YOLO格式纺织品缺陷检测数据集：覆盖5类缺陷2800张图像，免费分享

目标检测数据集 第130期-基于yolo标注格式的纺织品纹理缺陷检测数据集(含免费分享)

做工业视觉的朋友应该都有同感：真正卡住项目的往往不是模型结构，而是干净、对齐、标注规范的数据集。尤其是纺织行业的缺陷检测，产线上布面缺陷种类杂、形态差异大，网上能找到的公开数据集要么太旧、要么标注格式混乱，想直接拿来做YOLO训练几乎都要重新转一轮 label。这一期分享的数据集，就是专门针对纺织品纹理缺陷检测整理的YOLO标注格式数据集，图片已经统一处理好，标注全部转成 YOLO 的 txt 格式，下载下来解压就能喂给模型训练。不管你是刚入门目标检测、还是已经在做工业质检项目，这套数据都能帮你省掉大量洗数据和转格式的时间。

我在实际整理和训练这套数据时，踩过不少标注坐标归一化、类别 ID 错位、小目标漏检之类的坑，这篇文章会把数据集的内容结构、格式细节、训练参数建议和排查经验一次讲清楚。

1. 项目背景与数据集定位

1.1 为什么纺织品缺陷检测这么依赖专用数据集

纺织品表面缺陷检测在工业生产里是一项高频刚需。布匹在织造、染色、定型、后整理过程中，会因为纱线张力不均、设备磨损、原料杂质、工艺参数波动产生各种外观缺陷，比如破洞、油污、断纱、跳花、色斑、褶皱、纬斜等等。传统做法是人工目检，验布工在验布机前盯着高速运行的布面，靠肉眼发现异常再停机处理，劳动强度大、漏检率高、而且不同检验员的标准很难统一。

用目标检测模型替代人工目检，第一步就是把“缺陷是什么样子的”量化成数据。但纺织缺陷有个特点：缺陷类别多、同类缺陷的尺度差异极大（一条细微断纱可能只有几个像素，一块油污可能占据大幅画面），而且纹理背景本身复杂，不同布种的组织结构差异很大。这些问题导致通用目标检测数据集（比如 COCO、VOC）直接拿来迁移效果很差，必须用贴近真实产线环境的数据来训练。

这套数据集的价值就在于，它采集和整理的场景直接对标纺织产线的实际质检需求，缺陷类型覆盖了最常见的几类表面问题，并且全部按照 YOLO 格式标注好，拿来就能直接做训练验证，不用再在格式转换上消耗时间。

1.2 为什么选择 YOLO 标注格式作为交付标准

YOLO 系模型目前是工业缺陷检测里落地最广的一类算法，YOLOv5、YOLOv8 以及后续的 v9、v11 系列，生态成熟、部署方案多，从 PC 端到边缘设备都能跑。而 YOLO 格式的标注是每一个目标对应一行文本，结构非常简单：

• 每一行代表一个目标框
• 五个字段分别是：类别ID、归一化中心点x坐标、归一化中心点y坐标、归一化框宽、归一化框高

我选择把数据集直接做成 YOLO 格式，而不是提供原始的 PASCAL VOC 的 XML 或者 COCO 的 JSON，核心原因是减少使用门槛。很多刚接触目标检测的开发者，在从 VOC/COCO 转 YOLO 格式这一步就会被坐标系换算、归一化、类别映射折磨一遍，而工业项目里时间成本往往比什么都贵。直接交付 YOLO 格式，配合一份 data.yaml，使用者在 YOLOv5/YOLOv8 的框架里把路径一改就能跑起来，整个流程最短。

提示：如果以后需要转回 COCO 或 VOC 格式做对比实验，也可以用 labelme 或开源转换脚本反向转，但日常训练和验证，YOLO 格式是效率最高的。

2. 数据集内容全景拆解

2.1 缺陷类别与标注统计

这一期数据集采集自多种常见坯布和成品布的产线表面图像，整理后共包含 5 个主要缺陷类别，分别是：

全套数据大约包含 2800 张已经统一尺寸的图像，标注框总数超过 9000 个，平均每张图像约 3 个目标。这里要特别说明的是，缺陷分布并不是完全平均的：油污和色斑这类比较明显的缺陷占比高一些，断纱这类细小缺陷占比相对少，但这种不平衡本身也符合真实产线的分布——明显缺陷更容易被发现并被记录，细小缺陷更难采集、也更难标注。

类别不平衡的问题，在后续训练时需要通过采样策略或损失函数权重去缓解，这一点我后面会在训练部分详细展开。

2.2 目录结构与文件说明

数据集的目录结构我整理成了标准 YOLO 项目布局，解压后直接就能被 YOLOv5/v8 的训练脚本识别：

textile_defect_dataset/ ├── images/ │ ├── train/ # 训练集图片 │ ├── val/ # 验证集图片 │ └── test/ # 测试集图片 ├── labels/ │ ├── train/ # 训练集标注txt │ ├── val/ # 验证集标注txt │ └── test/ # 测试集标注txt ├── classes.txt # 类别名称列表，每行一个 └── data.yaml # YOLO训练入口配置

这里有个很容易被忽略的细节：images 和 labels 是严格一一对应的，同名文件共用一个主文件名。比如images/train/000123.jpg对应对应的标注文件一定是labels/train/000123.txt。如果使用者在拷贝、压缩、传输过程中不小心破坏了这种对应关系，训练时会出现 "Image without label" 或者标签错配的警告，我在生成的文档里特别强调过不要改动文件名结构。

data.yaml 的内容也很直观，主要包括训练验证路径、类别数量、类别名称三个部分：

path: ./textile_defect_dataset train: images/train val: images/val test: images/test nc: 5 names: ['hole', 'oil_stain', 'broken_yarn', 'wrinkle', 'color_spot']

2.3 图像质量与场景覆盖

图像原始来源包括在线检测相机抓拍和离线验布平台采集，兼顾了不同光照条件、不同布面纹理密度、不同车速下的成像效果。部分图像存在光照不均、布面褶皱阴影、相机抖动轻微模糊等噪声，但我不建议直接把这些图像删掉。

原因很简单：真实产线环境本来就脏，模型如果只在“干净”图像上训练，部署到现场遇到阴影、反光就容易误报。保留一定比例的噪声样本反而能提升模型的鲁棒性。当然，如果某些图像模糊到连人眼都难以判断缺陷边界，这类样本确实应该剔除，否则会引入错误标注。我在整理时已经手工筛掉了一批不可标注的极端样本，保留的是“有挑战但可标注”的图像。

图像尺寸方面，原始图像统一做了缩放处理，最终以 640x640 附近的分辨率为主。不过要提醒一句：如果你的布面纹理非常细密，建议训练时用更高输入分辨率（比如 960 或 1280），否则细小断纱目标在下采样过程中很容易丢失特征。

3. 标注格式深入解析与验证方法

3.1 YOLO 格式核心参数理解

YOLO 标注每一行的五列数据，含义必须完全理解清楚，否则很容易在手工检查或脚本处理时犯错。

<类别ID> <x_center> <y_center> <width> <height>

所有数值都是归一化后的比例值，范围在 0 到 1 之间，除以的是图像的宽和高。举个例子，如果一张图像宽 640、高 480，某个破洞的真实像素边界框是左上角 (160, 120)、右下角 (480, 360)，那么中心点像素坐标是 (320, 240)，框宽高是 (320, 240)，归一化后就是：

0 0.500000 0.500000 0.500000 0.500000

这里最容易犯的错误是混淆中心点坐标和左上角坐标。COCO 和 VOC 格式用的是左上角 xy + 宽高，YOLO 用的是中心点 xy + 宽高，转换时如果忘记做坐标换算，训练出来的模型边界框会整体偏移，而且 mAP 表现很怪——明明损失在下降，但检测框位置就是不对。这类问题通常不会报错，排查起来特别费时间，我建议在拿到任何数据集后，第一件事就是做可视化检查。

3.2 标注质量检查脚本实战

我当时拿到标注文件后，第一时间写了一个简单的 Python 脚本做批量可视化，把每一张图的标注框叠加画在原图上。这一步能快速发现三类问题：框坐标越界、类别串号、以及标注位置明显不对。

import cv2 import os img_dir = 'textile_defect_dataset/images/val' label_dir = 'textile_defect_dataset/labels/val' class_names = ['hole', 'oil_stain', 'broken_yarn', 'wrinkle', 'color_spot'] os.makedirs('check_vis', exist_ok=True) for img_name in os.listdir(img_dir): if not img_name.endswith('.jpg'): continue img_path = os.path.join(img_dir, img_name) label_path = os.path.join(label_dir, img_name.replace('.jpg', '.txt')) img = cv2.imread(img_path) h, w = img.shape[:2] if not os.path.exists(label_path): print(f'[WARN] missing label: {img_name}') continue with open(label_path, 'r') as f: for line in f: parts = line.strip().split() if len(parts) != 5: print(f'[ERROR] bad line in {img_name}: {line.strip()}') continue cls_id = int(parts[0]) x_c, y_c, bw, bh = map(float, parts[1:]) # 反归一化还原像素坐标 x1 = int((x_c - bw / 2) * w) y1 = int((y_c - bh / 2) * h) x2 = int((x_c + bw / 2) * w) y2 = int((y_c + bh / 2) * h) # 越界检测 if x1 < 0 or y1 < 0 or x2 > w or y2 > h: print(f'[WARN] out of bounds: {img_name}, cls={cls_id}') color = (0, 255, 0) cv2.rectangle(img, (x1, y1), (x2, y2), color, 2) cv2.putText(img, class_names[cls_id], (x1, max(0, y1 - 5)), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 1) cv2.imwrite(os.path.join('check_vis', img_name), img) print('可视化完成，请检查 check_vis 目录')

这个脚本虽然简单，但在实际项目里帮我排查出不少问题。尤其是越界检测那段，y1 小于零或 x2 大于宽度时，在 YOLO 训练里通常不会报致命错误，只是那个框会被自动裁剪或忽略，但如果这类样本占比过高，会白白浪费训练样本。建议在拿到数据集时统一跑一遍这个脚本，把异常样本筛选出来单独处理。

4. 训练实操与参数调优建议

4.1 数据划分与增强策略

数据集在交付前已经按照约 7:2:1 的比例划分成 train/val/test，三个集合之间保证没有来自同一连续布面片段的图像重复，避免数据泄露。这一点很重要，因为同一匹布相邻位置图像如果同时出现在训练集和验证集里，验证指标的置信度会打折扣。

训练时我建议在原有划分基础上，再做一次离线增强，尤其是针对缺陷样本较少的类别。我常用的是这几种增强组合：

• 水平翻转和垂直翻转：布面缺陷没有明显的方向先验，翻转不会破坏语义
• 随机旋转 90 度倍数：需要配合合适的标注自动旋转
• 亮度对比度扰动：模拟产线不同光照条件
• 高斯噪声和轻微模糊：增强模型对镜头老化和轻微失焦的鲁棒性

需要注意的是，像破洞、断纱这类缺陷的尺度非常敏感，如果做随机缩放增强，缩放比例不宜过大，否则小目标会变得更难学习。我一般把 scale 控制在 0.5 到 1.5 之间，超出这个范围容易让标注框和真实缺陷形态失真。

4.2 模型选型与超参数配置

基于这套数据集规模，我实测下来最稳的起步配置是 YOLOv8n 或 YOLOv8s。n 模型训练速度快，适合先跑通流程、验证数据没问题；s 模型精度更高一些，适合作为正式训练的基础模型。如果检测精度仍然不够，再考虑用 YOLOv8m 或者引入注意力模块，但不要一上来就上大模型，工业数据集迭代快，模型太大会拖慢整个实验循环。

一个可以直接参考的训练命令（以 YOLOv8 为例）：

yolo train data=textile_defect_dataset/data.yaml model=yolov8s.pt epochs=150 imgsz=640 batch=16 device=0

有几个超参数值得单独说：

• imgsz：如果断纱这类小目标占比高，建议提升到 960 甚至 1280，代价是显存占用和训练时间增加。我测试过同一套数据在 640 和 1280 下的结果，小目标 AP 差距可以达到 5 个点以上。
• batch：显存允许的情况下尽量大，稳定 BN 统计量对纹理背景复杂的数据很有帮助。
• epochs：早期停止机制打开，避免过拟合。纺织缺陷数据类别间相似度高，训练后期很容易过拟合到纹理细节上。

对于类别不平衡问题，我在训练时设了每个类别的采样权重。YOLOv8 里可以通过修改数据集的重复采样策略或者自定义 loss 权重来实现，最简单的做法是对样本少的类别做离线多副本增强，把断纱这类小样本类别复制几份混入训练集。经验上，类别数量相差 3 倍以内可以不处理，超过 5 倍就要干预。

4.3 训练监控与结果评估

训练过程中不要只盯 loss 曲线，更要关注验证集上每个类别的 mAP。纺织缺陷检测里，整体的 mAP 好看不代表能落地，必须逐类看：

• 破洞和油污这类大目标，AP 通常能到 0.9 以上
• 断纱这类小目标，AP 如果低于 0.6，基本没法直接用
• 色斑和褶皱边界模糊，容易出现框偏移半个目标的情况，需要看 AP50 和 AP75 的差距

如果类别间 AP 差距过大，优先排查的是该类别的样本量和标注一致性。很多时候不是模型不行，而是同一类缺陷不同标注员的框标准不一致（有人框到缺陷核心区，有人框到整个异常范围），模型学到的边界是“平均框”，自然对不齐。

注意：评估指标的阈值选择也很关键。产线质检如果关注的是“有没有缺陷”，AP50 更贴近实际需求；如果还需要定位准确供机械手执行剔除动作，那就必须同时关注 AP75 以上的定位精度。

5. 常见问题与排查实录

5.1 数据集加载报错排查

很多使用者在加载数据集时遇到报错，我整理了出现频率最高的几个：

这些坑里，class ID 越界是新手最容易犯的。YOLO 的类别编号必须从 0 开始，如果有人把 classes.txt 写成了从 1 开始，模型会直接报错或者把所有预测结果错位。拿到数据集先看一眼 classes.txt 的第一行是不是第一类，这个小习惯能省很多排查时间。

5.2 检测效果不佳的排查思路

模型训练完，在测试集上效果不好，先别急着调参，按下面这个顺序排查：

1. 可视化预测结果。把预测框画到图上，看是“该检出的没检出”（漏检）还是“检出的框不准”（定位误差）还是“把纹理误判为缺陷”（误检）。
2. 如果是漏检，多半是目标太小或样本不足，优先提升输入分辨率和对该类别做增强。
3. 如果是框不准，去检查训练集标注质量，重点看边界模糊的类别是不是标注框本身就不一致。
4. 如果是误检，通常是背景纹理被当成了缺陷。这时候不要盲目加数据，先看误检样本集中在哪些纹理区域，针对性补充反例样本。

我遇到过一个典型情况：在深色布面上，细小的白色纱线反光被模型误判为断纱。这种情况单纯增加断纱正样本没啥用，反而需要在训练数据里加入大量正常纹理但带反光的负样本，让模型学会区分“纹理异常”和“光照反光”。

5.3 标注边界框解析异常

手工打开标注文件时，有时候会看到某些框的宽高数值明显不合理，比如 width 是 0.0001 或者 height 接近 1.0。前者一般是标注时误点了点状目标或者导出精度丢失，后者可能是把整个布面都框进去了。在 YOLO 训练中，过小或过大的框都会影响 anchor 匹配效率，导致这些目标无法被合理分配正样本。

处理建议是写一个过滤脚本，把宽高小于图像尺寸 0.01 的框或大于 0.95 的框单独列出来，人工确认后再决定保留还是删除。不要批量删除，因为有些细长断纱的框确实可能在一个维度上非常小，需要逐个判断。

另外提醒一点，所有标注数值建议保留 6 位小数，不要为了省空间截断成 2 位。坐标精度丢失对宽框影响不大，但对细长小目标的影响非常明显，有时候差 0.001 的归一化偏移在 1280 分辨率下就是 1 个像素级别的误差，对断纱这种线状缺陷来说，1 个像素可能就是检测成功和失败的差别。

6. 基于这套数据的后续扩展方向

数据集本身可以直接训练检测模型，但实际产线落地时往往还要再往前走几步。这里分享几个我在项目中验证过的扩展路径。

第一个是缺陷分类与定位的联动。检测模型输出缺陷框之后，可以在每个框内再接一个轻量分类器，区分同一框内的具体缺陷子类型。尤其是在色斑这类边界模糊的类别上，检测框可能覆盖了较大区域，后续分类能提供更精细的质量分级。比如染色工艺里，色斑的深浅程度直接影响产品是降级还是报废，这类分级信息检测模型不擅长，但一个框内的分类网络可以做得很好。

第二个是结合分割模型做缺陷形态分析。有些缺陷（比如褶皱）用矩形框表达本身就损失了大量信息，框只能告诉你“这里有问题”，但产线关心的是褶皱的走向、宽度、面积占比。这种情况下可以考虑用 YOLOv8-seg 在这套数据上做二次标注，把矩形框升级为多边形分割掩码。标注成本会上升，但对后续决策非常有利。

第三个是异常检测的兜底方案。深度学习检测模型对已知类别效果好，但对未见过的缺陷类型（比如设备故障后出现的新型磨损痕迹）几乎无能为力。成熟的产线方案一般会用 PatchCore、Padim 这类无监督异常检测算法做兜底，把检测模型当作第一道筛选，异常检测模型负责捕捉“看起来不正常但不在已知类别里”的区域。这两套系统并行，能显著降低漏检风险。

我个人在实际操作中的体会是，数据集永远不是一次性资产，它需要在项目迭代中持续成长。每一次产线反馈回来的误检、漏检样本，都应该补充进下一版训练数据里。这套纺织品缺陷检测数据集作为一个高质量的起点，最大的价值不是替你解决所有问题，而是让你在真实项目里有据可依、有底可查，把精力花在模型调优和系统集成上，而不是从零开始攒数据。如果你正准备做纺织质检方向的项目，拿这套数据先跑通一遍全流程，再结合实际产线数据迭代，会是效率最高的一条路。