简介这份资源面向从事工业质检、机器视觉与目标检测的开发者及学生提供轴承外观缺陷检测的YOLO格式数据集可直接用于yolov5、yolov8、yolo11等模型的训练与验证。数据共标注1000余张图像涵盖凹槽、凹陷、擦伤、划痕四个类别并已按训练集、验证集、测试集划分完毕附带data.yaml配置文件开箱即用省去自行采集与标注的成本。压缩包内共约2000个文件以1111个txt标注文件和886张jpg图像为主另有cache缓存与yaml配置整体约460MB目录结构清晰便于快速接入训练流程。目前已有219人学习下载适合需要真实工业缺陷样本做模型对比、调参或课程实验的读者参考使用。1. 轴承外观缺陷检测数据集1000 张 4 类别、开箱即用的 YOLO 训练起点拿到一个「轴承外观缺陷检测数据集」很多人第一反应是问1000 多张够不够训 YOLOv5、YOLOv8 还是 YOLO11答案不是够不够而是你怎么用。轴承属于典型的工业小目标场景缺陷往往是划痕、凹坑、锈斑、缺料这类低对比度区域1000 张标注图如果类别均衡、划分干净配合 data.yaml 直接开跑完全能撑起一个可用的基线模型。这个数据集的价值在于省掉了最耗时的采集和标注环节让你把精力放在模型选型、超参和部署上。它适合三类人想快速跑通 YOLO 训练流程的新手、做工业质检毕业设计的学生、以及需要验证缺陷检测方案可行性的工程师。下面从数据组织讲到训练、排错和进阶全部围绕这套 4 类别、已划分 train/val/test 的数据集展开。2. 先看懂这套数据集的组织方式目录、标签与 data.yaml2.1 目录结构决定你能不能直接开跑一套「开箱即用」的 YOLO 数据集核心不是图片数量而是目录和标签格式是否规范。常见做法是长这样bearing_defect/ ├── images/ │ ├── train/ # 训练集图片 │ ├── val/ # 验证集图片 │ └── test/ # 测试集图片 ├── labels/ │ ├── train/ # 与图片同名的 .txt 标签 │ ├── val/ │ └── test/ └── data.yaml # 数据集描述文件图片和标签必须同名不同后缀比如images/train/001.jpg对应labels/train/001.txt。如果标签目录里出现空文件说明这张图是负样本无缺陷YOLO 允许保留但比例别太高否则模型会偏向「什么都检测不到」。轴承缺陷通常 4 类假设是scratch划痕、dent凹坑、rust锈斑、missing缺料那么每个标签文件里每行是class_id x_center y_center width height后四个值都是归一化到 0~1的相对坐标不是像素值。这是新手最容易翻车的地方——直接拿标注工具的像素坐标填进去训练时框会全部跑到左上角。2.2 data.yaml 的四个关键字段data.yaml是 YOLOv5/v8/11 通用的数据集入口内容一般是这样path: /home/user/bearing_defect # 数据集根目录绝对路径最稳 train: images/train # 相对 path 的训练集路径 val: images/val test: images/test nc: 4 # 类别数 names: [scratch, dent, rust, missing] # 类别名顺序必须和 class_id 对应参数说明path用绝对路径能避免「找不到数据集」的玄学问题train/val/test写相对路径时YOLO 会自动拼到path后面nc必须等于names的长度写错会直接报维度不匹配names的顺序就是标签里class_id的映射0 对应第一个名字改顺序等于把类别标签全打乱。我一般会在训练前跑一段脚本核对类别分布确认没有某个类别只有个位数样本。import os, collections label_dir bearing_defect/labels/train counter collections.Counter() for f in os.listdir(label_dir): if f.endswith(.txt): with open(os.path.join(label_dir, f)) as fp: for line in fp: if line.strip(): counter[int(line.split()[0])] 1 print(类别分布:, dict(sorted(counter.items())))这段脚本统计训练集每个类别的框数量。如果发现rust只有 20 个框而scratch有 800 个说明类别严重不均衡后面训练要么加权重要么做增强补齐。逻辑很简单逐行读标签取第一个字段作为类别 id 计数。参数上只需改label_dir指向你的实际路径。3. 用 YOLOv8 在本地跑通第一轮训练环境、命令与参数3.1 环境配置conda 隔离 按显卡选版本YOLOv8 环境配置踩坑最多的是 PyTorch 和 CUDA 版本对不上。我一般用 conda 建独立环境避免污染系统 Pythonconda create -n yolo8 python3.10 -y conda activate yolo8 # 有 NVIDIA 显卡如 gtx1660ti时按官方对应 CUDA 版本装 torch pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 pip install ultralytics参数说明python3.10是当前兼容性最好的版本cu121表示 CUDA 12.1你要按nvidia-smi显示的驱动支持版本选选高了会报no kernel image。如果是 CPU 版本比如 Ubuntu 20.04 无显卡机器直接pip install torch torchvision装 CPU 轮子即可训练会慢但能跑通流程。装完用一行命令验证yolo checks它会打印 ultralytics 版本、torch 版本、CUDA 是否可用。看到CUDA:0就说明 GPU 认到了。3.2 训练命令与必调参数数据集和 data.yaml 就绪后一条命令就能开跑yolo detect train \ databearing_defect/data.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ workers4 \ projectruns/bearing \ nameexp1参数逐个说modelyolov8n.pt是 nano 版预训练权重1000 张图从它微调最稳别一上来用yolov8x小数据集容易过拟合epochs100是上限实际看早停imgsz640是输入分辨率轴承缺陷偏小如果显存够可以试imgsz960小目标召回会明显提升batch16按显存调gtx1660ti 6G 跑 640 大概能到 16爆显存就降到 8workers4是数据加载线程Windows 上设太高反而卡设 0 或 2 更稳。训练日志里重点看三个指标box_loss是否稳定下降、mAP50是否在涨、val/box_loss有没有先降后升过拟合信号。3.3 训练完怎么验证和推理训练结束权重在runs/bearing/exp1/weights/best.pt。验证集评估yolo detect val modelruns/bearing/exp1/weights/best.pt databearing_defect/data.yaml单张图推理看效果yolo detect predict modelruns/bearing/exp1/weights/best.pt sourcetest.jpg conf0.25 saveTrueconf0.25是置信度阈值轴承缺陷如果漏检多就降到 0.15误检多就升到 0.4。推理结果图会存到runs/detect/predict直接肉眼比对标注框和预测框比看数字更直观。4. YOLOv5、YOLOv8、YOLO11 在同一套数据上的选型差异4.1 三个版本对数据格式的要求几乎一致好消息是这套数据集的标签格式对 YOLOv5、YOLOv8、YOLO11 是通用的都是归一化 txt data.yaml。差异主要在训练入口和配置方式YOLOv5 用train.py脚本加--data参数YOLOv8/11 用yolo命令行或 Python API。YOLOv5 训练命令python train.py --data bearing_defect/data.yaml --weights yolov5s.pt \ --epochs 100 --img 640 --batch 16 --project runs/bearing --name exp1YOLO11 则和 v8 命令几乎一样只换模型名yolo detect train databearing_defect/data.yaml modelyolo11n.pt epochs100 imgsz640选型建议追求部署生态成熟、资料多选 YOLOv8想用更新的网络结构和更好的小目标表现试 YOLO11老项目或已有 YOLOv5 部署链路继续用 v5 最省事。1000 张这个量级三者差距不会天差地别关键在超参和增强。4.2 小目标场景下值得调的增强参数轴承缺陷小默认增强可能不够。YOLOv8/11 可以在训练命令里加yolo detect train databearing_defect/data.yaml modelyolov8n.pt \ epochs150 imgsz960 batch8 \ mosaic1.0 scale0.5 degrees10 fliplr0.5参数说明mosaic1.0是四图拼接增强对小目标友好但训练后期可降到 0.5 避免过拟合scale0.5允许缩放抖动模拟不同拍摄距离degrees10小幅旋转轴承是圆形工件旋转不变性有帮助fliplr0.5水平翻转。注意别开flipud上下翻转工业件安装方向往往有语义翻了反而不合理。5. 避坑与排查轴承缺陷训练最常见的 5 个翻车现场5.1 训练 loss 不降mAP 一直是 0现象跑了几十轮box_loss在 1.0 附近震荡mAP50始终 0。原因九成是标签坐标没归一化或者class_id从 1 开始编号YOLO 要求从 0 开始。解决写脚本扫一遍所有标签确认坐标都在 0~1 之间、类别 id 最大值等于nc-1。发现越界就重新导出标注。5.2 报错「No labels found」现象启动训练直接提示找不到标签。原因通常是data.yaml里path写错或图片和标签目录层级不对应。解决把path改成绝对路径并确认images/train和labels/train在同一父目录下。YOLO 是靠把路径里的images替换成labels找标签的目录名不能乱改。5.3 显存爆了CUDA out of memory现象训练几轮后突然 OOM。原因多为batch或imgsz太大或workers太多导致内存泄漏。解决先把batch减半再把imgsz从 960 降到 640workers设 2。如果还爆加cacheFalse关闭内存缓存。5.4 验证集 mAP 高但实际推理漏检严重现象mAP50有 0.9拿现场图一测啥都检不到。原因是训练集和验证集同分布但现场光照、角度差异大。解决从现场补拍几十张图做测试集别只看 val 指标同时降低推理conf阈值并考虑加亮度、对比度增强重训。5.5 类别不均衡导致小类别全漏现象rust这类样本少的缺陷几乎检不出。原因就是框数量差距太大。解决在data.yaml同级用cls权重或对稀有类做复制增强YOLOv8 也支持在训练时用fraction控制采样但更直接的是补数据。6. 把 1000 张用到极致交叉验证与部署前的一次自检1000 张不算多想榨干它的价值我一般做两件事。第一是交叉验证把 trainval 合并后重新按 5 折划分每折训一个模型看 mAP 波动。如果 5 折 mAP 标准差超过 0.05说明数据划分本身不稳定单次结果不可信。YOLO 本身不带 K 折需要自己写划分脚本import os, random, shutil src_img bearing_defect/images/train src_lbl bearing_defect/labels/train files [f for f in os.listdir(src_img) if f.endswith(.jpg)] random.seed(42) random.shuffle(files) folds [files[i::5] for i in range(5)] # 5 折 for k, fold in enumerate(folds): for split, data in [(val, fold), (train, [f for f in files if f not in fold])]: img_dir ffold{k}/images/{split} lbl_dir ffold{k}/labels/{split} os.makedirs(img_dir, exist_okTrue) os.makedirs(lbl_dir, exist_okTrue) for f in data: shutil.copy(os.path.join(src_img, f), img_dir) lbl f.replace(.jpg, .txt) if os.path.exists(os.path.join(src_lbl, lbl)): shutil.copy(os.path.join(src_lbl, lbl), lbl_dir)逻辑是按固定随机种子打乱后切片保证可复现每折生成独立的 images/labels 目录再各写一份 data.yaml 指向它。参数上seed42固定划分换种子能验证划分敏感性。第二是部署前自检导出 ONNX 或 TensorRT 后用同一批测试图对比 PyTorch 和导出模型的输出框IoU 低于 0.9 的框数量如果超过 5%说明导出有精度损失要检查输入尺寸和归一化是否一致。这一步能挡掉大量「训练好好的一上板子就废」的问题。我自己踩过最深的坑是早期图省事没做类别分布统计训完发现模型对某一类完全无感回头补数据又得重训一遍。后来养成习惯拿到任何数据集先跑分布脚本、先看几张标签可视化再动训练命令。这套轴承数据集结构清晰值得你按上面的流程完整走一遍把基线跑稳再谈改进。希望帮到你。本文还有配套的精品资源点击获取