带标注的螺丝、螺栓、垫圈缺陷识别数据集包含缺陷里包含生锈和划痕1291张图支持yolococo jsonvoc xml,文末有模型训练代码。数据集拆分总图数1291 张图数训练集1143 张图验证集106 张图测试集42 张图预处理自动定向应用调整大小拉伸到640x640增强每个训练样本生成 3 组扩增数据翻转方式水平翻转、垂直翻转90° 旋转顺时针旋转、逆时针旋转随机旋转角度范围 -15° ~ 15°数据集标签[‘objdetection’, ‘ScrewDefect’, ‘ScrewGood’, ‘BoltDefect’, ‘BoltGood’, ‘WasherDefect’, ‘WasherGood’]标签解释ScrewDefect → 螺丝缺陷ScrewGood → 合格螺丝 / 完好螺丝BoltDefect → 螺栓缺陷BoltGood → 合格螺栓 / 完好螺栓WasherDefect → 垫圈缺陷WasherGood → 合格垫圈 / 完好垫圈数据集图片和标注信息示例数据集下载yolo26:https://download.csdn.net/download/pbymw8iwm/92894108yolo v12:https://download.csdn.net/download/pbymw8iwm/92894107yolo v11:https://download.csdn.net/download/pbymw8iwm/92894106yolo v9:https://download.csdn.net/download/pbymw8iwm/92894101yolo v8:https://download.csdn.net/download/pbymw8iwm/92894103yolo v7:https://download.csdn.net/download/pbymw8iwm/92894104coco json:https://download.csdn.net/download/pbymw8iwm/92894102pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92894105YOLO模型训练下载数据集之后解压到当前文件夹然后将 我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject里的训练模型脚本复制到文件夹下假设你使用的是yolov8来训练你就用 python train_yolov8.py模型验证测试情况验证测试代码#需要安装pip install ultralyticsfromultralyticsimportYOLOimportcv2# 加载训练好的 YOLO .pt 模型modelYOLO(best.pt)# 替换为你实际的 .pt 模型文件路径# 定义要测试的图片路径image_path./image.jpg# 替换为你实际的图片文件路径# 使用模型对图片进行预测resultsmodel(image_path)# 获取预测结果forresultinresults:# 获取绘制了检测框的图片annotated_imageresult.plot()# 显示图片cv2.imshow(YOLOv Inference,annotated_image)# 等待按键退出cv2.waitKey(0)# 关闭所有 OpenCV 窗口cv2.destroyAllWindows()
带标注的螺丝、螺栓、垫圈缺陷识别数据集，包含缺陷里包含生锈和划痕，1291张图，支持yolo，coco json，voc xml,文末有模型训练代码。
发布时间：2026/5/22 0:45:22
带标注的螺丝、螺栓、垫圈缺陷识别数据集包含缺陷里包含生锈和划痕1291张图支持yolococo jsonvoc xml,文末有模型训练代码。数据集拆分总图数1291 张图数训练集1143 张图验证集106 张图测试集42 张图预处理自动定向应用调整大小拉伸到640x640增强每个训练样本生成 3 组扩增数据翻转方式水平翻转、垂直翻转90° 旋转顺时针旋转、逆时针旋转随机旋转角度范围 -15° ~ 15°数据集标签[‘objdetection’, ‘ScrewDefect’, ‘ScrewGood’, ‘BoltDefect’, ‘BoltGood’, ‘WasherDefect’, ‘WasherGood’]标签解释ScrewDefect → 螺丝缺陷ScrewGood → 合格螺丝 / 完好螺丝BoltDefect → 螺栓缺陷BoltGood → 合格螺栓 / 完好螺栓WasherDefect → 垫圈缺陷WasherGood → 合格垫圈 / 完好垫圈数据集图片和标注信息示例数据集下载yolo26:https://download.csdn.net/download/pbymw8iwm/92894108yolo v12:https://download.csdn.net/download/pbymw8iwm/92894107yolo v11:https://download.csdn.net/download/pbymw8iwm/92894106yolo v9:https://download.csdn.net/download/pbymw8iwm/92894101yolo v8:https://download.csdn.net/download/pbymw8iwm/92894103yolo v7:https://download.csdn.net/download/pbymw8iwm/92894104coco json:https://download.csdn.net/download/pbymw8iwm/92894102pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92894105YOLO模型训练下载数据集之后解压到当前文件夹然后将 我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject里的训练模型脚本复制到文件夹下假设你使用的是yolov8来训练你就用 python train_yolov8.py模型验证测试情况验证测试代码#需要安装pip install ultralyticsfromultralyticsimportYOLOimportcv2# 加载训练好的 YOLO .pt 模型modelYOLO(best.pt)# 替换为你实际的 .pt 模型文件路径# 定义要测试的图片路径image_path./image.jpg# 替换为你实际的图片文件路径# 使用模型对图片进行预测resultsmodel(image_path)# 获取预测结果forresultinresults:# 获取绘制了检测框的图片annotated_imageresult.plot()# 显示图片cv2.imshow(YOLOv Inference,annotated_image)# 等待按键退出cv2.waitKey(0)# 关闭所有 OpenCV 窗口cv2.destroyAllWindows()
