如何使用Yolov8训练——GC10-DET钢材缺陷数据集 2293张图像，10种瑕疵类型：包括VOC和YOLO两种格式，YOLO格式给出yaml文件，yolov8可直接跑

最新推荐文章于 2025-06-04 08:49:29 发布
最新推荐文章于 2025-06-04 08:49:29 发布
阅读量1k 收藏 12
点赞数 23
文章标签： YOLO 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_88441190/article/details/143638619
版权

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
GC10-DET钢材缺陷数据集，并提供使用YOLOv8进行训练的详细步骤和代码。

数据集介绍在这里插入图片描述

  1. 数据集概述
    数据集名称：GC10-DET钢材缺陷数据集
    图像数量：2293张图像
    瑕疵类型：10种，包括冲孔（Pu）、焊缝（Wl）、新月形缝隙（Cg）、水斑（Ws）、油斑（Os）、丝斑（Ss）、夹杂物（In）、轧坑（Rp）、折痕（Cr）、腰部折痕（Wf）
    数据格式：包含VOC和YOLO两种格式
    数据集划分：已划分好训练集、验证集和测试集
  2. 数据集结构
    假设你的数据集已经按照以下结构组织：

深色版本
gc10_det_dataset/
├── images/
│ ├── trai

最低0.47元/天 解锁文章
【深度学习】YOLOv5，金属表面的缺陷检测，GC10-DET数据集
q742971636的博客
04-26 1841
数据集的lable文件夹下是每个图片的框和类别标记，是xml格式。
16个缺陷检测数据集汇总（附下载链接）
zenhuizhi的博客
03-26 8338
本文包含16个主流缺陷检测数据集（附下载连接）
【开源数据集】钢板表面缺陷数据集GC10-DET/NEU-DET
hzg19930513的博客
12-18 4506
本期给大家带来了两个数据集，都是关于钢板表面缺陷检测相关的数据。
东北大学GC10-DET数据集，
11-04
供大家学习使用 数据集来源与类型： GC10-DET数据集包含在真实工业环境中收集的表面缺陷图像，专注于钢铁材料的表面缺陷检测。 数据集内容： 数据集涵盖了十种类型的表面缺陷，具体包括冲孔（Pu）、焊缝（Wl）、新月形缝隙（Cg）、水斑（Water Spot）、油斑（Os）、丝斑（Ss）、夹杂物（In）、轧坑（Rp）、折痕（Cr）和腰部折痕（Wf）。 所有缺陷图像均位于钢板表面，数据集包含3570张灰度图像。
缺陷检测数据集GC10-DET的数据处理
qq_41642036的博客
04-28 9333
GC10-DET是在真实工业中收集的表面缺陷数据集。一个真实的行业。它包含十种类型的表面缺陷，即冲孔（Pu）、焊缝（Wl）、新月形缝隙（Cg）、水斑（Water Spot）。油斑(Os)、丝斑(Ss)、夹杂物(In)、轧坑(Rp)、折痕(Cr)、腰部折痕 (Wf)。所收集的缺陷都在钢板的表面。该数据集包括3570张灰度 图像。
基于YOLOv8的GC10-DET缺陷检测系统（Python源码+Pyqt6界面+数据集）
04-09 2280
基于YOLOv8的GC10-DET缺陷​​​​​​​检测系统，并阐述了整个数据制作和训练可视化过程，最后通过Pyside UI界面进行展示。
钢材缺陷检测数据集380张5类别VOC+YOLO格式.7z
04-16
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：386 标注数量(xml文件个数)：386 标注数量(txt文件个数)：386 ...
钢材表面缺陷数据集GC10-DET（包括2294张图片，2294个xml文件，2294个txt文件）（无偿提供）
09-20
GC10-DET是在真实工业中收集的表面缺陷数据集。它包含十种类型的表面缺陷，即冲孔（punching）、焊缝（weld_line）、新月形缝隙（crescent_gap）、水斑（water_spot）、油斑(oil_spot)、丝斑(silk_spot)、夹杂物...
焊接件表面缺陷检测数据集VOC+YOLO格式2292张10类别.7z
03-17
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：2292 标注数量(xml文件个数)：2292 标注数量(txt文件个数)：...
YOLO11实战：GC10-DET缺陷检测 |DCNv4二次创新11Detetct,效果秒杀DCNv3、DCNv2（3）
11-26 1427
GC10-DET缺陷检测，原始mAP50为0.633 提升至0.646
YOLO格式数据集转为COCO数据集（简单粗暴）
weixin_44902604的博客
09-27 3581
简单来说就是images文件夹里面有train、val、test三个文件夹都放的图片；labels文件夹也有train、val、test三个文件夹都放的对应的标注！
[yolov11改进系列]基于yolov11引入轻量高效动态上采样算子DySample提升小目标检测能力的python源码+训练源码
最新发布
FL1623863129的博客
06-04 610
YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
YOLOv8 移动端升级：借助 GhostNetv2 主干网络，实现高效特征提取
shrgegrb的博客
05-31 785
本文提出一种基于GhostNetv2改进YOLOv8目标检测主干网络的方法。GhostNetv2作为轻量级CNN架构，通过Ghost模块生成特征图并引入硬件友好的注意力机制，显著降低了计算复杂度。我们将YOLOv8原有的CSPDarknet53主干替换为GhostNetv2，同时保留多尺度特征提取能力。实现方案包括DFC注意力模块和GhostBottleneckV2结构，在参数量和计算量大幅减少的同时保持了检测精度，特别适合移动端和嵌入式设备部署。实验表明，改进后的模型在保持YOLOv8检测性能的同时，计算
[yolov11改进系列]基于yolov11引入迭代注意力特征融合iAFF的python源码+训练源码
FL1623863129的博客
06-01 801
YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
[yolov11改进系列]基于yolov11引入深度可分卷积与多尺度卷积的结合MSCB的python源码+训练源码
FL1623863129的博客
06-04 800
YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
[yolov11改进系列]基于yolov11引入多尺度空洞注意力MSDA的python源码+训练源码
FL1623863129的博客
06-01 666
YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
yolov8添加注意力机制
m0_37302966的博客
05-30 318
yolov8添加注意力机制
GC10-DET数据集转YOLO
03-18
### 将 GC10-DET 数据集转换为 YOLO 格式的具体方法 为了将 GC10-DET 数据集转换为适用于目标检测模型（如 YOLOv8 或 YOLOv5）的格式，需要遵循特定的数据结构和标注文件的标准。以下是详细的说明： #### 1. **数据目录结构调整** YOLO 模型通常要求数据按照以下目录结构组织[^1]: ``` gc10_det_dataset/ ├── images/ │ ├── train/ │ │ └── image_1.jpg │ │ └── ... │ ├── val/ │ │ └── image_val_1.jpg │ │ └── ... │ └── test/ │ └── image_test_1.jpg └── labels/ ├── train/ │ └── image_1.txt │ └── ... └── val/ └── image_val_1.txt └── ... ``` 其中 `images` 文件夹存储原始图片，而 `labels` 文件夹则对应每张图片的目标框标签。 --- #### 2. **标签文件格式转换** YOLO 的标签文件采用 `.txt` 格式，每一行表示一个边界框，其格式如下： ``` <class_id> <x_center> <y_center> <width> <height> ``` 各字段的具体含义为： - `<class_id>`：类别索引，从 0 开始计数。 - `<x_center>` 和 `<y_center>`：目标中心点相对于整幅图像宽度和高度的比例坐标，范围为 `[0, 1]`。 - `<width>` 和 `<height>`：目标宽高相对于整幅图像宽度和高度的比例尺寸，范围也为 `[0, 1]`。 假设原数据集中提供了 VOC 格式的 XML 文件，则可以通过脚本将其转换为上述 YOLO 格式。下面是一个 Python 脚本示例[^3]: ```python import xml.etree.ElementTree as ET import os def convert(size, box): dw = 1./size[0] dh = 1./size[1] x = (box[0] + box[1]) / 2.0 y = (box[2] + box[3]) / 2.0 w = box[1] - box[0] h = box[3] - box[2] x = x * dw w = w * dw y = y * dh h = h * dh return (x, y, w, h) def convert_annotation(xml_file, output_dir, class_names): tree = ET.parse(xml_file) root = tree.getroot() size = root.find('size') width = int(size.find('width').text) height = int(size.find('height').text) with open(output_dir, 'w') as out_file: for obj in root.iter('object'): difficult = obj.find('difficult').text cls_name = obj.find('name').text if cls_name not in class_names or int(difficult) == 1: continue cls_id = class_names.index(cls_name) xml_box = obj.find('bndbox') b = ( float(xml_box.find('xmin').text), float(xml_box.find('xmax').text), float(xml_box.find('ymin').text), float(xml_box.find('ymax').text) ) bb = convert((width, height), b) out_file.write(f"{cls_id} {' '.join([f'{i:.6f}' for i in bb])}\n") # 示例调用 input_xml_folder = './gc10_det_dataset/annotations' output_label_folder = './gc10_det_dataset/labels/train' if not os.path.exists(output_label_folder): os.makedirs(output_label_folder) classes = ['type1', 'type2', ..., 'type10'] # 替换为实际类名列表 for file in os.listdir(input_xml_folder): if file.endswith('.xml'): convert_annotation( os.path.join(input_xml_folder, file), os.path.join(output_label_folder, f"{file.split('.')[0]}.txt"), classes ) ``` 此脚本会读取每个 XML 文件中的对象信息并写入对应的 TXT 文件中。 --- #### 3. **验证数据一致性** 完成转换后，建议通过可视化工具确认标签是否正确加载到图片上。可以利用 OpenCV 或其他库绘制边框来检查结果。 --- #### 4. **配置文件准备** 最后，在训练前需创建 YAML 配置文件指定数据路径及类别名称。例如: ```yaml path: ./gc10_det_dataset train: images/train val: images/val test: images/test names: 0: type1 1: type2 ... 9: type10 ``` 保存该文件以便后续传递给 YOLO 训练命令。 --- ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值