工业自动化质检、智能工厂、传送带实时监控 YOLOV8模型如何训练传送带缺陷检测数据集阻碍物‘, ‘裂纹‘, ‘异物‘, ‘孔洞的识别检测
【yolo传送带缺陷检测数据集】2345张，nc:4
names: [‘block’, ‘crack’, ‘foreign’, ‘hole’]
名称： [‘阻碍物’, ‘裂纹’, ‘异物’, ‘孔洞’]共4194张，8:1:1比例划分
train：1876张，val：234张，test：235张
标注文件为YOLO适用的txt格式。可以直接用于yolo模型训练。
![]()
1
![]()
📊 一、数据集信息总表
| 项目 | 描述 |
|---|---|
| 数据集名称 | YOLO传送带缺陷检测数据集（Conveyor Belt Defect Detection Dataset） |
| 应用场景 | 工业自动化质检、智能工厂、传送带实时监控 |
| 图像总数 | 2,345 张（ |
| 数据划分比例 | Train : Val : Test = 8 : 1 : 1 |
| - 训练集（train） | 1,876 张 |
| - 验证集（val） | 234 张 |
| - 测试集（test） | 235 张 |
| 标注格式 | YOLO TXT 格式（每张图对应一个.txt文件） |
| 任务类型 | 目标检测（Object Detection） |
| 类别数量（nc） | 4 |
| 图像来源 | 工业相机拍摄传送带表面（金属/橡胶材质） |
| 光照条件 | 均匀工业照明，部分含反光、阴影 |
🏷️ 二、缺陷类别定义
| 类别 ID | 英文名 | 中文名 | 典型特征 |
|---|---|---|---|
| 0 | block | 阻碍物 | 非传送带本体的凸起或附着物（如螺丝、胶块） |
| 1 | crack | 裂纹 | 线状断裂，可能贯穿或局部 |
| 2 | foreign | 异物 | 表面粘附杂质（油污、碎屑、纤维等） |
| 3 | hole | 孔洞 | 穿透性或非穿透性孔缺 |
✅ 所有标注均已归一化为 YOLO 格式：
每行：class_id center_x center_y width height
📁 三、项目目录结构建议
conveyor_belt_defect/ ├── dataset.yaml# 数据集配置文件├── train.py# 训练脚本├── predict_demo.py# 推理演示├── export_model.py# 模型导出└── data/ ├── images/ │ ├── train/# 1876 张│ ├── val/# 234 张│ └── test/# 235 张└── labels/ ├── train/# 对应 .txt 标注├── val/ └── test/📄 四、数据集配置文件dataset.yaml
# dataset.yamlpath:./datatrain:images/trainval:images/valtest:images/testnc:4names:['block','crack','foreign','hole']🚀 五、完整 YOLOv8 训练代码train.py
# train.pyfromultralyticsimportYOLOimporttorchdefmain():device='cuda'iftorch.cuda.is_available()else'cpu'print(f"🚀 使用设备:{device}")# 选择基础模型（根据精度/速度需求）model_name="yolov8s.pt"# 推荐：平衡型# model_name = "yolov8n.pt" # 更快，适合边缘部署# model_name = "yolov8m.pt" # 更高精度project_name="conveyor_belt_defect_detection"# 加载预训练模型model=YOLO(model_name)# 开始训练results=model.train(data='dataset.yaml',epochs=150,# 工业缺陷需充分训练imgsz=640,# 建议 640 或 1280（裂纹/孔洞为小目标）batch=16,# 根据 GPU 显存调整（32G 可设 32）name=project_name,device=device,patience=30,# 早停容忍度（防止过拟合）save=True,plots=True,# 自动生成 PR 曲线、混淆矩阵等exist_ok=False,workers=8,optimizer='AdamW',lr0=0.01,# 初始学习率lrf=0.01,# 最终学习率 = lr0 * lrfmomentum=0.937,weight_decay=0.0005,# 数据增强（关键！提升泛化）augment=True,hsv_h=0.015,# 色调扰动（应对光照变化）hsv_s=0.7,hsv_v=0.4,degrees=5.0,# 轻微旋转（±5°）translate=0.1,scale=0.5,flipud=0.0,# 不上下翻转（传送带方向固定）fliplr=0.5,# 左右翻转（安全）mosaic=1.0,# Mosaic 增强（提升小目标检测）mixup=0.1,copy_paste=0.3# Copy-Paste 增强（对稀疏缺陷有效）)# 在测试集上评估最终性能metrics=model.val(data='dataset.yaml',split='test')print("\n✅ 测试集最终结果:")print(f" mAP@0.5:{metrics.box.map50:.5f}")print(f" mAP@0.5:0.95:{metrics.box.map:.5f}")print(f" Precision:{metrics.box.mp:.5f}")print(f" Recall:{metrics.box.mr:.5f}")if__name__=='__main__':main()运行命令：
python train.py🔍 六、推理演示predict_demo.py
# predict_demo.pyfromultralyticsimportYOLO model=YOLO('runs/detect/conveyor_belt_defect_detection/weights/best.pt')results=model.predict(source='test_image.jpg',conf=0.25,# 工业场景建议降低阈值以提高召回iou=0.45,save=True,show=True,line_width=2,font_size=12)# 打印检测结果forresultinresults:boxes=result.boxesprint(f"检测到{len(boxes)}个缺陷")forboxinboxes:cls_id=int(box.cls.item())conf=float(box.conf.item())class_name=['block','crack','foreign','hole'][cls_id]print(f" →{class_name}(置信度:{conf:.3f})")📤 七、模型导出（用于部署）
# export_model.pyfromultralyticsimportYOLO model=YOLO('runs/detect/conveyor_belt_defect_detection/weights/best.pt')# 导出为 ONNX（通用）model.export(format='onnx',imgsz=640,simplify=True)# 导出为 TensorRT（NVIDIA Jetson / GPU）model.export(format='engine',imgsz=640,half=True,device=0)# 导出为 OpenVINO（Intel CPU）model.export(format='openvino',imgsz=640)以上文字及代码仅供参考学习使用