简介：这份资源面向从事目标检测算法学习与工业质检应用开发的读者，提供一套按YOLOv5目录格式整理的香烟破损检测数据集，可直接投入训练，省去格式转换与标注清洗环节。数据聚焦香烟表面缺陷识别，共划分6个类别，涵盖头部破损、滤嘴破损等典型瑕疵，适合作为缺陷检测练手项目或算法对比实验的基准数据。压缩包共803个文件，以401个txt标注文件、401张jpeg图像和1个可视化py脚本为主，整体约388MB；其中训练集含320张图片及对应标签，验证集含80张图片及对应标签，图像为3024×4032大尺度RGB实拍图，细节丰富。配套脚本随机传入一张图片即可绘制边界框并保存到当前目录，无需修改即可运行，便于快速核验标注质量。目前已有139人学习下载，适合需要现成香烟破损检测数据、希望快速验证模型效果的目标检测学习者与工程人员。
1. 香烟破损检测数据集：6 类缺陷、YOLOV5 目录格式，拿到手怎么用
香烟包装表面的破损检测，在产线质检里是个很典型的细粒度目标检测问题。烟盒在高速传送带上跑，表面可能出现拉线断裂、盒角压溃、烫金磨损、透明膜褶皱、条码污损、内衬纸外露这几类缺陷，每一类的尺度、对比度、纹理都不一样。你如果打算用 YOLOV5 训练自己的数据集做这件事，第一个卡点往往不是模型结构，而是数据：标注格式对不对、类别定义清不清楚、训练集和验证集怎么切、目录结构能不能直接被train.py吃进去。
这个数据集标题里给的信息很明确——YOLOV5 目录格式、6 类别、包含训练集和验证集。它解决的是「从零标注一批香烟破损图片」这个最耗时的环节，让你把精力放在超参调优和部署上。适合两类人：一是做工业质检落地、需要快速验证 YOLOV5 在自己场景可行性的工程师；二是刚接触目标检测、想拿一个真实缺陷数据集跑通完整训练流程的人。下面我按「目录长什么样 → 怎么接进训练 → 参数怎么设 → 哪里会翻车」的顺序讲清楚。
2. YOLOV5 目录格式拆解：6 类香烟缺陷的标注文件到底长什么样
2.1 目录树与 images/labels 的对应关系
YOLOV5 官方推荐的目录结构是images和labels平行放置，训练集和验证集各自成对。香烟破损检测数据集如果按标准组织，展开后大致是这样：
cigarette_defect/ ├── images/ │ ├── train/ # 训练集图片，jpg/png │ │ ├── 0001.jpg │ │ └── ... │ └── val/ # 验证集图片 │ ├── 1001.jpg │ └── ... ├── labels/ │ ├── train/ # 与 train 图片同名的 txt │ │ ├── 0001.txt │ │ └── ... │ └── val/ │ ├── 1001.txt │ └── ... └── data.yaml # 数据集配置文件关键约束只有一条：labels/train/0001.txt必须和images/train/0001.jpg同名，只换扩展名。YOLOV5 的dataset.py在加载时会用图片路径反推标签路径，名字对不上就直接跳过这张图，而且默认不报错——这是新手最容易踩的静默失败。我一般拿到数据集先跑一遍文件名比对，确认没有孤儿图片或孤儿标签。
2.2 标注行格式：class x_center y_center width height
每个 txt 文件里，一行代表一个目标框，6 类别对应 class id 0 到 5。格式是归一化后的中心点坐标和宽高：
2 0.512 0.437 0.186 0.224 5 0.301 0.688 0.092 0.115第一列是类别索引，后四列全部除以图片的宽和高，落在 0 到 1 之间。这里有两个高频错误：一是有人直接写像素坐标，训练时 loss 会异常大甚至 NaN；二是 x_center 和 y_center 写反，模型学出来的框会整体偏移。香烟破损这类缺陷框通常偏小，宽高归一化后常在 0.05 到 0.3 之间，如果发现某类框普遍大于 0.5，基本可以判定标注时框选范围出了问题。
2.3 data.yaml 的六个类别名与路径配置
data.yaml是训练入口的配置核心，内容大致如下：
# 香烟破损检测数据集配置 path: ./cigarette_defect # 数据集根目录 train: images/train # 相对 path 的训练图片目录 val: images/val # 相对 path 的验证图片目录 nc: 6 # 类别数量，必须与 names 长度一致 names: 0: tear # 拉线断裂 1: corner_crush # 盒角压溃 2: gold_wear # 烫金磨损 3: film_wrinkle # 透明膜褶皱 4: barcode_stain # 条码污损 5: liner_expose # 内衬纸外露nc和names长度不一致时，YOLOV5 会在构建检测头时报维度错误。类别名建议用英文小写下划线，避免中文和空格，否则在部分版本的日志输出和可视化里会乱码。类别顺序一旦确定就不要改，因为标注文件里的 class id 是按这个顺序写的，改了顺序等于把所有标签打乱。
2.4 用脚本校验数据集完整性
拿到数据集后，我习惯先跑一段校验脚本，把类别分布、框尺寸分布、文件名匹配情况一次性看清楚：
import os from pathlib import Path from collections import Counter root = Path("./cigarette_defect") for split in ["train", "val"]: img_dir = root / "images" / split lbl_dir = root / "labels" / split imgs = {p.stem for p in img_dir.glob("*") if p.suffix.lower() in (".jpg", ".png")} lbls = {p.stem for p in lbl_dir.glob("*.txt")} # 找出有图无标签、有标签无图的情况 print(f"[{split}] 图片 {len(imgs)} 张, 标签 {len(lbls)} 个") print(f" 缺标签的图片: {len(imgs - lbls)}") print(f" 缺图片的标签: {len(lbls - imgs)}") cls_counter = Counter() box_areas = [] for lbl in lbl_dir.glob("*.txt"): for line in lbl.read_text().strip().splitlines(): parts = line.split() if len(parts) != 5: print(f" 格式异常: {lbl.name} -> {line}") continue c, x, y, w, h = int(parts[0]), *map(float, parts[1:]) cls_counter[c] += 1 box_areas.append(w * h) print(f" 类别分布: {dict(sorted(cls_counter.items()))}") if box_areas: print(f" 框面积 min/mean/max: {min(box_areas):.4f}/" f"{sum(box_areas)/len(box_areas):.4f}/{max(box_areas):.4f}")这段脚本做三件事：比对图片和标签的文件名集合，暴露孤儿文件；统计每个类别的框数量，判断是否存在严重类别不平衡；统计归一化框面积，判断标注尺度是否合理。参数上，root指向数据集根目录，split列表按实际存在的划分调整。如果某个类别在训练集里只有个位数样本，训练时几乎学不到，需要补样本或做增强。
3. 把数据集接进 YOLOV5 训练：从环境到首轮跑通的完整命令
3.1 环境配置与依赖版本选择
YOLOV5 对 PyTorch 和 CUDA 版本比较敏感，我一般用 conda 建独立环境，避免和系统里的其他项目打架：
conda create -n yolo5 python=3.9 -y conda activate yolo5 # 按本机 CUDA 版本装 PyTorch，这里以 CUDA 11.8 为例 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 克隆 YOLOV5 仓库后安装依赖 git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txtPython 选 3.9 是因为它在 YOLOV5 各版本上兼容性最稳。PyTorch 版本要和显卡驱动匹配，装完用python -c "import torch; print(torch.cuda.is_available())"验证，返回 True 才算通。requirements 里的依赖不要随意升级，尤其是 numpy 和 opencv，版本跳太多容易在数据加载阶段报奇怪的错。
3.2 用 train.py 跑通第一轮训练
数据集和代码就位后，第一轮训练不要急着调参，先用小 epoch 确认整条链路能跑通：
python train.py \ --data ./cigarette_defect/data.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 100 \ --device 0 \ --project runs/train \ --name cigarette_v1--data指向刚才的 yaml；--weights用官方预训练权重做迁移学习，香烟缺陷样本通常几千张以内，从头训收敛慢且容易过拟合；--img 640是输入分辨率，缺陷框偏小时可以提到 960 或 1280，但显存占用会明显上升；--batch 16在 8G 显存上跑 640 分辨率比较稳，显存不够就降到 8 并配合--accumulate做梯度累积。第一轮建议--epochs 10先看 loss 曲线和验证指标是否正常下降，确认没问题再拉长。
3.3 训练日志里该盯哪几个指标
训练启动后，控制台和runs/train/cigarette_v1/下会输出大量信息，重点看四个：
| 指标 | 含义 | 异常信号 |
|---|---|---|
| box_loss | 边界框回归损失 | 持续不降，检查标注坐标是否归一化 |
| cls_loss | 分类损失 | 震荡剧烈，可能学习率偏高或类别不平衡 |
| mAP@0.5 | IoU 0.5 下的平均精度 | 长期低于 0.3，数据或标注有问题 |
| precision/recall | 查准率/查全率 | recall 极低，模型漏检严重 |
香烟破损检测里，烫金磨损和透明膜褶皱这两类对比度低、边界模糊，mAP 通常比其他类低一截，这是数据本身的难度，不一定是训练出问题。如果所有类别 mAP 都上不去，优先回头查标注，而不是加 epoch。
3.4 验证集评估与推理可视化
训练结束后用val.py做一次完整评估，再用detect.py看实际效果：
# 在验证集上评估，输出每类 AP python val.py --data ./cigarette_defect/data.yaml \ --weights runs/train/cigarette_v1/weights/best.pt \ --img 640 --task val # 对单张图或整个目录做推理，保存可视化结果 python detect.py --weights runs/train/cigarette_v1/weights/best.pt \ --source ./cigarette_defect/images/val \ --img 640 --conf 0.25 --save-txt--conf 0.25是置信度阈值，产线场景如果漏检代价高，可以降到 0.15 换更高 recall，代价是误检增多。--save-txt会把预测框按 YOLO 格式存下来，方便和真值做对比分析。我一般会挑几张误检和漏检的图单独看，判断是标注问题还是模型能力问题。
4. 香烟破损检测的调参与增强：6 类小目标怎么提 mAP
4.1 针对小缺陷框的输入分辨率与 anchor 调整
香烟破损的缺陷框普遍偏小，640 分辨率下有些框只有十几个像素，特征图到 P3 层已经很难保留细节。两个方向：一是把--img提到 960 或 1280，让缺陷占据更多像素；二是检查 anchor 是否匹配。YOLOV5 默认 anchor 是基于 COCO 聚类的，对香烟这种小框未必最优，可以用train.py里的--noautoanchor关闭自动锚框，再手动跑 k-means 聚类：
# 用数据集真值框重新聚类 anchor，输出 9 组建议值 python utils/autoanchor.py --data ./cigarette_defect/data.yaml --img 960聚类结果里偏小的那几组 anchor 如果和默认值差距大，就手动写进模型配置。分辨率提升后 batch 要相应减小，否则显存直接爆。
4.2 数据增强参数的取舍：mosaic 与 mixup 的边界
YOLOV5 默认开启 mosaic 增强，把四张图拼成一张，对小目标检测帮助明显。但香烟破损场景有个坑：mosaic 拼接后，不同烟盒的缺陷可能被拼到同一张图里，模型会学到一些不真实的上下文关系。如果验证集 mAP 波动大，可以调低 mosaic 概率：
# 在 hyp 配置文件里调整增强强度 mosaic: 0.5 # 默认 1.0，降到 0.5 减少拼接 mixup: 0.0 # 香烟缺陷不建议开 mixup，容易产生不合理叠加 copy_paste: 0.1 # 小目标复制粘贴增强，适度开启 degrees: 5.0 # 旋转角度，产线烟盒方向固定可调小 hsv_h: 0.015 # 色调扰动，烫金类缺陷对颜色敏感，别调太大hsv_h对烫金磨损这类靠颜色区分的缺陷影响很大，调太大会让模型把正常烫金误判成磨损。我一般把色调扰动控制在 0.015 以内，饱和度和亮度扰动可以稍大。
4.3 类别不平衡时的损失权重与采样策略
6 类缺陷在真实数据里分布往往不均，拉线断裂可能几百个框，内衬纸外露只有几十个。直接训练会让模型偏向多数类。处理方式有三种：一是对少数类做离线过采样，复制图片并配合增强；二是在hyp里调cls损失权重；三是用--balance类的采样策略（部分 YOLOV5 分支支持）。最稳妥的还是补数据，过采样容易让少数类过拟合。判断是否不平衡，看第 2 章校验脚本输出的类别分布，如果最多和最少差 10 倍以上，就得处理。
4.4 学习率与 warmup 的设置经验
YOLOV5 默认用余弦退火加 warmup，--lr0是初始学习率，--lrf是最终学习率比例。香烟破损数据集规模通常不大，lr0设 0.01 容易震荡，我一般降到 0.005 到 0.008。warmup 的 epoch 数保持默认 3 即可，太少会让前期 loss 爆掉。如果训练曲线前期剧烈抖动，先降lr0，再考虑加--warmup_epochs。
5. 避坑与排查：香烟破损数据集训练中最容易翻车的 5 个点
5.1 现象：训练启动即报「No labels found」
原因：data.yaml里的train/val路径写错，或者 labels 目录名不是labels。YOLOV5 会按images替换成labels去找，路径里带多余层级就找不到。
解决：用绝对路径先排除相对路径歧义，确认images/train同级存在labels/train，且 txt 文件名和图片名完全一致（包括大小写）。
5.2 现象：loss 正常下降但 mAP 始终接近 0
原因：标注坐标没归一化，或者 x_center/y_center 写反。loss 能降是因为模型在拟合错误的坐标分布，但预测框和真值框 IoU 极低。
解决：抽查几个 txt，确认后四列都在 0 到 1 之间；用第 2 章的校验脚本看框面积分布，如果普遍大于 1 就是没归一化。
5.3 现象：某一类缺陷完全检测不到
原因：该类样本太少，或者该类标注的 class id 和data.yaml里的 names 顺序对不上。
解决：先看类别分布统计，确认该类框数量；再核对标注文件里该类的 id 是否和 yaml 一致。顺序错位是高频问题，尤其是多人协作标注时。
5.4 现象：验证集 mAP 高但实际推理漏检严重
原因：训练集和验证集图片来自同一批次、同一光照条件，验证集不能代表真实分布。或者验证集里缺陷样本和训练集高度相似，存在数据泄漏。
解决：按时间、批次或光照条件划分训练验证集，确保验证集覆盖真实场景的多样性。如果数据集本身划分固定，至少人工检查验证集图片是否和训练集有明显重复。
5.5 现象：显存溢出（CUDA out of memory）
原因：--img或--batch设太大，或者 mosaic 增强在内存里拼图时占用翻倍。
解决：优先降 batch，再考虑降 img；也可以用--accumulate用小 batch 模拟大 batch。如果只是偶尔溢出，检查是否有其他进程占用显存。
6. 从能跑到好用：香烟破损检测的推理阈值与部署前验证技巧
训练出 best.pt 只是第一步，真正上线前还有几件事要做。第一是确定推理阈值。产线质检对漏检和误检的容忍度不同，如果漏检一个破损烟盒的代价远高于误检，就把--conf降到 0.15 甚至 0.1，同时用--iou控制 NMS 的合并强度，避免同一缺陷出多个框。我一般会在验证集上画一条 precision-recall 曲线，找到 recall 0.95 对应的 conf 值作为上线阈值，而不是拍脑袋定 0.25。
第二是验证模型对输入尺寸的鲁棒性。训练用 640，推理如果也用 640 最稳，但产线相机分辨率可能更高。直接放大输入会让小缺陷变大、可能提 recall，但也可能因为尺度不匹配掉点。稳妥做法是训练和推理用同一 img 尺寸，或者用--img多尺度测试，看哪个尺寸在验证集上综合指标最好。
第三是导出和速度验证。YOLOV5 支持导出 ONNX、TensorRT 等格式，导出后用val.py再跑一遍，确认精度没有明显掉点。香烟产线节拍快，推理延迟要卡在预算内，TensorRT FP16 通常能比 PyTorch 快 2 到 3 倍，但要注意 FP16 对烫金磨损这类低对比度缺陷可能有精度损失，导出后必须重新评估。
# 导出 ONNX 并做一次精度复核 python export.py --weights runs/train/cigarette_v1/weights/best.pt \ --include onnx --img 640 --dynamic # 用导出的模型在验证集上复核 mAP python val.py --data ./cigarette_defect/data.yaml \ --weights runs/train/cigarette_v1/weights/best.onnx \ --img 640 --task val最后说个我自己的习惯：每次换数据集版本或改标注，都重新跑一遍第 2 章的校验脚本，把类别分布和框尺寸分布存成快照。香烟破损检测这类项目，模型结构基本不用动，真正决定效果的是数据质量和标注一致性。我踩过最深的坑就是改了一批标注后没重新校验，训练了两天才发现某类 id 整体错位，白跑。希望帮到你。
本文还有配套的精品资源，点击获取
