imgsz 设太大，超出了显卡显存。131 张图虽然不多，但 imgsz 提到 1024 加 batch 16，8G 显存也可能扛不住。

解决：先把 batch 降到 8 或 4，或者把 imgsz 降回 640。ultralytics 支持自动批大小，加batch=-1让它自己找合适的值，但有时候找出来的值偏保守，训练会慢一些。

4.5 现象：推理结果框的位置对，但类别名显示成数字

原因是推理时没有加载 data.yaml 里的 names，模型只输出类别索引，不知道对应的名字。

解决：推理命令里加上 data 参数，或者在代码里手动指定 names。用命令行时：

yolo detect predict \ model=runs/weld/exp1/weights/best.pt \ source=welding_dataset/images/val \ data=welding_dataset/data.yaml

加上 data 之后，输出图上就会显示 good_weld 或 bad_weld，而不是 0 和 1。

5. 小数据集的进阶玩法：数据增强、交叉验证与导出部署

131 张图训一个二分类模型，跑通不难，难的是让它真正可用。这一章聊几个我常用的进阶技巧，都是在小数据集上验证过有效的，最后收在一个部署相关的习惯上。

5.1 用增强参数把 131 张图“撑”到更大

ultralytics 内置了数据增强，训练时加几个参数就能开：

yolo detect train \ data=welding_dataset/data.yaml \ model=yolov8n.pt \ epochs=200 \ imgsz=640 \ batch=16 \ hsv_h=0.015 \ hsv_s=0.7 \ hsv_v=0.4 \ degrees=10 \ translate=0.1 \ scale=0.5 \ fliplr=0.5 \ mosaic=1.0

hsv_h/s/v 是色调、饱和度、亮度扰动，焊缝图像光照条件多变，这三个参数能提升模型对光照的鲁棒性。degrees 是旋转角度，translate 是平移比例，scale 是缩放比例，fliplr 是水平翻转概率。mosaic 是马赛克增强，把四张图拼成一张，对小数据集特别有用，能显著增加样本多样性。但要注意，焊缝缺陷如果是有方向性的（比如某种裂纹只在特定角度出现），旋转和翻转可能会破坏这种特征，这时候 degrees 和 fliplr 要调小甚至关掉。

5.2 交叉验证：小数据集评估模型稳定性的靠谱做法

131 张图分一次 train/val，验证集可能只有二三十张，mAP 波动会很大，这次 0.85 下次 0.72，很难判断模型到底行不行。交叉验证能缓解这个问题。ultralytics 支持 K 折交叉验证：

yolo detect train \ data=welding_dataset/data.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ kfold=5

kfold=5 表示把数据分成 5 折，轮流拿一折做验证，其余做训练，最后报告 5 次的平均指标。这样得到的 mAP 比单次划分可信得多。代价是训练时间变成 5 倍，但小数据集本来训得快，多花点时间换个靠谱的评估值，值。

5.3 导出 ONNX 与部署前的最后一步验证

训练完的 .pt 权重适合研究和验证，真要部署到产线，通常导出成 ONNX 或其他推理格式：

yolo export \ model=runs/weld/exp1/weights/best.pt \ format=onnx \ imgsz=640 \ simplify=True

format 指定导出格式，onnx 通用性最好。imgsz 要和训练时一致，否则推理结果会偏。simplify=True 会对计算图做简化，减小模型体积、提升推理速度。导出后在同目录下会生成 best.onnx。

导出完别急着上线，拿几张验证集图片用 ONNX 推理跑一遍，和 .pt 的结果对比。我一般会写个小脚本，用 onnxruntime 加载 onnx 模型，对同一批图做推理，把框的坐标和 .pt 的输出比对，偏差在几个像素以内才算过关。这一步是部署前的后悔药，跳过它直接上线，出了问题在产线上排查的成本高得多。

从那以后我每次导出模型，不管多急，都会拿至少十张图做一次 .pt 和导出格式的对比验证，确认框的位置和类别一致才往下走。焊缝检测这种场景，一个错判可能就是一批产品返工，多花这十分钟不亏。希望帮到你。

本文还有配套的精品资源，点击获取