皮革/布匹缺陷检测数据集，共计6种类别，分别为：[‘虫咬’, ‘划痕’, ‘孔洞’, ‘针迹’, ‘病变’, ‘破裂’]
，共计1200+图像。
数据集已整理成YOLO格式 ，YOLOv5、YOLOv6、YOLOv8、YOLO11、YOLO12等等YOLO系列通用，数据集已划分为训练集和测试集等，到手即可投入使用
1
1
以下是皮革/布匹缺陷检测数据集的详细信息汇总表，适用于 YOLO 系列目标检测模型（YOLOv5/v6/v8/v11/v12 等）：
| 项目 | 内容描述 |
|---|---|
| 数据集名称 | 皮革/布匹表面缺陷检测数据集（YOLO 格式） |
| 应用领域 | 纺织工业质检、智能制造、服装辅料品控、自动化视觉检测系统 |
| 图像总数 | 1200+ 张（高分辨率工业相机拍摄，含复杂纹理背景） |
| 缺陷类别数 | 6 类 |
| 类别定义 | -虫咬：昆虫啃噬造成的不规则缺损-划痕：表面线性刮伤或摩擦痕迹-孔洞：穿透性破洞（非设计孔）-针迹：缝纫残留或异常针脚（非工艺要求部分）-病变：材料老化、霉变、色斑等材质异常-破裂：撕裂、开裂等结构性破损 |
| 标注格式 | YOLO 格式（每张图像对应一个.txt文件）格式：class_id x_center y_center width height（归一化至 [0,1]） |
| 数据划分 | -训练集（train）：约 960 张（80%）-验证集（val）：约 120 张（10%）-测试集（test）：约 120+ 张（10%）✅ 已预划分，目录结构清晰 |
| 目录结构 | <br>textile_defect_yolo/<br>├── images/<br>│ ├── train/<br>│ ├── val/<br>│ └── test/<br>├── labels/<br>│ ├── train/<br>│ ├── val/<br>│ └── test/<br>└── textile_defect.yaml<br> |
| YAML 配置文件 | textile_defect.yaml内容：yaml<br>train: ./images/train<br>val: ./images/val<br>test: ./images/test<br><br>nc: 6<br>names: ['虫咬', '划痕', '孔洞', '针迹', '病变', '破裂']<br>✅开箱即用，无需修改路径或类别 |
| 兼容框架 | 全系列 YOLO 模型通用：- YOLOv5 / YOLOv6 / YOLOv7- YOLOv8 / YOLOv9 / YOLOv10- （注：“YOLOv11”“YOLOv12”为社区非官方命名，实际指代 YOLOv8+ 改进版，本数据集因采用标准 YOLO 格式，均可直接加载） |
| 图像特点 | - 分辨率：常见 1280×720、1920×1080 或更高- 背景复杂：含皮革粒面、布纹、反光、阴影等干扰- 缺陷尺度多样：从微小针迹到大面积破裂 |
| 使用优势 | - 标签精准，边界框贴合缺陷区域- 覆盖纺织品典型缺陷类型- 已按工业标准划分数据集- 无需预处理，解压即可训练 |
| 典型用途 | - 工业质检流水线缺陷报警- 缝纫/裁剪前自动筛查- 品质分级与良品率统计- AI 视觉检测设备算法底座 |
💡部署建议：
- 轻量场景（嵌入式设备）：使用YOLOv8n/s
- 高精度需求（实验室/服务器）：使用YOLOv8m/l或YOLOv9-c
- 训练命令示例：
yolo detect traindata=textile_defect.yamlmodel=yolov8s.ptepochs=100imgsz=640
该数据集可直接用于智能纺织工厂、服装质检、皮革制品生产线等场景的自动化缺陷检测系统开发。
以下是针对皮革/布匹缺陷检测数据集（6 类：虫咬、划痕、孔洞、针迹、病变、破裂；1200+ 张图像；YOLO 格式）的完整、可直接运行的训练代码，兼容YOLOv5 / YOLOv8 / YOLOv9 等主流 YOLO 系列模型。
✅ 一、前提条件：数据集目录结构
确保你的数据集解压后结构如下（与你描述一致）：
textile_defect_yolo/ ├── images/ │ ├── train/ # ~960 张 .jpg │ ├── val/ # ~120 张 │ └── test/ # ~120+ 张 ├── labels/ │ ├── train/ # 对应 .txt 标签 │ ├── val/ │ └── test/ └── textile_defect.yaml📄textile_defect.yaml文件内容（必须正确）：
# textile_defect.yamltrain:./images/trainval:./images/valtest:./images/testnc:6names:['虫咬','划痕','孔洞','针迹','病变','破裂']⚠️ 注意：类别顺序必须与标签中的
class_id（0~5）严格对应。
🧪 二、环境准备（推荐使用 YOLOv8）
# 创建虚拟环境（可选）python -m venv textile_envsourcetextile_env/bin/activate# Linux/Mac# textile_env\Scripts\activate # Windows# 安装 PyTorch（以 CUDA 11.8 为例）pipinstalltorch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118# 安装 Ultralytics YOLO（支持 YOLOv8/v5/v9 风格）pipinstallultralytics💡 若你坚持用YOLOv5，请克隆官方仓库：
gitclone https https://github.com/ultralytics/yolov5cdyolov5 pipinstall-r requirements.txt
▶️ 三、详细训练代码（Python 脚本版，基于 YOLOv8）
将以下代码保存为train_textile.py，放在textile_defect_yolo/目录下：
# train_textile.pyfromultralyticsimportYOLOimportosdefmain():# 可选：设置工作目录（若脚本不在数据集根目录）# os.chdir('/path/to/textile_defect_yolo')# 1. 加载预训练模型（推荐 yolov8s：精度与速度平衡）model=YOLO('yolov8s.pt')# 可选: yolov8n (更快), yolov8m (更高精度)# 2. 开始训练results=model.train(data='textile_defect.yaml',# 数据配置文件epochs=100,# 训练轮数imgsz=640,# 输入尺寸（工业图建议 640~1024）batch=16,# 批大小（根据 GPU 显存调整）name='textile_defect_yolov8s',# 实验名称device=0,# GPU ID（0,1,... 或 'cpu'）workers=4,# 数据加载线程数cache=False,# 不缓存图像到内存（节省 RAM）patience=30,# 早停：30 轮 mAP 无提升则停止save=True,# 保存 best/last 模型plots=True,# 自动生成 PR 曲线、混淆矩阵等project='runs/detect',# 结果保存目录exist_ok=False# 是否覆盖同名实验)print(f"✅ 训练完成！结果保存在:{results.save_dir}")# 3. （可选）在测试集上评估最终性能test_metrics=model.val(data='textile_defect.yaml',split='test')print(f"Test mAP@0.5:{test_metrics.box.map50:.4f}")print(f"Test mAP@0.5:0.95:{test_metrics.box.map:.4f}")if__name__=='__main__':main()▶️ 四、命令行训练方式（快速启动）
在终端中运行（无需写 Python 脚本）：
cd/path/to/textile_defect_yolo# YOLOv8 训练命令yolo detect train\data=textile_defect.yaml\model=yolov8s.pt\epochs=100\imgsz=640\batch=16\name=textile_defect_yolov8s\device=0\plots=True⚙️ 五、关键参数调优建议（针对纺织缺陷）
| 参数 | 推荐值 | 说明 |
|---|---|---|
imgsz | 640 或 1024 | 小缺陷（如针迹、虫咬）建议 ≥640；若显存允许，用 1024 提升召回率 |
batch | 8~32 | - 8GB GPU：batch=8- 12GB+ GPU：batch=16~32 |
model | yolov8s（首选） | yolov8n速度最快但可能漏检小缺陷；yolov8m适合高精度场景 |
augment | 默认开启 | 自动启用 Mosaic、HSV、翻转等增强，提升对纹理干扰的鲁棒性 |
workers | 2~4 | 过高可能导致 CPU 瓶颈 |
💡若遇 OOM（显存不足），优先降低
batch和imgsz。
📊 六、训练结果输出位置
训练完成后，所有结果保存在：
runs/detect/textile_defect_yolov8s/ ├── weights/best.pt # 最佳模型（按 val mAP@0.5 选择） ├── weights/last.pt # 最终模型 ├── results.csv # loss/mAP 日志 ├── results.png # 训练曲线图 ├── pr_curve.png # 各类 Precision-Recall 曲线（含 6 类） ├── confusion_matrix.png # 混淆矩阵（分析“划痕” vs “针迹”等易混类） └── val_batch0_pred.jpg # 验证集预测可视化🔍 七、推理与部署示例
fromultralyticsimportYOLO# 加载最佳模型model=YOLO('runs/detect/textile_defect_yolov8s/weights/best.pt')# 单图推理（置信度阈值 0.4）results=model.predict(source='images/test/001.jpg',conf=0.4,save=True,# 保存带框图像到 runs/detect/predict/show=False)# 批量推理整个测试集model.predict(source='images/test/',save=True,project='output_test')📌 八、注意事项
- 类别中文支持：YOLOv8 完全支持中文类别名，可视化时会正常显示；
- 小目标优化：若“针迹”“虫咬”召回率低，可尝试：
- 使用
imgsz=1024 - 在
train()中添加mosaic=1.0（默认已启用） - 采用SAHI 切片推理（适用于超高分辨率原图）
- 使用
- 测试集评估：YOLOv8 的
val默认用val集，测试集需显式指定split='test'； - 模型导出：训练后可导出 ONNX/TensorRT 用于工业部署：
model.export(format='onnx')# 生成 best.onnx
