简介：面向钢材表面缺陷检测与YOLOv5目标检测的开发者，这份源码包集成了完整的数据集与检测系统，适用于工业质检场景下的缺陷识别、模型训练与算法验证，也适合深度学习初学者通过真实数据动手实践。压缩包共5528个文件，约28.28MB，内含1800张钢材表面jpg图像、1800份xml标注文件与1806个txt标签文件，完整覆盖图像、标注与类别信息；同时提供33个Python脚本、26个YAML参数配置以及CMake等工程构建文件，可直接用于YOLOv5环境搭建与训练调参。目前已有2514人学习浏览，说明该资源具备一定参考热度。拿到后可获得端到端的数据处理与训练方案，包括标签含义说明、模型配置文件、辅助脚本与跨平台编译支持；目录结构按图像、标注、配置与代码分层存放，便于检索，省去从零采集和整理数据的耗时，可快速开展缺陷检测实验或二次开发。

1. YOLOv5钢材表面缺陷数据集检测系统源码：先回答它解决什么问题，再谈怎么跑

钢材表面缺陷检测，就是在产线上找出裂纹、夹杂、麻点、划伤这类瑕疵，并把它们在图像里框出来。YOLOv5钢材表面缺陷数据集检测系统源码.zip 这类压缩包，通常把 YOLOv5 模型、已标注的缺陷数据集、训练和推理脚本放在一起，目标是让你不用从零搭环境，直接用上真实工业数据。这个方向适合三类人：刚入门 YOLOv5 想拿真实数据集练手的，做机器视觉需要快速验证缺陷识别方案的，还有准备毕业设计的学生。但“源码.zip”和“能跑起来的工程”之间，往往还隔着数据格式、环境版本和训练参数三座大山。

2. 钢材表面缺陷数据集怎么转成 YOLO 格式：XML 解析、归一化标签与划分边界

2.1 长条热轧钢板上的六类缺陷，公开数据集怎么选

做钢材缺陷识别，最常被拿来当基线的是东北大学发布的 NEU-DET，也就是在标题里说“钢材表面缺陷数据集”时，九成资料指的是它。这组数据来自热轧带钢表面，图像尺寸固定为 200x200，共 1800 张，每类缺陷 300 张。六类分别是 crazing（网状裂纹）、inclusion（夹杂）、patches（斑块）、pitted_surface（麻点）、rolled-in_scale（氧化铁皮压入）、scratches（划伤）。类别看着少，但每类外观差异非常大：crazing 是分散的细线，pitted_surface 是密集小坑，rolled-in_scale 是大块暗色斑块。同一个类别里缺陷大小跨度也大，有的框只有几十个像素宽，有的几乎占满整张图。

这组数据的特点是“数量不大、目标偏小、背景纹理杂乱”。如果直接套通用目标检测的思路，很容易遇到训练正常、到了产线场景就漏检的情况。最常用的做法是把 200x200 原图放大到 512 或 640 再喂给模型。放大到 640 意味着缺陷相对尺寸变大，检测更友好，代价是放大带来的插值锯齿和显存占用增加；放大到 512 相对折中，我在自己的实验里先跑 512，因为工业现场往往还要叠加低分辨率相机，512 更接近真实退化程度。

另外，NEU-DET 的标注是 VOC 风格 XML，每个 XML 文件对应一张图像。YOLOv5 训练需要的是每张图一个同名 txt 文件，每个框占一行，格式为“类别索引 x_center y_center width height”，四个坐标全部除以图像宽高，归一化到 0 和 1 之间。如果是从零开始标注自己的钢材数据，也需要转成这种格式。很多新人会把 xmin、ymin、xmax、ymax 直接写进 txt，YOLO 读不了，这是常见的第一道坎。

2.2 编写 XML 转 YOLO 脚本，处理空框与越界框

常见做法是写一个一次性转换脚本，扫描 XML 目录，逐个把 bndbox 四坐标换算成中心点坐标和宽高。注意必须用归一化坐标，否则训练读出来是超过 1 的数，loss 直接飙升，而且看起来像学习率问题，实际是标注问题。

# xml2yolo.py import os import xml.etree.ElementTree as ET CLASSES = ['crazing', 'inclusion', 'patches', 'pitted_surface', 'rolled-in_scale', 'scratches'] IMG_W, IMG_H = 200, 200 def convert_xml_to_yolo(xml_path, txt_path): tree = ET.parse(xml_path) root = tree.getroot() lines = [] for obj in root.findall('object'): name = obj.find('name').text.strip() if name not in CLASSES: continue cls_id = CLASSES.index(name) box = obj.find('bndbox') xmin = float(box.find('xmin').text) ymin = float(box.find('ymin').text) xmax = float(box.find('xmax').text) ymax = float(box.find('ymax').text) # 防御负坐标和超界框 xmin = max(0.0, min(xmin, IMG_W - 1)) xmax = max(0.0, min(xmax, IMG_W - 1)) ymin = max(0.0, min(ymin, IMG_H - 1)) ymax = max(0.0, min(ymax, IMG_H - 1)) x_center = (xmin + xmax) / 2.0 / IMG_W y_center = (ymin + ymax) / 2.0 / IMG_H w = (xmax - xmin) / IMG_W h = (ymax - ymin) / IMG_H lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") with open(txt_path, 'w', encoding='utf-8') as f: f.write('\n'.join(lines)) if __name__ == '__main__': xml_dir = 'NEU-DET/ANNOTATIONS' label_dir = 'NEU-DET/labels' os.makedirs(label_dir, exist_ok=True) for xml_name in os.listdir(xml_dir): if not xml_name.endswith('.xml'): continue stem = os.path.splitext(xml_name)[0] convert_xml_to_yolo(os.path.join(xml_dir, xml_name), os.path.join(label_dir, stem + '.txt'))

参数说明：CLASSES 的顺序就是类别索引顺序。YOLO txt 里的数字 0 对应 CLASSES[0]，也就是 crazing，这个顺序必须和后面 data.yaml 里的 names 完全一致，否则训练时类别标签是错位的。IMG_W 和 IMG_H 这里写死成 200，因为 NEU-DET 固定尺寸；如果是自己的产线数据集，改成实际图像宽高。裁剪那四行是加的一段防御，VOC XML 偶尔会出现 xmax 略大于图宽的情况，不裁剪会让归一化坐标超过 1，YOLO 判定为无效目标，还会污染输出。

转换完抽查一下。我一般会随机挑三五张图，把同名的 txt 打印到控制台，人工对一下数字是否落在 0 到 1 区间，再用 OpenCV 画一次框确认。很多问题都出在序号对应错位上，单独看 txt 看不出，画出来就露馅。

2.3 训练集、验证集的划分，直接决定 mAP 可信度

数据划分看起来是小事，在钢材缺陷上需要注意的地方不少。第一种划分是随机划分，1800 张图直接按 8:1:1 拆成 train、val、test。缺点：如果同一卷钢带截出的连续图像同时被分进训练和验证，模型因为“看见过邻居”而得分虚高，实测 mAP 可能比换带生产时高出好几个点。

第二种更严谨的是按批次划分。按钢带编号分组后再切分 train 和 val，让验证集里不出现同一卷钢带下的相邻图像。钢材表面纹理连续性很强，我推荐按批次划分，这样验证结果更接近真实产线，不会出现评估很漂亮、上机就翻车的尴尬。

划分时还需要保证每个类别在 train 和 val 里都出现。NEU-DET 各类别均匀，问题不大，但自己去现场标数据时，可能有 patched 类只有几十张，随机划分就要做分层抽样。划分脚本参考下面这段：

# split_data.py import os import random from shutil import copy images = sorted(os.listdir('NEU-DET/IMAGES')) random.seed(2024) random.shuffle(images) n = len(images) train_imgs = images[:int(n * 0.8)] val_imgs = images[int(n * 0.8):int(n * 0.9)] test_imgs = images[int(n * 0.9):] for split, imgs in [('train', train_imgs), ('val', val_imgs), ('test', test_imgs)]: for img in imgs: stem = os.path.splitext(img)[0] copy(os.path.join('NEU-DET/IMAGES', img), os.path.join('NEU-DET/images', split, img)) copy(os.path.join('NEU-DET/labels', stem + '.txt'), os.path.join('NEU-DET/labels', split, stem + '.txt'))

这段代码会在 images 和 labels 两侧同时把同一份文件分配到对应 split 目录，避免出现“图像有、标签没有”的漏配。如果你不复制，而是用软链接，也必须在两个目录同时建链接。YOLOv5 读 label 是拿图像路径替换后缀、替换目录名来定位 txt 的，一个缺失就会在训练时提示找不到标签文件，连带影响整个训练集统计。

划分完之后，再看一眼三个 split 目录里的文件数量，train 约 1440 张，val 约 180 张，test 约 180 张。数量对不对不重要，重要的是没有空目录，也没有某类只在 train 里出现的情况。

3. YOLOv5 环境配置与源码目录关系：conda 安装、requirements 顺序、data.yaml 别写错

3.1 用 conda 建独立 Python 环境，PyTorch 和 torchvision 必须成对出现

拿到这类源码，第一件事不是急着开 train.py，而是把 Python 环境搭干净。我习惯用 conda，因为它能隔离同一台机器上不同项目的依赖，避免“装好新项目，炸掉老项目”的常见事故。

conda create -n yolo5 python=3.9 -y conda activate yolo5 pip install torch==1.13.1 torchvision==0.14.1 cd yolov5 pip install -r requirements.txt

Python 3.9 对 YOLOv5 比较友好，太高或太低都可能遇到 numpy 和 opencv 的二进制兼容问题。torch 和 torchvision 的版本必须一前一后对齐，torch1.13.1 对应 torchvision0.14.1，这是 PyTorch 官方约定。错开一位，就容易出现cannot import name 'functional_pauli' from 'torchvision.transforms'这类表面上跟算子无关、实际上版本错乱的报错，而且往往在跑数据增强那段才崩，排查起来特别费时间。

如果本机已经装好 CUDA 11.7，也可以用pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117指定带后缀的版本。没有特殊需求时直接用默认版本即可。装完验一下：

python -c "import torch, torchvision; print(torch.__version__, torchvision.__version__)" python -c "print(torch.cuda.is_available())"

第一行打印的版本要匹配，第二行返回 True 再继续，否则后面训练会在设备分配时报错。

3.2 requirements 安装顺序：为什么先装 torch 再装其它依赖

YOLOv5 的 requirements.txt 会列一堆包：opencv-python、numpy、matplotlib、seaborn、pandas、pyyaml、tqdm、requests、scipy 等。直接pip install -r requirements.txt在多数情况下也能成功，但遇到问题时会非常难定位。先装 PyTorch 再装其余依赖，能让 torchvision 里绑定的 numpy 扩展按正确版本生成。如果先装好 numpy，再装 torch 把 numpy 版本顶掉，OpenCV 和 matplotlib 就可能因为 C 扩展链接关系出现段错误。

pip install numpy==1.23.5 pip install opencv-python==4.8.0.74 pip install -r requirements.txt

很多排查现场里，更常见的是ImportError: libGL.so.1: cannot open shared object file。这是 opencv 缺少系统图形库，和 pip 无关，发生在纯容器或精简 Linux 系统上。解决方法是安装系统库：apt-get install -y libgl1 libglib2.0-0。这条在部署阶段几乎是必踩的坑，值得提前装掉。

3.3 源码目录与自建数据集的位置，data.yaml 怎么写不会迷路

下载的 YOLOv5 源码解压后，标准目录骨架大概是：

yolov5/ ├── train.py ├── detect.py ├── val.py ├── export.py ├── data/ # 数据集配置模板 ├── models/ # 模型结构 yaml ├── utils/ # 训练与推理工具 ├── runs/ # 训练结果输出目录 └── requirements.txt

这是通用组织方式，不要把自建数据直接丢进yolov5/data下面，它容易和官方模板混在一起，更不要在 data 下放图像和标签混合的目录。惯常做法是让数据集独立放在和yolov5/平级的NEU-DET/目录下，再写一个data.yaml指过去。

# NEU-DET/data.yaml path: ./NEU-DET train: images/train val: images/val test: images/test nc: 6 names: - crazing - inclusion - patches - pitted_surface - rolled-in_scale - scratches

path是数据根目录，train、val、test 写相对 path 的相对路径。YOLOv5 部分版本支持path字段，如果报路径解析错误，可以去掉 path，直接写train: ./NEU-DET/images/train。nc必须和 names 长度一致，多一个少一个都会在训练启动时被断言拦下。这个断言信息写得比较简短，新手常看不出原因，其实只要数一下 names 数量就好。

检查标签路径是否命中：YOLOv5 读标签时，会用训目标图像目录去推导同级 labels 目录。例如图像在NEU-DET/images/train/crazing_003.jpg，它就会去NEU-DET/labels/train/crazing_003.txt找标注。这就要求 images 和 labels 的二级目录结构完全并列，一个叫 train 另一个也叫 train，不能一个叫 train 一个叫 train_txt，后缀不同直接找不到。

4. 训练钢材缺陷检测模型：train.py 参数选择、超参数调整和结果解读

4.1 用预训练权重做迁移学习，batch 和 imgsz 的基本设定

直接从零训练在小数据集上划不来。NEU-DET 只有 1800 张，从随机初始化开始至少要跑几百轮才能收敛，而 YOLOv5 官方在 COCO 上预训练好的yolov5s.pt已经具备通用特征提取能力，在工业缺陷数据上做 100 轮微调就能达到不错的 mAP。所以训练一个实用的检测系统，标准做法是：

python train.py \ --data NEU-DET/data.yaml \ --weights yolov5s.pt \ --img 512 \ --batch-size 16 \ --epochs 100 \ --workers 4 \ --project runs/train_steel \ --name exp01 \ --cache

--img是训练输入尺寸，默认值 640。这里故意调到 512，因为原始图只有 200x200，放大到 512 相当于 2.5 倍，既能保住缺陷纹理，又不至于让显存像用 640 那样紧张。如果显卡是 8GB，batch 从 16 降到 8 也还能跑。batch-size 不是越大越好：这批数据类别少、目标小，batch 加大会让梯度方向更平滑，但显存空间也吃得更紧，无法再同时把--img调大。

--cache在数据量小的时候值得开着。它会把图像以内存或磁盘缓存方式加载，减少每次 epoch 的 I/O。钢材图像是灰度单通道，缓存占用不大，开了之后每次训练能省不少时间。--project和--name是输出目录的定制。默认输出在runs/train/exp，第二次跑会变成exp2，非常混乱。改成train_steel加exp01递增，后面翻混淆矩阵和 PR 曲线时，一眼能认出哪轮用了什么参数。

4.2 针对钢材场景调超参数：关闭颜色增强，降低 mosaic 概率

YOLOv5 的默认超参数写在data/hyps/hyp.scratch-low.yaml。更可控的做法是复制一份命名为hyp.steel.yaml，用--hyp hyp.steel.yaml指定。下面是一份我在钢材缺陷上常用的改法：

# hyp.steel.yaml lr0: 0.01 lrf: 0.2 momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3.0 warmup_momentum: 0.8 box: 0.05 cls: 0.5 obj: 1.0 mosaic: 0.3 hsv_h: 0.0 hsv_s: 0.0 hsv_v: 0.0 translate: 0.1 scale: 0.5 fliplr: 0.0 flipud: 0.0

为什么要这样改：钢材表面缺陷通常在灰度域上表现明显，色彩空间没有可学信息，关闭 hsv 三个通道能减少增强带来的随机噪声，让模型更关注形状和纹理。fliplr 和 flipud 对方向性缺陷有风险：crazing 一般是沿轧制方向的微小裂纹，如果左右翻转，模型会把“裂纹方向”和“背景条状纹理”混淆，所以全部关掉。mosaic 从默认 1.0 降成 0.3，是因为 mosaic 会把任意四张图拼在一起，在自然图像上有效，但钢板背景高度相似，拼接产生的大量伪边界会让模型额外学习“背景过渡线”，南辕北辙。

超参数不是越多改越好。只拿训练损失来评估调参也片面，要同时看 val 损失。如果 train loss 一直在降、val loss 从某个 epoch 开始反弹，那先理解为过拟合信号，而不是超参数没调好。1800 张图跑到 120 轮左右，mAP50 基本走平。也有人对钢材数据把 cls 调到 0.7 来强调分类，但这对外观相近的 crazing 和 scratches 反而有副作用，除非确认混淆矩阵里分类错误占主导，保守起见用 0.5。

4.3 训练输出怎么看：results.csv、混淆矩阵与 PR 曲线

训练结束后，runs/train_steel/exp01/下会出现一批文件：weights/best.pt、weights/last.pt、results.csv、results.png、confusion_matrix.png、PR_curve.png等。

results.csv每一行代表一个 epoch，列包含metrics/mAP_0.5、metrics/mAP_0.5:0.95、val/box_loss等。先盯着 mAP50 和 mAP50-95：mAP50 衡量框和类别是否大致命中，mAP50-95 对框定位精度更严格。钢材缺陷里小目标多，如果 mAP50 高但 mAP50-95 偏低，说明预测框定位精度没到“精准”级别，运行时需要调整 NMS，或者重新考虑训练尺寸。

混淆矩阵能指出哪两类缺陷互相“认错”。我见过 crazing 和 scratches 的混淆最多，因为它们都是线状缺陷，区别只是纹理深度和连续性。如果这两类互相串，只调 NMS 上限不会好，应该回查标注，看是不是部分框画得太宽松，把背景纹理也包进去了。

PR_curve.png里每个类的曲线会不同。rolled-in_scale 是大块目标，曲线通常很漂亮；crazing 的曲线会掉得快，说明它夹带的背景像素多，误报也多。这些图表不是用来“看个结果”的，是决定要不要回去改标注、改数据增强的依据。

5. 钢材缺陷检测项目避坑指南：五个最容易翻车的地方和现场解决记录

5.1 现象：PyTorch 装好后，一 import torchvision 就报模块找不到

原因：torchvision 版本和 torch 没有对齐。很多人先pip install torch装成 2.x，再装 torchvision 选了 1.x，两者在底层张量实现上有差异，导入到functional_pauli这类模块时直接抛异常，看起来像代码问题，实际是环境问题。

解决：在独立 conda 环境里固定 torch 和 torchvision 版本。先卸载，再成对安装：

pip uninstall torch torchvision -y pip install torch==1.13.1 torchvision==0.14.1 python -c "import torch, torchvision; print(torch.__version__, torchvision.__version__)"

如果 pip 解析时又互相顶掉，用conda install pytorch=1.13.1 torchvision=0.14.1让 conda 做依赖解析。装完必须再验一次 import，确认打印的两个版本成对。

5.2 现象：训练启动后 loss 一直不降，前 20 个 epoch 横在 7 左右

原因：九成是标签问题，不是学习率。YOLO 的 loss 在标签异常时会把目标置信度计算成远大于正常范围的值。常见原因有三个：txt 里的坐标没有归一化，出现 x_center=170 这种数；图像和标签没有对应上，label 文件是空文件或缺失；class_id 超过 nc-1。

解决：先抽查一批标签：

import os label_dir = 'NEU-DET/labels/train' for name in os.listdir(label_dir)[:10]: p = os.path.join(label_dir, name) print(name, open(p).read())

看打印的坐标是否都在 0 到 1 之间。如果看到class 6就说明索引越界，把 data.yaml 的 names 列表和 XML 转换脚本的 CLASSES 顺序对齐即可。空文件说明 XML 解析失败，回头检查name字段是否被识别。

5.3 现象：训练 mAP0.5 到了 0.9，但拿 detect.py 检测同一批图时漏了很多小缺陷

原因：mAP 评估的是预测框和真实框在某个阈值下的匹配结果，而 detect.py 默认的--conf-thres 0.25会把大量低置信度的小目标框过滤掉。钢材表面缺陷密集且尺寸小，一个缺陷周围可能产生十几个候选框，NMS 在 IOU 阈值 0.45 时把相邻的真缺陷框合并掉，导致漏检。

解决：跑推理时把置信度阈值调低，IOU 阈值也调低：

python detect.py \ --weights runs/train_steel/exp01/weights/best.pt \ --source NEU-DET/images/test \ --img 512 \ --conf-thres 0.08 \ --iou-thres 0.35 \ --save-txt

参数说明：--conf-thres从默认 0.25 降到 0.08，模型会保留更多低分框，适合小目标密集场景。--iou-thres从 0.45 调到 0.35，NMS 对重叠框更严格，能把紧邻的两个真实缺陷框都保留下来。代价是会多一些重复框和误检框，需要根据产线要求的精确率和召回率再平衡。

5.4 现象：对图像做过 CLAHE 预处理之后，检测率反而骤降

原因：训练集和测试集上的预处理不一致。CLAHE，也就是对比度受限自适应直方图均衡化，对低对比度钢板很有效，但如果在训练时用了某一组 clipLimit，推理时用了另一组，或者只对验证集做、没对训练集做，模型的输入分布就不一致，mAP 可能出现明显下跌。这个坑特别隐蔽，因为两张图肉眼看起来差别不大。

解决：把 CLAHE 抽成一个复用函数，训练和推理共用同一份代码：

# preprocess.py import cv2 def to_model_input(img, clip=2.0, grid=(8, 8)): clahe = cv2.createCLAHE(clipLimit=clip, tileGridSize=grid) # img 必须是单通道灰度图 return clahe.apply(img)

参数说明：clipLimit 调得越大，对比度增强越强，但背景噪声也会被放大。钢材表面轻微划伤时我用 2.0，tileGridSize 用 8x8，在 512x512 输入下足够细。如果做训练增强，把它放在数据加载流程的同一位置；如果做离线预处理，训练和推理都要先跑一遍。

5.5 现象：train.py 运行时报 No labels found 或者类别数断言失败

原因：最常见是 images 和 labels 的路径不匹配。YOLOv5 从train字段找到图像目录，然后换算到同级 labels 目录。只要一个在NEU-DET/images/train/，另一个在NEU-DET/labels/train_txt/，就会因为缺标签直接报错。另一个低频原因是图像后缀不统一，有 jpg 也有 png，脚本只处理了 jpg。

解决：先核对文件名和目录名，再用一条命令批量检查：

for f in NEU-DET/images/train/*.jpg; do b=$(basename "$f"); b=${b%.jpg} [ -f "NEU-DET/labels/train/$b.txt" ] || echo "missing: $b" done

如果还有 png，把*.jpg换成*.jpg *.png再跑一遍。跨平台搬项目时最容易遇到，Windows 下大小写不敏感，目录叫Images也能读到；一到 Linux 上就爆，所以 data.yaml 里的路径要严格区分大小写。

6. 部署验证技巧：批量推理与 ONNX 导出，先用一张“认得的图”把关

训练完成后，不要只看 mAP 数字。我习惯的做法是，拿一张自己亲手标过、知道每个缺陷在哪里的原图，跑一遍 detect.py，再人工数一遍：图上真实缺陷有多少个，模型框出了几个，多框的和漏框的各是什么类别。如果真实缺陷 20 个，模型只出 15 个，优先怀疑漏检；如果多出 5 个框，优先怀疑误检。这个步骤永远最先做，因为它是成本最低的“模型有没有学歪”体检。

推理命令保持和训练一致的图像尺寸：

python detect.py \ --weights runs/train_steel/exp01/weights/best.pt \ --source NEU-DET/images/test \ --data NEU-DET/data.yaml \ --img 512 \ --conf-thres 0.08 \ --iou-thres 0.35 \ --save-txt

--save-txt会同时把检测结果写成一个 txt，方便和标注文件做逐行对比，而不只是看图。输出在runs/detect/exp下，第一轮是 exp，第二轮是 exp2，按需改名。

如果要嵌入现有质检系统，建议把 best.pt 导出成 ONNX，用 ONNX Runtime 做后续推理，不必在产线机器上再搭一套 Python 训练环境。

python export.py \ --weights runs/train_steel/exp01/weights/best.pt \ --include onnx \ --img 512

导出后先确认输出的 shape 和置信度格式，再用 ONNX Runtime 跑一遍上面那张“认得”的图，看结果和 PyTorch 推理是否一致。不一致时基本都是预处理差异，尤其是灰度图转三通道的方式。

我现在的习惯是，每次拿到一份钢材缺陷检测源码，不管对方声称训练效果多好，第一件事永远是找一张自己标过、知道答案的图，跑完一遍对比框再谈其它。这个动作帮我挡掉过不少次“mAP 很高、现场不认”的返工。检测系统的短板经常在数据和阈值匹配上，模型只是其中一环，先盯住这一环，后面的事就顺了。希望帮到你。

本文还有配套的精品资源，点击获取