轮胎缺陷/轮胎损坏检测数据集，缺陷种类包括：鼓包，裂纹，碎片，侧面划痕/切口等等。
已划分为训练集、测试集和验证集
数据集划分：训练集：验证集=80%：20%，具体如下：
总图片数量：2154 张;
训练集数量：1723 张;
验证集数量：431 张;
📊 轮胎缺陷检测数据集详细统计表
| 类别（英文） | 类别（中文） | 包含该类别的图像数量 | 标注框总数（实例数） | 说明 |
|---|---|---|---|---|
Debris | 碎片 | 1,239 张 | 1,599 个 | 轮胎表面或周围的异物、脱落橡胶碎片等 |
Ground | 地面 | 501 张 | 564 个 | 轮胎与地面接触区域（可能用于上下文或误检过滤） |
Side | 侧面 | 181 张 | 188 个 | 轮胎侧壁正常区域（作为健康样本） |
Side_cut | 侧切 / 侧面划痕 | 439 张 | 493 个 | 轮胎侧壁的割伤、裂口或深度划痕，属严重缺陷 |
✅数据集总览：
- 总图像数：由于类别间存在重叠（一张图可含多个类别），实际图像总数 ≤ 1,239 + 501 + 181 + 439 =2,360 张
- 总标注框数：1,599 + 564 + 188 + 493 =2,844 个目标实例
- 数据划分：已按标准 YOLO 格式组织为
train/val，支持开箱训练- 配置文件：
datasets/data.yaml中定义了 4 个类别名称
📁 数据集目录结构（确认无误）
datasets/ ├── images/ │ ├── train/ # 训练图像（.jpg / .png） │ └── val/ # 验证图像 ├── labels/ │ ├── train/ # 对应 .txt 标签（YOLO格式） │ └── val/ └── data.yaml # 类别与路径配置📄data.yaml示例内容
# datasets/data.yamltrain:./images/trainval:./images/valnc:4names:['Debris','Ground','Side','Side_cut']⚠️ 注意：
Ground和Side可能作为背景或正常状态类别，有助于模型区分“缺陷”与“非缺陷”区域- 若仅关注缺陷检测，可在推理后过滤掉
Ground和Side的预测结果
该数据集适用于工业轮胎质检、智能巡检、自动驾驶车辆轮胎健康监测等场景，类别覆盖全面，标注丰富，可直接用于 YOLOv5/v8/v11 等主流目标检测框架。
以下是针对您提供的轮胎缺陷检测数据集（目录结构为datasets/，4 个类别：Debris,Ground,Side,Side_cut）的完整 YOLOv8 训练代码，包含详细注释、优化配置和评估流程，可直接运行。
✅ 一、前提条件
确保您的项目结构如下：
your_project/ ├── train_tire_yolov8.py ← 本脚本 └── datasets/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yamldatasets/data.yaml内容应为：
train:./images/trainval:./images/valnc:4names:['Debris','Ground','Side','Side_cut']✅ 二、YOLOv8 完整训练代码（Python）
# -*- coding: utf-8 -*-""" 轮胎缺陷检测 - YOLOv8 训练脚本 支持 4 类目标：Debris（碎片）、Ground（地面）、Side（侧面）、Side_cut（侧切） 作者：AI助手 """importosfromultralyticsimportYOLOimporttorch# -----------------------------# 1. 配置路径与设备# -----------------------------DATASET_PATH="datasets"# 数据集根目录（含 data.yaml）ifnotos.path.exists(DATASET_PATH):raiseFileNotFoundError(f"❌ 数据集路径 '{DATASET_PATH}' 不存在！")# 自动选择 GPU 或 CPUdevice='cuda'iftorch.cuda.is_available()else'cpu'print(f"🚀 使用设备:{device}")# -----------------------------# 2. 加载预训练模型# -----------------------------# 推荐使用 yolov8s（平衡精度与速度）# 可选：yolov8n（更快）、yolov8m（更高精度）model=YOLO('yolov8s.pt')# 首次运行会自动下载权重# -----------------------------# 3. 启动训练（关键参数已针对轮胎缺陷优化）# -----------------------------results=model.train(# 📂 数据配置data=os.path.join(DATASET_PATH,'data.yaml'),# 指向 data.yaml# ⏱️ 训练参数epochs=150,# 轮数（建议 120~200，小目标收敛慢）imgsz=1280,# 输入尺寸（提升细小裂纹/碎片检出率）batch=16,# 批大小（根据 GPU 显存调整，RTX 3060 可设 16~32）name='tire_defect_yolov8s_1280',# 实验名称，结果保存在 runs/detect/ 下# 💻 设备device=device,# 🎨 数据增强（针对工业图像定制）hsv_h=0.015,# 色调扰动（模拟橡胶颜色变化）hsv_s=0.7,# 饱和度hsv_v=0.5,# 亮度（应对反光/阴影）degrees=10.0,# 旋转 ±10°（模拟轮胎摆放角度）translate=0.2,# 平移 20%scale=0.5,# 缩放（模拟距离变化）mosaic=1.0,# ✅ 必开！将小缺陷拼接到新背景，提升召回率mixup=0.1,flipud=0.0,# 不上下翻转（轮胎通常不倒置）fliplr=0.5,# 左右翻转（合理）# 🧠 训练策略patience=30,# 早停：30 轮验证损失无改善save_period=10,# 每 10 轮保存一次 checkpointworkers=8,# 数据加载线程数cache=False# 若内存充足可设 True 加速训练)print("✅ 训练完成！")print(f"📌 最佳模型路径: runs/detect/tire_defect_yolov8s_1280/weights/best.pt")✅ 三、命令行快速训练（可选）
如果您不想写 Python 脚本，也可直接在终端运行：
yolo detect train\data=datasets/data.yaml\model=yolov8s.pt\epochs=150\imgsz=1280\batch=16\name=tire_defect_yolov8s_1280\device=0🔸
device=0表示使用第 0 块 GPU；若用 CPU，改为device=cpu
✅ 四、模型评估（验证性能）
训练完成后，评估模型在验证集上的表现：
# evaluate.pyfromultralyticsimportYOLO# 加载最佳模型model=YOLO('runs/detect/tire_defect_yolov8s_1280/weights/best.pt')# 在验证集上评估metrics=model.val(data='datasets/data.yaml')print("📊 验证集性能指标:")print(f" mAP@0.5 :{metrics.box.map50:.4f}")print(f" mAP@0.5:0.95:{metrics.box.map:.4f}")print(f" Precision :{metrics.box.mp:.4f}")print(f" Recall :{metrics.box.mr:.4f}")# 关键！工业质检需高召回✅ 五、推理示例（单图预测）
# infer.pyfromultralyticsimportYOLO model=YOLO('runs/detect/tire_defect_yolov8s_1280/weights/best.pt')# 对单张图像进行预测results=model.predict(source='test_tire.jpg',# 替换为你的测试图像conf=0.3,# 置信度阈值（可调）iou=0.45,# NMS IoU 阈值save=True,# 保存带框图像到 runs/detect/predict/show=False)print("✅ 预测完成，结果已保存！")✅ 六、部署建议
| 场景 | 推荐方案 |
|---|---|
| 生产线实时检测 | 导出 TensorRT 引擎：yolo export model=best.pt format=engine imgsz=1280 |
| 边缘设备（Jetson） | 使用yolov8n+ TensorRT |
| Web API | 用 FastAPI 封装模型，提供/detect接口 |
💡重要提示：
Ground和Side可能是非缺陷类别，若仅需检测缺陷，可在后处理中过滤掉这两类- 若
Side_cut样本较少（439 张），可开启mosaic=1.0和copy_paste增强（需 Ultralytics 新版）
如需以下扩展功能，请告知：
- 自动过滤
Ground/Side的推理脚本 - 缺陷面积计算与分级报告
- GUI 可视化界面（PyQt）
- 多模型集成（YOLOv8 + YOLOv11 融合）
祝您打造高精度轮胎智能质检系统
