简介：YOLO目标检测可直接使用的带钢表面缺陷数据集，面向计算机、电子信息工程、数学等专业学生，适用于课程设计、期末大作业与毕业设计。资源包含1800张带钢表面缺陷图像及对应XML标注文件，并附BMP格式图像副本和1个数据库文件，压缩包文件总数2000，大小78.62MB；标注框质量高，拿到后无需额外标注即可投入YOLO训练与验证。目前已有1029人学习/下载，多用于表面缺陷识别、工业质检等目标检测场景。使用时可对照JPG/BMP图像与XML标注，便于检查类别与边界框；相比从零采集标注，能大幅节省数据准备时间，让读者把精力集中在模型搭建、参数调优与实验对比上。双格式图像也方便在OpenCV、Python等环境中预处理和增强，是完成算法类课设、期末设计或论文实验的实用基础数据。
1. 带钢表面缺陷检测：这份数据集为什么值得你花十分钟看代码
做带钢表面缺陷检测的课程设计，最痛苦的环节往往不是模型选型，而是数据。网上公开的带钢缺陷数据集要么是没标注的原始图片，要么是标注格式不对，拿回来还得花两三天重新画框。这份资源是1800张带钢表面缺陷图加对应的XML标注文件，标注框质量较高，能直接喂给YOLO做训练。对于计算机、电子信息工程、数学专业的学生来说，课程设计、期末大作业、毕设里需要跑通目标检测流程的，这份数据能帮你跳过最烦人的数据准备阶段，把精力集中在模型调参和检测效果上。
我看到文件名里有Sc、In、PS这类前缀，这是带钢缺陷领域的常见分类标识。Sc代表氧化皮（Scale），In代表压痕（Indentation），PS代表划痕（Puncture/Scratch），这类缺陷的形态差异较大，对目标检测模型来说是个比较标准的单类或多类检测任务。整个资源的核心价值就一句话：图片质量高、标注框贴合目标、格式兼容YOLO系训练流程，拿到手就能开始搞。
2. 数据集底细：六类缺陷与XML标注的边界
2.1 缺陷类型分布与图片规格
这批数据以BMP图像为主，文件名前缀直接对应缺陷类别。从文件命名规律来看，Sc系列是氧化皮，In系列是压痕，PS系列是划痕类缺陷。每张图片对应一个同名XML文件，XML里记录了目标的边界框坐标和类别名称，这个目录结构是典型的Pascal VOC格式组织方式。
图片规格方面，带钢表面缺陷数据集的原始图分辨率通常在200×200左右，这是因为带钢表面缺陷检测的工业场景里，缺陷目标本身就比较小，高分辨率大图反而会稀释缺陷的像素占比。200×200的尺寸对YOLO系列来说不需要额外做太多预处理，直接训练即可。这里提个醒：如果你拿到手的图片分辨率不一样，先统一尺寸或者调整anchor参数，不要直接硬训。
XML标注文件是VOC格式的核心，每个目标框记录四个坐标值，xmin、ymin、xmax、ymax，外加一个name字段标记缺陷类别。这个格式跟YOLO训练直接需要的txt格式有一段转换距离，但转换脚本属于常规操作，后面第三章会给出完整代码。
2.2 标注质量怎么看：框贴合度检查方法
判断一个标注数据集能不能直接用，不是看文件多不多，而是看框跟缺陷边缘的贴合度。我一般先在本地用可视化脚本把所有XML标注画回到原图上，重点看三类问题：框是不是比缺陷实际区域大一圈、是不是漏标了部分缺陷、以及类别标签有没有标错。
做法是读取XML里的坐标，用OpenCV的rectangle函数把框画到原图上，然后拼接成一张大图人工过一遍。这个步骤花不了十分钟，但能避免训练到一半发现loss降不下去，最后排查出来是标注质量问题。这套可视化检查脚本在压缩包内如果没带，可以自己写一个，代码量不大。
常见做法是抽样20到30张图做人工检查。如果缺陷区域边缘跟框偏差在3像素以内，说明标注质量合格；如果偏差过大，要么是原始标注工具不同导致的系统误差，要么是标注员本身画框习惯就是留白较多。YOLO对这种框的容忍度还行，因为训练时锚框回归会学习这个偏移量，但如果整体偏差超过10像素，建议重新标注或者放弃这部分数据。
2.3 为什么这份资源不用做数据清洗
工业场景下采集的带钢表面图像，光照变化、油污、氧化皮脱落等因素都会导致图片质量参差不齐。但这份资源的图片已经做过一轮筛选，从文件命名和图片内容来看，背景相对干净，缺陷目标清晰，没有出现模糊到无法标注的情况。
数据清洗这个环节能省掉，不代表可以完全不检查。我的习惯是把所有图片尺寸打出来，看有没有异常分辨率的混入；再把所有XML解析一遍，看坐标有没有超出图片边界的。这两个检查用脚本跑一遍，处理异常情况的时间不超过五分钟，但能避免训练时出现数组越界这种莫名其妙的报错。
3. XML标注转YOLO格式：转换脚本与四个边界坑
3.1 VOC转YOLO的目录结构和转换脚本
这份数据集的XML是VOC格式，但YOLO训练需要的是txt格式，每行一个目标，格式是“类别id 中心点x 中心点y 框宽 框高”，后面四个值都是相对图片宽高的归一化数值。第一步先把目录整理成YOLO的标准输入结构：
dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ ├── classes.txt └── train.txt ├── val.txtimport xml.etree.ElementTree as ET import os from tqdm import tqdm def voc_to_yolo(xml_path, out_dir, class_names): tree = ET.parse(xml_path) root = tree.getroot() # 取图片尺寸 size = root.find('size') img_w = int(size.find('width').text) img_h = int(size.find('height').text) img_name = os.path.splitext(os.path.basename(xml_path))[0] out_txt = os.path.join(out_dir, img_name + '.txt') with open(out_txt, 'w') as f: for obj in root.iter('object'): cls = obj.find('name').text if cls not in class_names: continue cls_id = class_names.index(cls) box = obj.find('bndbox') xmin = float(box.find('xmin').text) ymin = float(box.find('ymin').text) xmax = float(box.find('xmax').text) ymax = float(box.find('ymax').text) # 转成YOLO格式：中心点 + 宽高，全部归一化 x_center = (xmin + xmax) / 2.0 / img_w y_center = (ymin + ymax) / 2.0 / img_h w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h if x_center <= 0 or y_center <= 0 or w <= 0 or h <= 0: print(f'警告: {img_name} 中存在非法坐标') continue f.write(f'{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}\n') class_names = ['Sc', 'In', 'PS', 'Pa', 'Cr', 'RS'] # 按你的实际类别列表调整这段代码的逻辑是逐条读取XML里的目标框，把左上右下角坐标转换成归一化的中心点加宽高格式，最后写入txt文件。参数说明：class_names的顺序直接决定txt里类别id的映射关系，训练时配置文件的classes顺序必须跟这里保持一致，否则模型会学错类别。图片尺寸必须取XML里size节点的值，不要自己用PIL去读图片计算，因为XML里的标注坐标是基于原始图片的，如果比例对不上，转换出来的坐标全错。
3.2 四个边界条件：坐标越界、空标注、重复类别、文件名不匹配
实际跑转换脚本时，最怕的是安静地转换完不报错，训练时却出现问题。第一是坐标越界：标注框的中心点或宽高算出来是负数，或者超出了1.0，这种通常要么是原始XML坐标异常，要么是图片尺寸读取错误。我一般会在转换后加一个校验脚本，把所有txt里每行数字的范围打印出来，超过[0,1]区间直接标红。
第二是空标注文件：部分图片可能没有目标，转换后txt是空文件。YOLO训练允许这种图片存在，但前提是数据加载器的配置里要允许20%左右的空图比例，不然训练时这些图会被跳过，间接减少了你的有效训练数据量。带钢表面缺陷数据里空图不多，但需要留意。
第三是重复类别：比如同一张XML里出现Sc和Scale两种写法，但属于同一类缺陷。转换脚本里class_names没有匹配上就会跳过该目标，导致丢失标注。处理方式是用脚本把所有XML里的name字段去重打印出来，确认类别叫法统一后再映射。
第四是文件名不匹配：图片是Sc_109.bmp，标注是Sc_109.xml，但转换后txt的文件名必须跟图片名完全一致，包括大小写和后缀处理。Windows环境下尤其容易出问题，因为大小写不敏感，Linux下训练却严格区分，建议转换前统一转小写。
4. 避坑排查：YOLO训练中碰到的数据侧问题
4.1 现象：训练loss降不下去，在0.5到1.0之间来回震荡
原因排查下来多半是类别id映射混乱。XML里的类别顺序跟训练配置里的classes顺序对不上，模型把同一个缺陷在不同epoch里当成了不同类别在学。解决方式是回到转换脚本里，把class_names固定成一份文件，训练配置从这份文件读取，两边保持一致。可以用一条命令验证：随机抽查五张图的txt内容，人工比对类别id对应的缺陷名是否跟图片内容一致。
4.2 现象：mAP很高但实际检测时框的位置整体偏移
这个问题我之前在带钢缺陷项目踩过。原因是训练时用了数据增强里的随机裁剪，但裁剪后没有同步更新标注框的坐标。YOLO自带的mosaic和随机仿射变换都是自动处理标注的，但如果你在数据加载里自己加了裁剪逻辑，就得手动调整box坐标。带钢表面缺陷图片里缺陷往往在图片边缘，训练增强时一旦裁掉一部分，但label框坐标没同步缩小，检测时框自然就偏了。
4.3 现象：验证集上漏检多，尤其PS划痕类缺陷
分析下来是划痕缺陷长宽比极端，是长条形目标，默认anchor尺寸覆盖不到。解决方式有两个方向，一是把训练集的wh聚类一下，用k-means重新算anchor参数；二是调整anchor的宽高比例，增加长宽比大的anchor。YOLOv5以后版本还能开autoanchor，让它自己聚类，但小数据集下还是建议手动确认聚类结果，别盲目自动计算。
4.4 现象：xml读取出来是乱码或者解析报错
带钢数据集的XML文件如果是从其他工具生成的，有可能文件头带了BOM标记，或者编码不是UTF-8。此时ET.parse会在第一行就报错。解决方式是先打开文件读文本，用正则把非法字符清掉再交给ElementTree处理。这段代码异常处理要写全，常见的XML格式错误基本都是编码或者特殊转义字符引起的。
5. 训练工程落地：YOLOv5配置与数据划分实操
5.1 数据划分比例和ld无法直接读取BMP时怎么办
1800张图的数据量不大，按8：1：1划分训练、验证、测试集比较合理。划分后训练集1440张，验证集180张，测试集180张。带钢表面缺陷类别少、目标小，这个数据量跑YOLOv5s或者YOLOv8s足够用了，再大的模型容易过拟合。
YOLO系默认支持的图像格式是jpg和png，但资源里的原始图片是BMP。YOLO在数据加载时如果无法解码BMP，会报类似“cannot identify image file”的错误。处理方式分两种：第一种是直接用脚本批量把BMP转成jpg并同步改名，这个是常规操作；第二种是给数据加载器注册BMP解码器，但不建议，因为其他预处理步骤可能会再踩坑。我一般直接转jpg，一步到位。
5.2 ultralytics调用数据集的配置写法
以YOLOv8为例，数据配置文件是data.yaml，核心就三块内容：训练路径、验证路径、类别列表。
train: dataset/images/train val: dataset/images/val nc: 5 names: ['Sc', 'In', 'PS', 'Pa', 'Cr']yolo detect train data=data.yaml model=yolov8s.pt epochs=100 imgsz=640 batch=16path字段可以省略，如果填了就写数据集的绝对路径。train和val路径最好是Images目录的路径，模型会自动去对应的labels目录找标注文件。nc必须跟classes.txt里的类别数一致，names顺序必须跟转换脚本里的class_names完全一致。训练命令里比较关键的参数是imgsz，带钢图片原始是200×200左右，而YOLOv8默认推理输入是640，模型会把小图resize上去，缺陷目标会显得更小。如果按640去训，小目标被放大后特征变模糊，训练效果反而不如用原图尺寸训。我建议先用imgsz=320试一轮，对比loss曲线再决定。
5.3 类别不平衡的采样策略
带钢表面缺陷数据集里，不同缺陷类型出现的频次往往不一致。比如氧化皮可能占了一半，而压痕等缺陷只有几张。类别不平衡会让模型偏向于学高频缺陷，低频缺陷漏检率上升。常见的做法是给低频类别做过采样，也就是让数据加载器重复读取包含稀有类别的图片。或者更简单的方式是调整loss函数里每个类别的权重。YOLOv8在loss里没有直接开放类别权重参数，但可以通过数据集层面的重采样解决：把含稀有类别的图片在train列表里多写几遍，相当于变相过采样。
6. 进阶用法：训练之后做一次标注质量回验
数据集能不能复用，关键看两件事：标签有没有错、框有没有偏。训练一轮之后，把你的验证集图片喂回模型做推理，然后把预测框和XML标注框画在同一张图上对比，这一步能立刻暴露标注质量问题。我自己的习惯是写一个可视化对比脚本，左边画标注框，右边画预测框，用差异颜色区分，然后把差异大的图单独挑出来人工确认。这样做一轮之后，你会发现带钢表面缺陷检测模型的mAP上去了，不是因为模型变强了，而是因为标注噪声被清掉了一部分。从那以后我每次拿到标注数据集，都强制走一遍这个回验流程，先跑一批快速训练，把预测结果跟GT做对比，再去决定要不要扩展数据或者调整标注，避免直接进入正式训练才发现数据问题的尴尬。希望帮到你。
本文还有配套的精品资源，点击获取
