简介：面向工业视觉与电子制造质检场景，这套PCB缺陷检测数据集覆盖桥接、缺件、短路、断路、偏移、极性错误六类典型线路板瑕疵，共680张已标注图像，可直接用于YOLO系列模型训练与算法验证，适合高校《机器视觉》课程实训、电子制造企业质检算法预研及入门学习者实践。包体内共1376个文件，693个txt为YOLO格式标注框，680张jpg为原始图像，另含data.yaml配置与训练缓存文件，整体压缩后77.85MB，目录结构清晰便于批量读取。每张图像均采用归一化五元组标注，按7:2:1划分训练、验证与测试集，类间分布均衡，并附中文使用指南、MD5校验清单及缺陷分布分析脚本，可帮助快速完成从数据加载、模型微调到结果可视化的完整流程。此数据集在YOLOv8n模型上测试集mAP达到86.3%，可作为入门基准参考。目前已有26人学习下载，是轻量级、可直接落地的PCB缺陷检测实训数据集。
1. PCB缺陷检测数据集：为什么680张图也能撑起一个YOLO项目
做过产线AOI相关的朋友都懂，真正麻烦的不是算法选型，是手里根本没有像样的缺陷样本。PCB板上的开路、短路、鼠咬这类缺陷，良品率一高，想攒一套带标注的数据比登天还难。所以当我看到这套6类、680张的PCB缺陷检测数据集时，第一反应是：量不大，但够用了。它是标准的YOLO格式，每张图对应同名txt标注文件，类别覆盖了PCB缺陷检测里最常碰到的六种情况，拿到就能直接喂给YOLOv5或YOLOv8训练，不用自己费劲去转格式。适合谁？如果你是做课程设计、算法预研、或者想验证某个缺陷检测思路能不能跑通，这套数据正好卡在"麻雀虽小五脏俱全"的档位上。下面我从数据格式讲起，把训练、推理、踩坑一条龙过一遍。
2. 数据集结构与YOLO标注格式：先搞懂文件布局再动手
2.1 六类缺陷分别是什么：类名与典型特征
这套数据集的类别设计沿用了PCB缺陷检测里最经典的六分类体系，分别对应板卡制造过程中最常见的六类异常。识别这六类缺陷靠的是图像上的形态差异：断路（open）表现为本该连通的走线中间出现断开缺口；短路（short）则是两条不该碰到的走线粘连在一起；鼠咬（mousebite）是走线边缘出现规则的小半圆缺口，像被老鼠啃过；毛刺（spur）是走线上多出来一小段尖锐凸起；铜面异物（copper）是铜箔区域出现多余的铜渣或异常沉积；针孔（pin-hole）是铜面上出现极小的圆孔，反射特征和周围明显不同。
从检测难度上看，open和short这类缺陷面积相对大、纹理结构清晰，YOLO模型学起来比较容易；而pin-hole和mousebite目标尺寸小、特征弱，是拉低mAP的主要来源。680张图里这六类并不是均匀分布的，open和short的样本量通常明显多于其他四类，这一点在训练之前心里要有数，后面避坑章节我会专门讲类别不平衡的处理。至少拿到数据后第一件事，不是直接开训，而是按下面脚本统计一下每个类到底有多少框。
2.2 YOLO标签文件解读：归一化坐标不是像素坐标
YOLO格式的标签文件是纯文本，每行代表一个目标框，格式是五个字段：class_id x_center y_center width height。这里最容易翻车的地方是：后面四个数不是像素值，而是相对图像宽高的归一化比例。比如一行标签是2 0.5234 0.3187 0.0821 0.0458，意思是这个目标属于类别2（鼠咬），框的中心点落在图像宽度52.34%、高度31.87%的位置，框的宽度占图像宽度8.21%、高度占图像高度4.58%。
为什么YOLO非要这么设计？因为训练时dataloader会把图像统一缩放到imgsz尺寸，如果标注存的是原始像素坐标，缩放后坐标全错乱了；归一化坐标是比例值，图像不管缩放到多大，比例关系不变。这一点如果你之前用过VOC格式的XML标注（存的是绝对像素坐标），转YOLO时容易踩坑。常用的转换公式是：center_x = (x_min + x_max) / 2 / img_width，center_y = (y_min + y_max) / 2 / img_height，width = (x_max - x_min) / img_width，height = (y_max - y_min) / img_height。四舍五入保留6位小数足够训练用了。
在动手训练之前，建议把标签文件打开看几行。一般数据集目录结构是images/放原图、labels/放同名txt、classes.txt里按行写六类名称、data.yaml里配置路径和类别数。拿到资源后先把目录结构敲一遍确认，别直接往训练代码里灌路径。
2.3 标签质量校验：一个脚本看出所有问题
我拿到任何标注数据，第一步永远不是训练，而是写脚本全量扫一遍标签。680张图说多不多，但手工标注难免有框出界、类别号错了、宽高为零等问题。这些脏数据直接进YOLO训练，轻则loss异常，重则训练直接崩。下面这个脚本可以统计每类框数量、检查坐标越界和宽高非法，建议放在数据集根目录下运行。
from pathlib import Path from collections import Counter def validate_labels(label_dir: Path, img_w: int = 640, img_h: int = 640): issues = [] class_counter = Counter() total_boxes = 0 for txt_path in sorted(label_dir.glob("*.txt")): for line_no, line in enumerate(txt_path.read_text(encoding="utf-8").splitlines(), 1): parts = line.split() if len(parts) != 5: issues.append((txt_path.name, line_no, f"字段数不是5，实际为{len(parts)}")) continue try: cls_id, cx, cy, w, h = map(float, parts) except ValueError as e: issues.append((txt_path.name, line_no, f"float解析失败: {e}")) continue class_counter[cls_id] += 1 total_boxes += 1 if not (0 <= cls_id <= 5): issues.append((txt_path.name, line_no, f"class_id越界: {int(cls_id)}")) if w <= 0 or h <= 0: issues.append((txt_path.name, line_no, f"宽高非正: w={w:.4f}, h={h:.4f}")) if max(abs(cx - 0.5), abs(cy - 0.5)) > 0.52 or w > 1.02 or h > 1.02: issues.append((txt_path.name, line_no, f"归一化坐标疑似越界: {line}")) print(f"总框数: {total_boxes}") for cls_id in sorted(class_counter.keys()): print(f"类别 {int(cls_id)}: {class_counter[cls_id]} 个框") if issues: print(f"发现 {len(issues)} 个问题:") for name, line_no, desc in issues[:30]: print(f" {name}:{line_no} - {desc}") else: print("所有标签文件检查通过") return class_counter, issues if __name__ == "__main__": validate_labels(Path("labels"))这段脚本的核心逻辑是逐行解析五个字段，先检查字段数量是否等于5，再做float转换，最后做三类合法性判断：类别号是否在0到5之间、框宽高是否大于0、归一化坐标是否严重越界。第三类判断用了中心点偏离阈值和宽高上限，因为实际标注时偶尔会有轻微越界（比如框贴边超出0.5%），超过2%的越界基本就是标注失误了，这类样本要么退回重标，要么手动改掉。脚本跑完会输出每类的框数量和前30条问题记录，方便定位具体是哪个文件哪一行出错。
跑完这个脚本，你对这份数据集的健康状况就有底了。如果open和short占了过半的框，剩下四类每类只有几十个框，那训练策略就得往数据增强和类别平衡方向倾斜。
3. 基于YOLOv8的PCB缺陷检测实战：从训练到推理全流程
3.1 环境准备：ultralytics版本与显卡选型
训练这套数据集推荐直接用ultralytics库，YOLOv8和YOLO11都支持，接口一致。装环境这一步很简单但容易出幺蛾子，我习惯用Python 3.9以上的干净虚拟环境来装。执行下面的命令就能把推理和训练依赖一次装齐。
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple如果只是训练这个680张的小数据集，CPU也能跑，但一个epoch可能要几分钟到十几分钟，100个epoch下来很折磨。建议有NVIDIA显卡就装上CUDA版的PyTorch，显存6GB以上跑yolov8n和yolov8s都够。装完用下面命令确认GPU可用：
python -c "import torch; print(torch.cuda.is_available())"输出True说明CUDA环境没问题，输出False就先去装对应版本的PyTorch。注意PyTorch的CUDA版本要跟显卡驱动匹配，别上来就装最新版，老卡配新CUDA容易翻车。
3.2 数据集划分与data.yaml配置
数据集里的680张图，默认不会给你分好train/val/test。我的习惯是用脚本按8:1:1划分，划分前先pip install scikit-learn，用train_test_split做分层随机抽样，确保每个子集里六类框的比例跟全集接近。
import shutil from pathlib import Path from sklearn.model_selection import train_test_split base_dir = Path(".") images = sorted((base_dir / "images").glob("*.jpg")) train_imgs, val_imgs = train_test_split(images, test_size=0.2, random_state=42) val_imgs, test_imgs = train_test_split(val_imgs, test_size=0.5, random_state=42) for split in ["train", "val", "test"]: (base_dir / split / "images").mkdir(parents=True, exist_ok=True) (base_dir / split / "labels").mkdir(parents=True, exist_ok=True) def move_files(img_list, split): for img in img_list: label = base_dir / "labels" / (img.stem + ".txt") shutil.move(str(img), str(base_dir / split / "images")) shutil.move(str(label), str(base_dir / split / "labels")) move_files(train_imgs, "train") move_files(val_imgs, "val") move_files(test_imgs, "test")划分完了之后，项目目录结构就变成train/images、train/labels、val/...、test/...这样。random_state=42是为了让你的随机结果可复现，方便和别人对实验结论；如果你第一次划分后模型效果很差，换一个seed重新划分对比是个可行的调优思路。
接下来写data.yaml配置文件。注意路径建议写绝对路径，省的每次换机器都要改。文件内容如下：
path: /data/pcb_defect # 数据集根目录的绝对路径 train: train/images val: val/images test: test/images nc: 6 names: 0: open 1: short 2: mousebite 3: spur 4: copper 5: pin-holenc是类别总数6，names里的顺序必须和标签txt里的class_id严格对应。如果classes.txt的排序是另一回事，务必改data.yaml的映射，而不是去改几百个txt文件。
3.3 训练参数：为什么从yolov8n开始
很多新手一上来就选yolov8x，觉得模型越大约好，结果680张图训出来的效果甚至不如yolov8n。小数据集配大模型，模型参数远多于样本蕴含的信息量，妥妥过拟合。我的做法是以yolov8n.pt为起点，它只有约300万参数，训练速度快，还能加载COCO预训练权重做迁移学习。
yolo detect train \ data=pcb.yaml \ model=yolov8n.pt \ epochs=120 \ imgsz=640 \ batch=16 \ patience=20 \ lr0=0.005 \ save_dir=runs/pcb_train训练命令的参数解释如下：epochs=120给足迭代空间，配合patience=20让它在验证集连续20轮不涨时自动早停，省时间也防过拟合；imgsz=640是标准输入分辨率，PCB缺陷属于中小目标，这个尺寸够用；batch=16是显存限制下的保守值，6GB显存跑yolov8n毫无压力；lr0=0.005比默认的0.01低一半，小数据集用稍低学习率能避免前期震荡。
训练过程要盯着两个指标：训练loss和验证集mAP。loss稳步下降说明模型在拟合，mAP在验证集上逐步上升说明泛化在变好。如果train_loss降很快但val_mAP一直不动，就是过拟合信号，提前停或换更小的模型。训练结束后所有结果在runs/pcb_train/目录下，weights里同时有best.pt（验证集最优）和last.pt（最后一轮），实际用best.pt。
3.4 推理验证：单张图和批量测试
训练完用best.pt对测试集跑一轮推理，看看模型在没参与训练的数据上表现如何。
yolo detect predict \ model=runs/pcb_train/weights/best.pt \ source=test/images \ conf=0.35 \ iou=0.45 \ save=Trueconf=0.35是对应置信度阈值，低于这个值的检测结果会被过滤掉；iou=0.45是NMS去重阈值，同一位置多个重叠框时只保留分数最高的。这两个参数不是固定的，缺陷检测场景如果漏检多，就把conf调低到0.25；如果误检多，就调到0.5试。save=True会把标好框的图片存到runs/detect/predict/。
推理完一定要人眼看图，尤其是测试集里的每张图都翻一遍。YOLO的mAP是数值指标，但落在具体图片上可能有些框位置偏得离谱。我见过mAP挺高但所有pin-hole框都往右下偏移半个身位的情况，这种系统误差只能靠看图发现。
4. 避坑：680张小数据集最容易翻车的五个场景
4.1 类别不平衡：mAP好看，某一类全漏
现象：训练完看results.png里mAP@0.5有0.78，画面上挺好看，但翻开每类的PR曲线，mousebite的recall只有0.3，pin-hole甚至0.2都不到。原因：680张图里open和short占了将近一半框，而mousebite和pin-hole一共只有几十个框，模型把大部分容量花在了学大类特征上。解决：第一选择是补充小类样本，没有渠道的话就用增强硬顶。ultralytics里把copy_paste开大一点，数据loader会在线做随机复制粘贴增强，把小类目标复制到其他图上，等于变相扩充了小类样本量。训练完看confusion_matrix.png而不是只看results.png，能直观看出哪些类互相混。
4.2 标签坐标越界导致训练异常
现象：训练到中途突然报AssertionError或loss变成nan，而且报错每次出现在不同epoch。原因：标签txt里存在越界框，归一化坐标超过了0~1范围，比如手工标注时把框拖到了画布外面，存下来cx=1.12。dataloader在做目标匹配时遇到这种异常数据就崩了。解决：训练前先跑一遍2.3节的校验脚本，把越界报错的文件全部找出来。修复方案是把越界坐标clip到合法范围内，对每个框执行cx = min(max(cx, 0), 1)，注意clip完之后w和h可能超出边界，需要同步修正中心点。这种问题在买来的数据里不罕见，必须提前扫。
4.3 模型过拟合：train_loss掉得飞快，val不再涨
现象：train_loss大概第30轮就降到0.05，但val mAP卡在0.6左右再也上不去，后边甚至往下掉。原因：680张图的信息量有限，yolov8m以上规模的模型参数量远超过数据所能约束的范围，就开始背训练集细节。解决：先从yolov8n开始，这是我在小数据集上屡试不爽的起点；同时用早停，patience=20，防止在过拟合区间空跑。如果n模型mAP正常，再考虑按顺序试s、m，每换一个型号必须对比val指标，不是越大越好。
4.4 图像尺寸不一：模型稳定但检测飘忽
现象：训练过程loss正常，没有报错，但检测效果总是不稳定，同一块板子换个角度测就漏检。原因：数据集里混了不同分辨率的图片，有的640x640，有的1920x1080，训练时dataloader统一缩放到640后，小图上清晰的目标在大图上被严重压缩，特征丢失。解决：训练前把所有图片统一处理，推荐批量resize到640x640再启动训练，这一步顺便把标注的相对坐标验证一遍。做法是遍历images目录，用OpenCV的resize统一尺寸，标签不用动（归一化坐标天然适配resize）。
4.5 数据增强参数过猛：把PCB纹理都改了
现象：训练loss收敛得漂亮，但实际拍的新板子检测效果差一截。原因：增强参数设置太激进，hsv_h=0.5把铜面的色调随机改得面目全非，mosaic=1.0把四张图拼在一起时缺陷框被裁掉或缩小。PCB缺陷检测场景和自然图像不同，铜面颜色和纹理是检测的重要线索，过度增强会把特征抹掉。解决：把hsv增强调低，hsv_h=0.01、hsv_s=0.3左右，mosaic降到0.5到0.6，开启close_mosaic=10让最后10轮训练不用mosaic，用完整图像做精调。这套参数在PCB铜面缺陷上比默认增强稳得多。
5. 把680张图用出性价比：迁移学习半冻结与验证习惯
5.1 半冻结训练：先训head，再全量微调
小数据集从头训YOLO风险太大，但直接全量微调预训练权重也不是最优。我会先冻结backbone，只更新检测头跑30轮，等loss降到平稳区域，再解冻全部层用更低学习率微调。这个策略在ultralytics里通过代码控制比较方便，它在训练小数据集时能把过拟合风险压到很低的水平。我一般在跑这个PCB数据集时会单独做一组对比：半冻结策略和直接全量训练，后者val mAP通常低3到5个点。
5.2 增强参数的定量参照
给一组经过验证的参数参考，适合PCB铜面缺陷这类小目标场景：hsv_h=0.01、hsv_s=0.2、hsv_v=0.2、degrees=15、scale=0.3、mosaic=0.5、copy_paste=0.3、close_mosaic=10。这套参数主要是保住PCB板原始的铜面和纹理特征，同时通过mosaic和copy_paste补足小类样本。旋转角度控制在15度以内是因为PCB走线有强方向性，转过90度后"断路"和"短路"的特征语义会发生混淆，训练出来的模型更容易误判。
5.3 验证时的三个习惯
我跑完一轮训练不会直接下结论。第一，打开results.png和confusion_matrix.png，对比每一类的PR和误判方向；第二，从测试集里挑一个batch的推理结果图，用肉眼确认框的位置和尺寸是否贴合缺陷轮廓；第三，单独统计每一类的mAP而不是只看整体平均——整体mAP被大类拉高之后，小类缺陷的漏检问题很容易被掩盖。这个习惯是吃过亏才养成的。有一次我训练完看到mAP有0.76就兴冲冲上线实测，结果pin-hole一个都没抓住，返工了大半天才意识到单类指标才是关键。从那以后我每次跑完PCB缺陷检测训练，都强制走一遍"校验脚本、单类PR曲线、肉眼抽查推理图"的流程，一步都不省。希望帮到你。
本文还有配套的精品资源，点击获取
