简介面向木材表面缺陷检测任务的标注数据集专为YOLOv5等目标检测框架设计适用于木材加工质检、板材表面缺陷识别等场景可帮助开发者解决人工目检效率低、缺少高质量训练数据的问题。压缩包共1897个文件包含948张木材表面缺陷jpg原始图像、948个txt格式YOLO标注文件以及1个yaml数据集配置整体仅38.13MB解压后即可按常规流程接入训练便于快速验证模型效果。标注信息覆盖常见木材表面缺陷类型同时兼容COCO JSON、PASCAL VOC XML、Darknet等格式方便在检测、实例分割等不同任务间迁移使用据资源方测试平均正确识别率达95.0%可作为模型性能参考基准。目前已有155人学习下载适合用于建立缺陷检测基线、评估算法鲁棒性或作为工业视觉项目的补充数据集。1. 木材表面缺陷检测为什么绕不开数据集做木材表面缺陷检测的工程师大多有同感模型结构不是瓶颈数据才是。产线上开料、刨光、砂光之后板材表面的活节、死节、开裂、树脂囊、蛀孔混在一起人工目检漏检率在强光下依然明显。用YOLOV5这类单阶段检测器跑通检测并不难难的是一份标注信息可靠、类别定义清楚、能直接喂给训练脚本的数据集。本文围绕“木材表面缺陷检测数据集支持YOLOV5格式标注信息平均正确识别率95.0%”展开把数据集结构、标注格式、训练参数和复现95%指标的关键步骤一次说清。适合刚接触yolov5训练自己的数据集的初学者也适合在产线试错但被脏标注坑过的工程师。这篇文章不涉及某个私有项目只讲这个任务里最通用、可落地的那套做法。2. 读懂YOLOV5格式标注信息先避开三个坑YOLOV5格式的标注信息是整个训练流程的地基。木材表面缺陷数据集的标注文件通常是txt每一行对应一个目标框格式为class_id x_center y_center width height其中x_center、y_center、width、height都是归一化到0到1之间的浮点数除以图像宽高得到。第一列是类别ID从0开始。木材表面缺陷数据集常见的类别映射是0代表活节1代表死节2代表裂纹3代表树脂囊4代表蛀孔。不同来源的数据集类别顺序可能不同训练前必须以data.yaml里的names顺序为准不能想当然。2.1 检查标注是否越界的三个命令拿到数据集后第一件事不是训练而是验证标注信息的合法性。越界的框、负数坐标、空标注文件会在训练中途炸掉。我一般用下面这段Python脚本批量检查import os from pathlib import Path def check_labels(label_dir, img_dir): issues [] for label_path in Path(label_dir).glob(*.txt): lines label_path.read_text().strip().splitlines() if len(lines) 0: issues.append(fempty: {label_path.name}) continue for i, line in enumerate(lines): parts line.split() if len(parts) ! 5: issues.append(fbad cols {label_path.name}:{i1}) continue cid, x, y, w, h float(parts[0]), float(parts[1]), float(parts[2]), float(parts[3]), float(parts[4]) if not (0 x 1 and 0 y 1 and 0 w 1 and 0 h 1): issues.append(fout of range {label_path.name}:{i1}) if w * 640 3 or h * 640 3: # 640是训练尺寸小于3像素的框没有学习意义 issues.append(ftiny box {label_path.name}:{i1}) return issues issues check_labels(datasets/wood/labels/train, datasets/wood/images/train) print(f共发现 {len(issues)} 个问题)这段脚本遍历labels目录下所有txt文件逐行解析五个字段。越界的坐标说明标注工具导出时没有按YOLOV5格式归一化空文件说明漏标了整张图极小框通常是标注时手滑留下的噪点建议直接删掉对应行。处理完这些问题再进入训练流程可以省掉大半“loss不降”的排查时间。2.2 用可视化脚本快速验证标注是否贴合缺陷边缘数值检查只能证明格式合法不能证明标注边界贴合缺陷。常见做法的用OpenCV把标注框画回原图人眼抽样看几十张import cv2 import random from pathlib import Path img_dir Path(datasets/wood/images/train) label_dir Path(datasets/wood/labels/train) imgs list(img_dir.glob(*.jpg)) random.shuffle(imgs) for img_path in imgs[:40]: img cv2.imread(str(img_path)) h, w img.shape[:2] label_path label_dir / (img_path.stem .txt) if not label_path.exists(): continue for line in label_path.read_text().strip().splitlines(): cid, x, y, bw, bh map(float, line.split()) x1, y1, x2, y2 int((x - bw/2)*w), int((y - bh/2)*h), int((x bw/2)*w), int((y bh/2)*h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, str(int(cid)), (x1, y1-5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) cv2.imwrite(fvis/{img_path.name}, img)运行后把vis目录里的图片翻一遍重点看两个东西框是否把整块缺陷包住框是否包含过多背景。木材缺陷和背景的边界往往不清晰裂纹细长、树脂囊颜色接近木色如果框松紧不一模型的定位精度就会忽高忽低最终影响整体正确识别率。2.3 类别不平衡是木材缺陷肉眼看不见的暗坑木材表面缺陷数据集的类别分布天然不均衡。活节和死节出现频率高蛀孔和树脂囊样本少。YOLOV5默认的类别损失是等权重的少数类会被多数类淹没。统计一下各类别框的数量cat datasets/wood/labels/train/*.txt | awk {print $1} | sort | uniq -c | sort -rn如果最少的类别不足最多的十分之一训练时建议在data.yaml里给少数类加权或者对少数类做过采样复制。YOLOV5官方没有内置类别权重参数常见做法是先不做任何处理跑一轮看验证集各类别的AP差距差距超过10个点就要干预。3. 从原始图像到YOLOV5可训练数据集的完整流程拿到木材表面缺陷检测数据集之后目录结构是第一步。YOLOV5训练脚本默认从images和labels两个目录读数据二者要一一对应。推荐的布局datasets/wood/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yamlimages和labels下子目录名要完全一致训练时只指定images路径YOLOV5会自动把images替换为labels来找标注文件。data.yaml内容如下train: datasets/wood/images/train val: datasets/wood/images/val test: datasets/wood/images/test nc: 5 names: [live_knot, dead_knot, crack, resin_pocket, wormhole]3.1 用脚本按比例划分训练验证测试集数据集下载后原始文件常常全部堆在一个目录里。划分时注意按文件名哈希而不是随机数否则每次运行得到不同的分布实验对比没有意义。我用hashlib取文件名稳定哈希按比例映射到train、val、testimport hashlib import shutil from pathlib import Path src_img Path(raw_images) src_lab Path(raw_labels) out Path(datasets/wood) ratios {train: 0.8, val: 0.1, test: 0.1} for img_path in src_img.glob(*.jpg): name img_path.stem h hashlib.md5(name.encode()).hexdigest() v int(h, 16) % 1000 if v ratios[train] * 1000: split train elif v (ratios[train] ratios[val]) * 1000: split val else: split test shutil.copy(img_path, out / images / split / img_path.name) lab src_lab / (name .txt) if lab.exists(): shutil.copy(lab, out / labels / split / lab.name)数据划分不是随手split背后是分布一致性的要求。同一块板材的多个表面图像可能会同时出现在train和val里导致验证指标虚高。如果文件名里包含板材编号编码亲和性的存在会使val评估失真。避免跨板材泄漏的建议是按照板材编号分组划分每个编号的所有图像只能出现在同一个集合里。字段命名里包含编号时hash时用编号前缀而不是完整文件名。3.2 数据增强参数按木材纹理特征调别用默认值木质缺陷在暗光、过曝、旋转角度下特征变化极大。产线相机安装角度固定但板和板间色差、节疤位置差异都不小。YOLOV5的hyp.scratch-low.yaml里我一般重点调这几个参数参数含义木材缺陷的推荐值hsv_h色相增强0.015hsv_s饱和度增强0.7hsv_v亮度增强0.5degrees旋转角度10.0translate平移比例0.2scale缩放比例0.4fliplr水平翻转0.5mosaic马赛克增强1.0木材的灰度级范围窄饱和度扰动太强会把活节和死节的颜色混淆建议hsv_s不超过0.7。旋转角度控制在10度以内因为产线传送带上木材方向基本固定超过这个角度会产生训练分布和真实分布不一致的风险。scale设到0.4可以让模型在不同拍摄距离下更鲁棒。训练命令示例cd yolov5 python train.py \ --data datasets/wood/data.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 32 \ --epochs 200 \ --hyp hyp.scratch-low.yaml \ --project runs/wood_defect200个epoch看起来多但配合cosine LR衰减和早停机制实际通常在第120到150轮收敛。batch size根据显存调整8G以下显存用16否则BN层统计不稳定。4. 复现95%正确识别率的训练策略与评估方法平均正确识别率95.0%这个数字能否复现影响因素排序是数据质量 模型容量 超参数。YOLOV5s在小数据集上未必比YOLOv5m差木材缺陷形状简单、类别区分度尚可YOLOV5s在640分辨率下足够v5s的参数量小反而更不容易过拟合。从yolov5s.pt开始迁移学习比从零训练少一半收敛时间。4.1 超参数搜寻先固定warmup再调anchorYOLOV5的超参数设置比模型结构更影响最终准确率。warmup_epochs3.0是默认值在木材数据集上建议保持木材缺陷框的长宽比跨度大裂纹的宽高比可以到1:5以上圆节疤接近1:1YOLOV5默认的anchor是针对COCO设计的对细长框不友好。训练前先对锚框做k-means聚类python utils/autoanchor.py --cfg models/yolov5s.yaml --data datasets/wood/data.yaml跑完会把建议的anchor输出到控制台手动替换到yolov5s.yaml里。锚框定准后边界框回归从第一轮就稳定朝真实分布收敛mAP能稳定提升1到2个点。另一个推荐开启的是AMP混合精度训练在2.7.0以上版本镜像里用起来没有额外负担。AMPpython train.py --data datasets/wood/data.yaml --weights yolov5s.pt --img 640 --batch 64 --epochs 200 --amp混合精度不仅能省显存在A100上总训练时间能缩短三分之一。模型精度几乎无损失因为前向传播的FP16误差会被master weights的FP32副本吸收。4.2 从训练日志里读召回率与精度的平衡点训练结束后runs/wood_defect/exp/weights/里会有best.pt和last.pt。val.py的输出会打印每个类别的AP、mAP50、mAP50-95、Precision和Recall。木材表面缺陷检测的实际生产约束通常追求低漏检也就是说Recall优先于Precision。用训练时保存的best.pt跑验证并输出混淆矩阵python val.py \ --weights runs/wood_defect/exp/weights/best.pt \ --data datasets/wood/data.yaml \ --task val \ --conf-thres 0.25 \ --iou-thres 0.45混淆矩阵会让类别间的混淆模式立刻暴露。活节和死节两个类别如果互相误检概率超过15%真实原因大都不是模型而是标注标准不一致。有些标注人员把颜色深一点的活节标成死节模型学到的边界就模糊了。这种标注信息和视觉特征对不齐的问题靠调参是救不回来的只有一个办法重新梳理标注规范统一节子中心颜色深度的判定标准。4.3 95%指标到底能不能信有一个明确的着落点数据集标注信息里面如果统计口径是“所有缺陷分类正确的比例”而忽略背景误检那这个数字天然会高于mAP。要复现95.0%并给出可信解释建议在测试集上同时汇报三个指标指标含义达到95%的前提mAP50IoU0.5时平均精度均值框位置基本准确即算对mAP50-95IoU从0.5到0.95取均值框位置要求严木材缺陷通常70-85%Recall0.5召回率物流检测漏检要重点看木材缺陷检测数据集的评价标准一般按mAP50为主因为木材缺陷的边缘本来就不规则标注框只能标到主体区域IoU要求太高会惩罚合理的标注误差。如果数据集文档里说的是95%正确识别率大概率指mAP50或按像素判别的分类准确率。自己复现时以val.py打印的mAP50为准不要让“95%”这个概念悬空。5. 验证模型可用的边界小样本、迁移和类别混淆排查拿到一份数据集模型也训出来了部署之前还有三件事要做都直接决定95%这个指标在真实场景里打几折。5.1 用小样本测试集验证模型能否handle未知板材纹理把训练集里没有出现过的新纹理板材单独抽出来比如不同树种、不同含水率的板子直接跑推理看漏检率。YOLOV5模型对训练分布外的数据天然退化采集图像时如果只覆盖一种光源和一种角度实际换产线必然掉点。我一般会在推理侧留一个conf-thres调节开关产线调试时先设为0.15观察误检数量再往上提。python detect.py \ --weights runs/wood_defect/exp/weights/best.pt \ --source raw_novel_wood/ \ --conf-thres 0.15 \ --iou-thres 0.45 \ --save-txt \ --save-conf--save-txt会把检测框写入txt--save-conf同时保存置信度。把置信度字段提取出来按阈值排序能直接看出模型的可靠性边界。置信度在0.2到0.4之间的检测结果多数是边缘模糊的缺陷这些样本往往也是人眼最容易漏检的。5.2 直接评估模型输出与人工标注的模式差异跑一次完整推理后对比模型框和人工标注框的面积重叠面积。具体做法将推理结果保存为YOLOV5格式写一个脚本统计每个GT框是否有匹配的检测框。匹配条件不只看IoU还要看类别是否一致。木材缺陷里经常出现模型检测到缺陷但类别标错的情况活节标成死节不算视觉重大失误但按产线分级标准这是需要返修的。如果类别混淆集中在某两个相邻类别重新审视标签定义和标注案例是值得的。5.3 从YOLOV5到YOLOV8或部署端的迁移思路木材表面缺陷检测数据集以YOLOV5格式存储这份数据也可以喂给yolov8训练自己的数据集。YOLOV8的数据格式和YOLOV5几乎一致唯一的区别是data.yaml里names列表改为顺序列表即可。转化脚本只需把train/val的路径改成YOLOV8目录格式不需要改标注文件本身。这种数据可迁移性是一开始按YOLOV5格式整理的回报。后续做轻量化部署时知识蒸馏是保留精度又压缩体积的可行路径。用一个训练好的YOLOV5m或YOLOV5l作为teacher把YOLOV5s作为student蒸馏温度设在4到6之间权重系数配0.3教师损失加0.7学生损失。木材缺陷的纹理细节丰富过度压缩会丢失节疤边缘的细微结构模型通道剪枝率不要超过50%否则定位精度会断崖下跌。数据集的价值只有在部署到产线之后才真正兑现。把数据分布、标注边界、评估口径这三件事想透95%这个数字才不是实验室里的偶然。本文还有配套的精品资源点击获取