简介本资源为面向计算机视觉学习者和物流质检场景的YOLO快递包裹与包装盒缺陷检测数据集适合具备一定目标检测基础、希望快速开展训练与验证的开发者。数据集共包含1200余张标注图像覆盖Box、Box_broken、Open_package、Package四类目标可支撑包裹破损识别、拆封状态判断等实际任务。压缩包内共2000个文件以1200个txt格式标签和799张jpg图像为主另附1个yaml配置文件整体约28.19MB目录已按train、val、test划分完毕data.yaml中训练与验证路径、类别数及名称均已配置yolov5、yolov7、yolov8、yolov9等主流框架可直接读取并启动训练。目前已有643人学习下载资源结构清晰、开箱即用能帮助读者省去数据整理与格式转换环节将精力集中在模型选型、参数调优与缺陷检测效果对比上。1. 快递包裹缺陷检测数据集1200 张图能撑起一个 YOLO 项目吗快递分拣线上纸箱破损、胶带开裂、面单褶皱、包裹凹陷这几类缺陷靠人眼盯着监控屏幕一天下来漏检率能到两位数。很多做视觉的同行第一反应是上 YOLO但真正卡住进度的从来不是模型结构而是手里没有一批标注干净、类别对齐、能直接喂进训练脚本的图。这份「YOLO算法快递包裹包装盒缺陷检测数据集」给的就是 1200 张已经打好标注的图片覆盖包裹和包装盒两类目标上的常见缺陷格式按 YOLO 的 txt 标注组织拿到手就能接进 ultralytics 的训练流程。它适合三类人刚入门 YOLO 想找一个真实工业场景练手的、做物流分拣质检需要快速验证算法可行性的、以及手上有一堆现场图但懒得从零标一遍的。1200 张不算大但作为缺陷检测的起步集够你把数据管线、增强策略和评估口径全部跑通一遍。2. 数据集结构与 YOLO 标注格式先看清目录再动手2.1 目录组织与文件对应关系拿到一个目标检测数据集我习惯先不急着写训练脚本而是把目录结构摸清楚。YOLO 格式的数据集通常长这样一个 images 目录放原图一个 labels 目录放同名 txt两边文件名一一对应差一个后缀。这份快递包裹缺陷数据集也是这个套路图片是常见的 jpg标注是 txt每行代表一个目标框格式为类别索引 中心x 中心y 宽 高后四个值都是归一化到 0 到 1 之间的小数。先跑一段脚本把目录结构和类别分布统计出来这一步能帮你提前发现很多问题比如某类缺陷只有十几张、标注框宽高出现负数、图片和标签对不上号。import os from collections import Counter img_dir dataset/images lbl_dir dataset/labels # 统计图片与标签的配对情况 imgs {os.path.splitext(f)[0] for f in os.listdir(img_dir)} lbls {os.path.splitext(f)[0] for f in os.listdir(lbl_dir)} print(图片数:, len(imgs), 标签数:, len(lbls)) print(有图无标签:, imgs - lbls) print(有标签无图:, lbls - imgs) # 统计每个类别的目标框数量 cls_counter Counter() for f in os.listdir(lbl_dir): with open(os.path.join(lbl_dir, f)) as fp: for line in fp: line line.strip() if line: cls_counter[int(line.split()[0])] 1 print(类别分布:, dict(sorted(cls_counter.items())))这段脚本做了两件事一是用集合差集找出图片和标签不匹配的文件二是遍历所有标签文件统计每个类别的框数量。参数上img_dir和lbl_dir按你实际解压后的路径改。跑完如果发现「有图无标签」不是空集说明有图片漏标训练时这些图会被当成纯背景可能拉低召回如果某个类别框数只有个位数那这个类基本训不出来得考虑合并或补数据。2.2 类别索引与 data.yaml 配置YOLO 训练不认中文类别名它只认整数索引索引到名字的映射写在 data.yaml 里。这份数据集的类别大概率是「包裹缺陷」和「包装盒缺陷」两类也可能拆得更细比如破损、开裂、凹陷分开。不管几类data.yaml 的结构是固定的path: ./dataset train: images/train val: images/val nc: 2 names: 0: package_defect 1: box_defectpath是数据集根目录train和val是相对 path 的图片路径nc是类别数names是索引到名字的字典。这里有个血泪经验nc必须和 names 的条目数严格一致多一个少一个训练启动时不一定报错但评估阶段混淆矩阵会直接错位你看到的 mAP 就是假的。另外 names 的顺序必须和标注文件里的索引对上如果标注里 0 是包装盒、1 是包裹你 yaml 里写反了模型学出来的东西整个颠倒。提示改完 data.yaml 先用yolo checks或手动加载一次配置确认路径能被解析到别等训练跑了半小时才发现 val 路径是空的。2.3 训练集与验证集划分1200 张图如果全拿去训练你没有任何独立数据判断模型是否过拟合。常见做法是按 8:2 或 7:3 切分训练集和验证集。切分时要注意一点同一个包裹或同一个包装盒的多角度图尽量分到同一侧否则验证集里出现训练时见过的目标mAP 会虚高。import random, shutil, os random.seed(42) names sorted(os.listdir(dataset/images)) random.shuffle(names) split int(len(names) * 0.8) for i, n in enumerate(names): dst train if i split else val shutil.copy(fdataset/images/{n}, fdataset/images/{dst}/{n}) shutil.copy(fdataset/labels/{os.path.splitext(n)[0]}.txt, fdataset/labels/{dst}/{os.path.splitext(n)[0]}.txt)random.seed(42)固定随机种子保证每次切分结果一致方便复现。split控制训练集比例0.8 就是 80%。复制而不是移动是为了保留原始数据切错了还能重来。跑完之后 images 下会有 train 和 val 两个子目录labels 下同理data.yaml 里的路径也要相应改成images/train和images/val。3. 用 ultralytics 跑通训练从环境到第一组权重3.1 环境安装与版本选择YOLO 生态现在最省心的是 ultralytics 这个库pip 一条命令就能装。但版本选择有讲究YOLOv8 稳定、文档全、社区问题好搜YOLOv11 更新但部分算子对老显卡支持一般。如果你显卡是 30 系或 40 系v8 和 v11 都能跑如果是更老的卡建议先确认 CUDA 版本再定。conda create -n yolo_defect python3.10 -y conda activate yolo_defect pip install ultralytics8.2.0 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118第一行建一个干净的 Python 3.10 环境缺陷检测这类项目别用系统 Python依赖冲突能折腾你一整天。第二行激活环境。第三行装 ultralytics这里锁了 8.2.0是因为这个版本 API 稳定网上教程对得上。第四行单独装 PyTorchcu118对应 CUDA 11.8你要根据自己的驱动版本换装错了训练时会报CUDA error: no kernel image is available。装完跑一句yolo checks它会打印出 PyTorch 版本、CUDA 是否可用、显卡型号。如果 CUDA 显示不可用先别往下走回去查驱动和 PyTorch 版本匹配。3.2 训练命令与关键参数环境通了就可以起训练。ultralytics 的命令行接口很直接但参数不设对1200 张图也能训出个废物模型。yolo detect train \ datadataset/data.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch16 \ lr00.01 \ patience30 \ projectruns/defect \ nameexp1逐项说data指向你的 yamlmodelyolov8n.pt用 nano 版预训练权重1200 张图的数据量n 或 s 就够了上 l 或 x 只会过拟合epochs150是上限配合patience30做早停30 轮验证指标不涨就停省时间imgsz640是输入分辨率缺陷目标如果很小可以提到 960 或 1280但显存占用会翻倍batch16按显存调8G 显存跑 640 分辨率大概能到 16爆显存就降到 8lr00.01是初始学习率小数据集别设太大否则 loss 震荡。训练过程中终端会打印每轮的 box_loss、cls_loss、mAP50、mAP50-95。box_loss 管定位cls_loss 管分类两个都降才是正常收敛。如果 cls_loss 一直不降多半是类别不平衡或标注有问题回到第 2 章那个统计脚本再查一遍。3.3 训练过程监控与中断恢复训练不是按了回车就完事中间要看曲线。ultralytics 会在runs/defect/exp1下生成 results.csv 和一堆可视化图重点是 results.png 里的三条线训练 loss、验证 loss、mAP。训练 loss 降但验证 loss 涨是过拟合加数据增强或减模型容量两条都降但 mAP 不动可能是学习率太小或标注框质量差。如果训练中途断了比如断电或手滑关了终端不用从头来yolo detect train resume modelruns/defect/exp1/weights/last.ptresume会从 last.pt 里读回优化器状态和轮次接着往下跑。但注意只有 last.pt 存在时才能恢复如果你只留了 best.pt那就只能重新训。我一般会在训练脚本外面套一层 nohup 或 tmux避免终端断开导致训练中断。4. 缺陷检测的坑从标注到推理的排查清单4.1 标注框越界与零面积框现象训练启动时报normalized coordinates out of range或者 loss 直接变 NaN。原因标注文件里某个框的归一化坐标小于 0 或大于 1或者宽高算出来是 0。解决写个校验脚本把所有标签扫一遍越界的截断到 0 到 1零面积的直接删掉那一行。for f in os.listdir(lbl_dir): path os.path.join(lbl_dir, f) lines open(path).read().strip().split(\n) clean [] for line in lines: p line.split() if len(p) ! 5: continue c, x, y, w, h int(p[0]), *map(float, p[1:]) if w 0 or h 0: continue x, y min(max(x, 0), 1), min(max(y, 0), 1) w, h min(w, 1 - x), min(h, 1 - y) clean.append(f{c} {x:.6f} {y:.6f} {w:.6f} {h:.6f}) open(path, w).write(\n.join(clean))这段逻辑是逐行解析跳过格式不对的行丢弃零面积框把中心点和宽高裁到合法范围。:.6f保留六位小数YOLO 对精度不敏感但统一格式能避免解析歧义。4.2 类别不平衡导致小类召回为零现象训练完看混淆矩阵某一类缺陷的召回率是 0模型把所有目标都预测成另一类。原因1200 张图里两类缺陷数量差距大比如包裹缺陷 900 个框、包装盒缺陷只有 80 个框模型倾向于预测多数类。解决一是用cls权重加权的损失二是在 data.yaml 里给少数类复制样本三是用 mosaic 和 mixup 增强时提高少数类出现概率。ultralytics 默认的增强已经包含 mosaic但类别平衡还得自己动手。4.3 验证集 mAP 高但实际推理漏检现象验证集 mAP50 到 0.9拿现场图一测漏检严重。原因验证集和训练集来自同一批拍摄条件光照、角度、背景都相似模型没学到泛化特征。解决从现场另找一批没参与训练的图做测试集哪怕只有几十张也能暴露真实问题。另外检查推理时的conf阈值默认 0.25 偏高缺陷检测可以降到 0.1 到 0.15 再试。4.4 图片和标签文件名大小写不一致现象训练时提示找不到标签但你去目录里看文件明明在。原因图片叫IMG_001.jpg标签叫img_001.txtLinux 下大小写敏感Windows 下不敏感跨系统就翻车。解决统一转成小写或者写脚本按图片名去匹配标签名匹配不上的打印出来人工处理。4.5 显存溢出与 batch 设置现象训练跑了几轮突然CUDA out of memory。原因batch 设太大或者 imgsz 提太高或者验证阶段同时加载了太多图。解决先把 batch 减半还不行就降 imgsz再不行用yolo detect train ... ampFalse关掉混合精度混合精度省显存但偶尔会溢出。另外 ultralytics 的cacheTrue会把图片缓存到内存内存不够也会崩1200 张图不大可以开但更大数据集要谨慎。5. 推理部署与效果验证把权重跑成能看的检测结果5.1 单图与批量推理训练完 best.pt 在runs/defect/exp1/weights/下拿它做推理yolo detect predict \ modelruns/defect/exp1/weights/best.pt \ sourcetest_images \ conf0.15 \ iou0.5 \ saveTruesource可以是单张图、一个目录、甚至一段视频。conf0.15是置信度阈值缺陷检测宁可多报也别漏报所以比默认 0.25 低。iou0.5是 NMS 的 IoU 阈值两个框重叠超过 0.5 就合并缺陷目标如果密集可以提到 0.6 减少误合并。saveTrue会把画了框的图存到runs/detect/predict下。5.2 用验证集指标判断模型能不能用推理出图好看不代表模型能用得看量化指标。训练结束后终端会打印一行汇总重点是 mAP50 和 mAP50-95。mAP50 是 IoU 阈值 0.5 时的平均精度缺陷检测一般要求 0.85 以上mAP50-95 更严格能到 0.5 以上就算不错。如果 mAP50 高但 mAP50-95 低说明框的位置不够准可能是标注框偏大或偏小回去抽查几张标注图。from ultralytics import YOLO model YOLO(runs/defect/exp1/weights/best.pt) metrics model.val(datadataset/data.yaml, splitval) print(mAP50:, metrics.box.map50) print(mAP50-95:, metrics.box.map) print(每类AP:, metrics.box.ap50)model.val会重新在验证集上跑一遍评估返回的metrics.box.map50就是 mAP50ap50是每个类别的 AP 数组顺序和 data.yaml 里 names 的顺序一致。如果某一类 AP 明显低单独把那一类的图挑出来看大概率是标注质量问题。5.3 导出 ONNX 与推理速度验证如果要把模型部署到产线PyTorch 权重不够快通常导出 ONNX 或 TensorRT。ONNX 通用性好TensorRT 在 N 卡上快但绑定硬件。yolo export modelruns/defect/exp1/weights/best.pt formatonnx imgsz640导出后在同目录生成 best.onnx。验证 ONNX 推理是否和 PyTorch 一致可以拿同一张图分别跑对比框的数量和坐标。常见坑是导出时 imgsz 和训练时不一致导致精度掉一截所以导出命令里显式写imgsz640。5.4 一个具体技巧用 TTA 提升小缺陷召回缺陷目标往往很小单次推理容易漏。测试时增强TTA是个后悔药把图翻转、缩放几次分别推理再合并结果。ultralytics 推理时加augmentTrue就能开 TTAyolo detect predict modelbest.pt sourcetest_images augmentTrue conf0.1代价是推理时间翻几倍适合离线质检或对速度不敏感的环节。我一般会在模型上线前用 TTA 跑一遍验证集看看 mAP 能涨多少如果涨幅不到 1 个点就不值得为它牺牲速度。从那以后我每次拿到新的缺陷数据集都强制先跑一遍标注校验和类别分布统计再决定要不要动模型结构——数据上的坑模型补不回来。希望这份 1200 张的快递包裹缺陷数据集能帮你把 YOLO 缺陷检测这条路先走通一遍。本文还有配套的精品资源点击获取 YOLO快递包裹缺陷检测实战：1200张数据集训练与调优指南
简介本资源为面向计算机视觉学习者和物流质检场景的YOLO快递包裹与包装盒缺陷检测数据集适合具备一定目标检测基础、希望快速开展训练与验证的开发者。数据集共包含1200余张标注图像覆盖Box、Box_broken、Open_package、Package四类目标可支撑包裹破损识别、拆封状态判断等实际任务。压缩包内共2000个文件以1200个txt格式标签和799张jpg图像为主另附1个yaml配置文件整体约28.19MB目录已按train、val、test划分完毕data.yaml中训练与验证路径、类别数及名称均已配置yolov5、yolov7、yolov8、yolov9等主流框架可直接读取并启动训练。目前已有643人学习下载资源结构清晰、开箱即用能帮助读者省去数据整理与格式转换环节将精力集中在模型选型、参数调优与缺陷检测效果对比上。1. 快递包裹缺陷检测数据集1200 张图能撑起一个 YOLO 项目吗快递分拣线上纸箱破损、胶带开裂、面单褶皱、包裹凹陷这几类缺陷靠人眼盯着监控屏幕一天下来漏检率能到两位数。很多做视觉的同行第一反应是上 YOLO但真正卡住进度的从来不是模型结构而是手里没有一批标注干净、类别对齐、能直接喂进训练脚本的图。这份「YOLO算法快递包裹包装盒缺陷检测数据集」给的就是 1200 张已经打好标注的图片覆盖包裹和包装盒两类目标上的常见缺陷格式按 YOLO 的 txt 标注组织拿到手就能接进 ultralytics 的训练流程。它适合三类人刚入门 YOLO 想找一个真实工业场景练手的、做物流分拣质检需要快速验证算法可行性的、以及手上有一堆现场图但懒得从零标一遍的。1200 张不算大但作为缺陷检测的起步集够你把数据管线、增强策略和评估口径全部跑通一遍。2. 数据集结构与 YOLO 标注格式先看清目录再动手2.1 目录组织与文件对应关系拿到一个目标检测数据集我习惯先不急着写训练脚本而是把目录结构摸清楚。YOLO 格式的数据集通常长这样一个 images 目录放原图一个 labels 目录放同名 txt两边文件名一一对应差一个后缀。这份快递包裹缺陷数据集也是这个套路图片是常见的 jpg标注是 txt每行代表一个目标框格式为类别索引 中心x 中心y 宽 高后四个值都是归一化到 0 到 1 之间的小数。先跑一段脚本把目录结构和类别分布统计出来这一步能帮你提前发现很多问题比如某类缺陷只有十几张、标注框宽高出现负数、图片和标签对不上号。import os from collections import Counter img_dir dataset/images lbl_dir dataset/labels # 统计图片与标签的配对情况 imgs {os.path.splitext(f)[0] for f in os.listdir(img_dir)} lbls {os.path.splitext(f)[0] for f in os.listdir(lbl_dir)} print(图片数:, len(imgs), 标签数:, len(lbls)) print(有图无标签:, imgs - lbls) print(有标签无图:, lbls - imgs) # 统计每个类别的目标框数量 cls_counter Counter() for f in os.listdir(lbl_dir): with open(os.path.join(lbl_dir, f)) as fp: for line in fp: line line.strip() if line: cls_counter[int(line.split()[0])] 1 print(类别分布:, dict(sorted(cls_counter.items())))这段脚本做了两件事一是用集合差集找出图片和标签不匹配的文件二是遍历所有标签文件统计每个类别的框数量。参数上img_dir和lbl_dir按你实际解压后的路径改。跑完如果发现「有图无标签」不是空集说明有图片漏标训练时这些图会被当成纯背景可能拉低召回如果某个类别框数只有个位数那这个类基本训不出来得考虑合并或补数据。2.2 类别索引与 data.yaml 配置YOLO 训练不认中文类别名它只认整数索引索引到名字的映射写在 data.yaml 里。这份数据集的类别大概率是「包裹缺陷」和「包装盒缺陷」两类也可能拆得更细比如破损、开裂、凹陷分开。不管几类data.yaml 的结构是固定的path: ./dataset train: images/train val: images/val nc: 2 names: 0: package_defect 1: box_defectpath是数据集根目录train和val是相对 path 的图片路径nc是类别数names是索引到名字的字典。这里有个血泪经验nc必须和 names 的条目数严格一致多一个少一个训练启动时不一定报错但评估阶段混淆矩阵会直接错位你看到的 mAP 就是假的。另外 names 的顺序必须和标注文件里的索引对上如果标注里 0 是包装盒、1 是包裹你 yaml 里写反了模型学出来的东西整个颠倒。提示改完 data.yaml 先用yolo checks或手动加载一次配置确认路径能被解析到别等训练跑了半小时才发现 val 路径是空的。2.3 训练集与验证集划分1200 张图如果全拿去训练你没有任何独立数据判断模型是否过拟合。常见做法是按 8:2 或 7:3 切分训练集和验证集。切分时要注意一点同一个包裹或同一个包装盒的多角度图尽量分到同一侧否则验证集里出现训练时见过的目标mAP 会虚高。import random, shutil, os random.seed(42) names sorted(os.listdir(dataset/images)) random.shuffle(names) split int(len(names) * 0.8) for i, n in enumerate(names): dst train if i split else val shutil.copy(fdataset/images/{n}, fdataset/images/{dst}/{n}) shutil.copy(fdataset/labels/{os.path.splitext(n)[0]}.txt, fdataset/labels/{dst}/{os.path.splitext(n)[0]}.txt)random.seed(42)固定随机种子保证每次切分结果一致方便复现。split控制训练集比例0.8 就是 80%。复制而不是移动是为了保留原始数据切错了还能重来。跑完之后 images 下会有 train 和 val 两个子目录labels 下同理data.yaml 里的路径也要相应改成images/train和images/val。3. 用 ultralytics 跑通训练从环境到第一组权重3.1 环境安装与版本选择YOLO 生态现在最省心的是 ultralytics 这个库pip 一条命令就能装。但版本选择有讲究YOLOv8 稳定、文档全、社区问题好搜YOLOv11 更新但部分算子对老显卡支持一般。如果你显卡是 30 系或 40 系v8 和 v11 都能跑如果是更老的卡建议先确认 CUDA 版本再定。conda create -n yolo_defect python3.10 -y conda activate yolo_defect pip install ultralytics8.2.0 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118第一行建一个干净的 Python 3.10 环境缺陷检测这类项目别用系统 Python依赖冲突能折腾你一整天。第二行激活环境。第三行装 ultralytics这里锁了 8.2.0是因为这个版本 API 稳定网上教程对得上。第四行单独装 PyTorchcu118对应 CUDA 11.8你要根据自己的驱动版本换装错了训练时会报CUDA error: no kernel image is available。装完跑一句yolo checks它会打印出 PyTorch 版本、CUDA 是否可用、显卡型号。如果 CUDA 显示不可用先别往下走回去查驱动和 PyTorch 版本匹配。3.2 训练命令与关键参数环境通了就可以起训练。ultralytics 的命令行接口很直接但参数不设对1200 张图也能训出个废物模型。yolo detect train \ datadataset/data.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch16 \ lr00.01 \ patience30 \ projectruns/defect \ nameexp1逐项说data指向你的 yamlmodelyolov8n.pt用 nano 版预训练权重1200 张图的数据量n 或 s 就够了上 l 或 x 只会过拟合epochs150是上限配合patience30做早停30 轮验证指标不涨就停省时间imgsz640是输入分辨率缺陷目标如果很小可以提到 960 或 1280但显存占用会翻倍batch16按显存调8G 显存跑 640 分辨率大概能到 16爆显存就降到 8lr00.01是初始学习率小数据集别设太大否则 loss 震荡。训练过程中终端会打印每轮的 box_loss、cls_loss、mAP50、mAP50-95。box_loss 管定位cls_loss 管分类两个都降才是正常收敛。如果 cls_loss 一直不降多半是类别不平衡或标注有问题回到第 2 章那个统计脚本再查一遍。3.3 训练过程监控与中断恢复训练不是按了回车就完事中间要看曲线。ultralytics 会在runs/defect/exp1下生成 results.csv 和一堆可视化图重点是 results.png 里的三条线训练 loss、验证 loss、mAP。训练 loss 降但验证 loss 涨是过拟合加数据增强或减模型容量两条都降但 mAP 不动可能是学习率太小或标注框质量差。如果训练中途断了比如断电或手滑关了终端不用从头来yolo detect train resume modelruns/defect/exp1/weights/last.ptresume会从 last.pt 里读回优化器状态和轮次接着往下跑。但注意只有 last.pt 存在时才能恢复如果你只留了 best.pt那就只能重新训。我一般会在训练脚本外面套一层 nohup 或 tmux避免终端断开导致训练中断。4. 缺陷检测的坑从标注到推理的排查清单4.1 标注框越界与零面积框现象训练启动时报normalized coordinates out of range或者 loss 直接变 NaN。原因标注文件里某个框的归一化坐标小于 0 或大于 1或者宽高算出来是 0。解决写个校验脚本把所有标签扫一遍越界的截断到 0 到 1零面积的直接删掉那一行。for f in os.listdir(lbl_dir): path os.path.join(lbl_dir, f) lines open(path).read().strip().split(\n) clean [] for line in lines: p line.split() if len(p) ! 5: continue c, x, y, w, h int(p[0]), *map(float, p[1:]) if w 0 or h 0: continue x, y min(max(x, 0), 1), min(max(y, 0), 1) w, h min(w, 1 - x), min(h, 1 - y) clean.append(f{c} {x:.6f} {y:.6f} {w:.6f} {h:.6f}) open(path, w).write(\n.join(clean))这段逻辑是逐行解析跳过格式不对的行丢弃零面积框把中心点和宽高裁到合法范围。:.6f保留六位小数YOLO 对精度不敏感但统一格式能避免解析歧义。4.2 类别不平衡导致小类召回为零现象训练完看混淆矩阵某一类缺陷的召回率是 0模型把所有目标都预测成另一类。原因1200 张图里两类缺陷数量差距大比如包裹缺陷 900 个框、包装盒缺陷只有 80 个框模型倾向于预测多数类。解决一是用cls权重加权的损失二是在 data.yaml 里给少数类复制样本三是用 mosaic 和 mixup 增强时提高少数类出现概率。ultralytics 默认的增强已经包含 mosaic但类别平衡还得自己动手。4.3 验证集 mAP 高但实际推理漏检现象验证集 mAP50 到 0.9拿现场图一测漏检严重。原因验证集和训练集来自同一批拍摄条件光照、角度、背景都相似模型没学到泛化特征。解决从现场另找一批没参与训练的图做测试集哪怕只有几十张也能暴露真实问题。另外检查推理时的conf阈值默认 0.25 偏高缺陷检测可以降到 0.1 到 0.15 再试。4.4 图片和标签文件名大小写不一致现象训练时提示找不到标签但你去目录里看文件明明在。原因图片叫IMG_001.jpg标签叫img_001.txtLinux 下大小写敏感Windows 下不敏感跨系统就翻车。解决统一转成小写或者写脚本按图片名去匹配标签名匹配不上的打印出来人工处理。4.5 显存溢出与 batch 设置现象训练跑了几轮突然CUDA out of memory。原因batch 设太大或者 imgsz 提太高或者验证阶段同时加载了太多图。解决先把 batch 减半还不行就降 imgsz再不行用yolo detect train ... ampFalse关掉混合精度混合精度省显存但偶尔会溢出。另外 ultralytics 的cacheTrue会把图片缓存到内存内存不够也会崩1200 张图不大可以开但更大数据集要谨慎。5. 推理部署与效果验证把权重跑成能看的检测结果5.1 单图与批量推理训练完 best.pt 在runs/defect/exp1/weights/下拿它做推理yolo detect predict \ modelruns/defect/exp1/weights/best.pt \ sourcetest_images \ conf0.15 \ iou0.5 \ saveTruesource可以是单张图、一个目录、甚至一段视频。conf0.15是置信度阈值缺陷检测宁可多报也别漏报所以比默认 0.25 低。iou0.5是 NMS 的 IoU 阈值两个框重叠超过 0.5 就合并缺陷目标如果密集可以提到 0.6 减少误合并。saveTrue会把画了框的图存到runs/detect/predict下。5.2 用验证集指标判断模型能不能用推理出图好看不代表模型能用得看量化指标。训练结束后终端会打印一行汇总重点是 mAP50 和 mAP50-95。mAP50 是 IoU 阈值 0.5 时的平均精度缺陷检测一般要求 0.85 以上mAP50-95 更严格能到 0.5 以上就算不错。如果 mAP50 高但 mAP50-95 低说明框的位置不够准可能是标注框偏大或偏小回去抽查几张标注图。from ultralytics import YOLO model YOLO(runs/defect/exp1/weights/best.pt) metrics model.val(datadataset/data.yaml, splitval) print(mAP50:, metrics.box.map50) print(mAP50-95:, metrics.box.map) print(每类AP:, metrics.box.ap50)model.val会重新在验证集上跑一遍评估返回的metrics.box.map50就是 mAP50ap50是每个类别的 AP 数组顺序和 data.yaml 里 names 的顺序一致。如果某一类 AP 明显低单独把那一类的图挑出来看大概率是标注质量问题。5.3 导出 ONNX 与推理速度验证如果要把模型部署到产线PyTorch 权重不够快通常导出 ONNX 或 TensorRT。ONNX 通用性好TensorRT 在 N 卡上快但绑定硬件。yolo export modelruns/defect/exp1/weights/best.pt formatonnx imgsz640导出后在同目录生成 best.onnx。验证 ONNX 推理是否和 PyTorch 一致可以拿同一张图分别跑对比框的数量和坐标。常见坑是导出时 imgsz 和训练时不一致导致精度掉一截所以导出命令里显式写imgsz640。5.4 一个具体技巧用 TTA 提升小缺陷召回缺陷目标往往很小单次推理容易漏。测试时增强TTA是个后悔药把图翻转、缩放几次分别推理再合并结果。ultralytics 推理时加augmentTrue就能开 TTAyolo detect predict modelbest.pt sourcetest_images augmentTrue conf0.1代价是推理时间翻几倍适合离线质检或对速度不敏感的环节。我一般会在模型上线前用 TTA 跑一遍验证集看看 mAP 能涨多少如果涨幅不到 1 个点就不值得为它牺牲速度。从那以后我每次拿到新的缺陷数据集都强制先跑一遍标注校验和类别分布统计再决定要不要动模型结构——数据上的坑模型补不回来。希望这份 1200 张的快递包裹缺陷数据集能帮你把 YOLO 缺陷检测这条路先走通一遍。本文还有配套的精品资源点击获取