简介：这套流水线皮带传送带异物检测数据集面向工业视觉质检与目标检测入门及进阶开发者，提供Pascal VOC和YOLO双格式标注，专门服务流水线场景下 anomaly 单类别异物识别模型的训练与验证。资源共332个文件，压缩包约17.76MB，包含110张jpg原图、110份VOC格式xml标注，以及112个txt文本（含YOLO标签及相关配置）。全部标注经由labelImg以矩形框完成，类别统一为anomaly，整个数据集共191个异物框，标注规则明确、格式可直接加载，免去自行转换格式与重新标注的麻烦。目前已有391人学习下载，适合需要快速获取带精确标注目标检测数据集、验证异物检测算法效果的开发者使用，也可作为工业质检类项目的实验数据支撑。
1. 从“110张”说起：单类别异物检测为什么先拿这个数据集打样
为了一条旧皮带线，我抽帧、标注、清洗数据折腾了一星期，最终能跑通流程的，反而是这份110张图的VOC+YOLO双格式数据包。110张图对目标检测项目来说看起来寒酸，但“传送带找异物”是单类别小目标问题，数据量需求本来就不高。换来的是省掉标注和格式转换的重复劳动，解压后直接进YOLO训练脚本，快速验证算法选型与部署方案。VOC格式方便人读和二次编辑，YOLO格式让模型直接消费，两套标注还能互相校验。它适合两类人：被现场工期和标注成本卡住的视觉工程师，以及刚入门yolo、想拿真实工业样本练手的学习者。
2. VOC与YOLO两套标注格式：目录结构、坐标体系与转换脚本
拿到这类“VOC+YOLO格式”的压缩包，第一步不是急着训练，而是先摸清两套标注的关系。VOC格式是XML，每张图配一个同名XML文件，坐标是(xmin, ymin, xmax, ymax)这种绝对像素值，看着直观，也方便在LabelImg里继续编辑。YOLO格式则是每张图配一个同名TXT，每行写 class_id cx cy w h，中心点坐标和宽高都做了0到1的归一化，训练脚本直接读取。常见的数据包会把JPEG图放在images目录，XML或TXT放在对应的标注目录，少数包还会带一个classes.txt列出全部类别名。
动手前先确认文件名完全一致，JPEG的主文件名和标注文件名必须严格同名。YOLO训练是按图像路径推断标签路径的，命名差一个字符，那张图就被当成无目标的负样本跳过。110张图里丢十几张，训练集的多样性立刻缩水，后面调什么参数都补不回来。
2.1 两种格式的核心差异：xml里的是绝对坐标，txt里的是归一化中心坐标
VOC和YOLO不只是文件格式不同，坐标体系也完全不同，直接决定了转换逻辑。
| 维度 | VOC/XML | YOLO/TXT |
|---|---|---|
| 文件结构 | 属性树，含object、bndbox等节点 | 纯文本，每行一条目标 |
| 坐标表达 | xmin、ymin、xmax、ymax（像素值） | cx、cy、w、h（0~1归一化） |
| 类别表达 | name字符串，如foreign_object | 从0开始的整数class_id |
| 多条目标 | 多个object节点并列 | 每行一条，行数即目标数 |
这个差异带来一个容易忽略的事实：不管你VOC里把异物类名写成“foreign_object”“scrap”还是“waste”，转成YOLO之后它都是0。单类别数据集里所有目标共享同一个id，类名只活在人类阅读层，模型根本不看字符串。后续训练和部署时，names顺序一旦变动，class_id对不上号，模型输出就全乱了，我在第5章会单独展开这个翻车点。
2.2 从VOC到YOLO的批量转换：一个能直接跑的Python脚本
有些数据包只给VOC标注，需要自己转成YOLO，常见做法是写一个遍历XML的脚本。我一般不会去修改原始XML，而是转换成独立的TXT目录，保留一手数据，后悔药得留着。
import os import glob import xml.etree.ElementTree as ET def voc_to_yolo(xml_path: str, txt_path: str, class_map: dict) -> bool: """把单个VOC xml转成YOLO txt。class_map是{类名: id}的映射""" tree = ET.parse(xml_path) root = tree.getroot() size = root.find('size') img_w = float(size.find('width').text) img_h = float(size.find('height').text) if img_w == 0 or img_h == 0: return False lines = [] for obj in root.iter('object'): name = obj.find('name').text if name not in class_map: print(f'[warn] 未注册的类名: {name}, 跳过 {xml_path}') continue cls_id = class_map[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) # 归一化后夹紧到[0,1]，防止浮点误差把框推出图像 cx = min(1.0, max(0.0, (xmin + xmax) / 2.0 / img_w)) cy = min(1.0, max(0.0, (ymin + ymax) / 2.0 / img_h)) w = min(1.0, max(0.0, (xmax - xmin) / img_w)) h = min(1.0, max(0.0, (ymax - ymin) / img_h)) lines.append(f"{cls_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}") if lines: with open(txt_path, 'w', encoding='utf-8') as f: f.write('\n'.join(lines) + '\n') return bool(lines) if __name__ == '__main__': class_map = {'foreign_object': 0} # 按数据集真实类名调整 xml_dir = 'Annotations' txt_dir = 'labels' os.makedirs(txt_dir, exist_ok=True) for xml_file in glob.glob(os.path.join(xml_dir, '*.xml')): base = os.path.basename(xml_file).replace('.xml', '.txt') if voc_to_yolo(xml_file, os.path.join(txt_dir, base), class_map): print('转换完成:', xml_file)这段脚本的核心在归一化和夹紧。坐标计算一定用float完成，并且保留6位小数。1个像素的误差在当前640输入下大约只有千分之一的归一化偏差，在精度上不是大问题，真正的坑是有人为了省事把归一化结果乘回整数再round，或者直接整除图片宽高，小目标框就漂移了。夹紧那句min/max很多人会漏掉，XML里如果出现xmax比图宽还大的脏数据，不做边界处理，后续loss直接异常。
转换完成后，抽几张图把TXT里解析出的坐标画回去看看。不要信任批量转换结果，可视化检查这一步不能省。花两分钟用OpenCV把框画出来，标错一目了然。
2.3 解压后的文件清单：images、labels与data.yaml的关系
一个能直接训练的数据包，解压后最常见的结构是images目录放图片、labels目录放同名TXT、外加一个data.yaml负责把两个目录串起来。我一般会先整理出这样一份清单：
| 路径/文件 | 作用与要求 |
|---|---|
| images/ | 全部JPEG原图，文件名与标注完全同名 |
| labels/ | 全部YOLO格式TXT，每行一个异物框 |
| classes.txt | 纯文本，每行一个类名，顺序即class_id |
| data.yaml | 告诉YOLO训练器去哪里找图和标签 |
data.yaml是最容易被忽略的一环。单类别场景我通常写：
path: ./ train: images val: images nc: 1 names: 0: foreign_object注意：train和val都指向同一个images目录，这在快速试跑时可以，但指标会虚高，真正评估必须切分。这个写法只适合“确认代码能不能跑通”，不适合拿去判断模型好坏。正确做法是生成train.txt和val.txt后，让data.yaml的train和val指向这两个清单文件，训练器会按清单逐行读图。切分的具体脚本我在下一章给。
3. 用YOLOv8在110张样本上把异物检测跑起来：切分、训练与参数
格式理清之后，下一步是把训练流程跑通。对这个工业场景，我一般先选YOLOv8而不是Faster R-CNN或SSD。不是因为它最新，而是单类别异物检测要的是实时性、部署链路短、参数好调，这三点YOLOv8都占了，而且社区里yolo数据集的处理工具最全，遇到问题能搜到大量现成方案。
3.1 为什么先选YOLOv8而不是Faster R-CNN或SSD
传送带皮带线普遍以每秒0.5米到1米的速度运行，检测系统需要25帧以上的处理能力才能在目标移出视野前完成报警。Faster R-CNN的两阶段检测精度上限高，但在工控机上跑不到这样的帧率；SSD虽然快，但对小目标的召回率在低光照场景下明显弱。YOLOv8用anchor-free结构，在小目标回归上比前代更稳，训练和部署都走ultralytics一条链路，从数据集到onnx再到TensorRT，每一步都有现成命令。
用预训练权重做迁移学习，110张图片足够把异物这个类别的特征“叠加”到已有特征空间里。yolo入门阶段最容易犯的错误是拿随机初始化的权重从零训，小样本下loss很难收敛；正确姿势是下载yolov8s.pt，在它的基础上微调。
3.2 按8:2切分train/val：固定随机种子只是起步
110张图全部丢进去训练是能收敛，但你没法知道模型是不是过拟合，更没法判断现场效果。切出一个验证集是负责任的做法。90张训练、20张验证是常见比例，但切分方式比比例更重要。
import os import random image_dir = 'images' label_dir = 'labels' random.seed(42) images = sorted( [f for f in os.listdir(image_dir) if f.lower().endswith(('.jpg', '.jpeg', '.png'))] ) random.shuffle(images) train_imgs = images[:90] val_imgs = images[90:] def write_list(path, imgs): with open(path, 'w', encoding='utf-8') as f: for name in imgs: # 写绝对路径，避免训练器在不同工作目录下崩溃 f.write(os.path.join(os.path.abspath(image_dir), name) + '\n') write_list('train.txt', train_imgs) write_list('val.txt', val_imgs) # 检查标签是否成对存在 for name in images: label_file = os.path.join(label_dir, os.path.splitext(name)[0] + '.txt') assert os.path.exists(label_file), f'标签缺失: {label_file}' print(f'train: {len(train_imgs)}, val: {len(val_imgs)}')这里固定随机种子保证了每次切分结果一致，便于复现对比实验。写绝对路径是个实用细节，尤其是后续把项目目录移到别的机器上，相对路径经常让训练器在测试阶段找不到图。标签成对检查必须放进去，110张图里如果有一张没有TXT，YOLO会把它当成负样本悄悄跳过，你很难从训练日志里发现。
切分的随机性藏着更大的问题：如果110张图是从同一段视频里连续抽帧来的，随机切分会让同一皮带区的相邻帧同时落进训练集和验证集，模型背住了场景而不是学会找异物。一个更可靠的做法是按拍摄时间或皮带区段切分，比如前段视频的帧做训练、后段做验证，或者从三段不同光照条件里各取一部分。数据包本身不保证现场分布均衡，切分时要自己留意帧与帧之间的相似度。
3.3 训练命令与关键超参数：epochs、batch、imgsz、patience
训练用ultralytics的命令行即可，先把data.yaml写好：
path: ./ train: train.txt val: val.txt nc: 1 names: 0: foreign_object然后执行：
yolo train \ model=yolov8s.pt \ data=data.yaml \ epochs=100 \ imgsz=640 \ batch=16 \ patience=20 \ project=runs/detect \ name=conveyor几个参数按现场情况改：
| 参数 | 推荐值 | 说明 |
|---|---|---|
| epochs | 100 | 小样本配合早停，不需要跑满300轮 |
| batch | 16 | 根据显存调整，显存不足降到8或4 |
| imgsz | 640 | 原图分辨率更高时让模型缩放处理 |
| patience | 20 | 验证集连续20轮无提升就停 |
| freeze | 10 | 前期冻结backbone，防止小数据破坏预训练特征 |
训练中最值得盯的是yolo损失函数曲线。train/box_loss持续下降而val/box_loss掉头向上，就是过拟合信号，说明模型把训练帧的背景纹理当成了特征。如果val/box_loss波动剧烈完全不降，先怀疑学习率，其次怀疑标签坐标转换出了问题，优先回到第2章的脚本重新审查TXT。
训练结束后，用best.pt做一次推理检查：
yolo predict \ model=runs/detect/conveyor/weights/best.pt \ source=test_01.jpg \ conf=0.25conf的默认0.25在异物检测里偏低，会把皮带纹理的轻微变化当成目标。如果现场误报多，调到0.4以上；如果漏报多，降到0.15以下。这个阈值直接影响现场的报警频次，需要和产线一起试跑再定。
4. 110张数据不够怎么办：增强、迁移学习与小样本训练的三种补法
110张图能跑通，但距离稳定上线还有差距。异物在传送带上出现的位置、角度、光照都不固定，小样本模型的泛化能力要靠数据增强和迁移学习补足。增强有两个方向：训练时在线做，以及提前离线生成新样本。两者解决的问题不一样，最好是都做，但克制地做。
4.1 在线增强优先：开自带的mosaic、HSV与翻转
ultralytics默认开了不少在线增强，通过命令行参数覆盖最方便。我会在不改变目标语义的前提下，把光照扰动和翻转加大：
yolo train \ model=yolov8s.pt \ data=data.yaml \ epochs=100 \ imgsz=640 \ batch=16 \ patience=20 \ hsv_h=0.015 \ hsv_s=0.7 \ hsv_v=0.5 \ fliplr=0.5 \ translate=0.1 \ scale=0.5hsv_h/hsv_s/hsv_v三项模拟不同光源下的色偏和亮度变化，传送带车间最常见的灯管频闪和暖光冷光切换，靠这三项就能覆盖一部分。fliplr水平翻转对皮带线有意义，异物从左右哪个方向过来并不影响判定。translate平移和scale缩放能模拟异物在画面中不同位置、不同距离的情况。
是否需要开mosaic要看具体场景：mosaic把四张图拼在一起，对小目标检测通常有帮助，但传送带背景纹理相对均匀，异物本身又小，四张图混叠可能让模型更难学“异物”这个概念的边界。我一般在第一轮实验不开，确认baseline之后再对比开mosaic的效果。在线增强的好处是无磁盘占用、每轮迭代看到的图都不同，缺点是没法人工检查增强后的结果，所以离线增强用来补充在线增强覆盖不到的情况。
4.2 离线增强：亮度扰动与水平翻转的样本生成脚本
现场如果有明显的光照跳变或皮带反光，我会离线生成一批增强样本，确保模型至少在训练样本里见过这类变化。生成新样本的同时必须同步生成新TXT，这是离线增强最容易出错的地方，坐标随图片变换后要跟着换算。
import cv2 import os import glob import numpy as np image_dir = 'images' label_dir = 'labels' out_img_dir = 'images_aug' out_label_dir = 'labels_aug' os.makedirs(out_img_dir, exist_ok=True) os.makedirs(out_label_dir, exist_ok=True) def augment_image(img, label_lines): h, w = img.shape[:2] # 1. 随机亮度扰动，模拟不同光照 factor = np.random.uniform(0.7, 1.3) hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) hsv[:, :, 2] = np.clip(hsv[:, :, 2] * factor, 0, 255) img = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR) # 2. 高斯噪声，模拟低照度下的传感器噪声 noise = np.random.normal(0, 3, img.shape).astype(np.int16) img = np.clip(img.astype(np.int16) + noise, 0, 255).astype(np.uint8) # 3. 水平翻转，概率0.5，注意归一化cx要变为 1 - cx if np.random.rand() < 0.5: img = img[:, ::-1].copy() flipped_lines = [] for line in label_lines: parts = line.strip().split() cls_id, cx, cy, w, h = parts cx = 1.0 - float(cx) flipped_lines.append(f"{cls_id} {cx:.6f} {cy} {w} {h}\n") label_lines = flipped_lines return img, label_lines for img_path in glob.glob(os.path.join(image_dir, '*.jpg')): base = os.path.basename(img_path) img = cv2.imread(img_path) if img is None: continue label_path = os.path.join(label_dir, os.path.splitext(base)[0] + '.txt') with open(label_path, encoding='utf-8') as f: label_lines = f.readlines() for i in range(3): # 每张原图生成3张增强图 aug_img, aug_labels = augment_image(img, label_lines) aug_name = base.replace('.jpg', f'_aug{i}.jpg') cv2.imwrite(os.path.join(out_img_dir, aug_name), aug_img) aug_txt = aug_name.replace('.jpg', '.txt') with open(os.path.join(out_label_dir, aug_txt), 'w', encoding='utf-8') as f: f.writelines(aug_labels) print('离线增强完成')注意翻转后只有cx需要变成1 - cx，cy、w、h都不变，因为水平翻转不影响垂直方向和物体宽高。这是一个很隐蔽又很基础的坑，坐标算错一个，增强样本越多，模型学得越偏。生成之后把图片和框可视化检查一遍，确认增强后框还在目标上，再放进训练目录。
不要做随意的旋转和裁剪增强。异物在皮带上是平躺的，常见角度变化有限，大角度旋转会造出现场根本不存在的姿态。裁剪类增强更危险，改变了异物相对传送带的尺寸比例，检测器会把比例当特征。小样本问题的增强原则是“贴近现场可能的变体”，不是把数据量做上去就完事。
4.3 迁移学习的关键一招：冻结backbone先训头
在线增强和离线增强都做了，110张图最能见效的兜底手段其实是迁移学习。YOLOv8的官方预训练权重在COCO上学到了丰富的纹理和边缘特征，这些底层特征对异物识别同样有效。直接全量微调，小样本很容易把预训练的特征空间冲垮，最常见翻车现象是训练集loss低、验证集mAP低。
冻结backbone训练的做法是：
yolo train \ model=yolov8s.pt \ data=data.yaml \ epochs=50 \ imgsz=640 \ batch=16 \ freeze=10 \ patience=10freeze=10表示冻结前10层，让梯度只更新检测头部分。这样模型先学习“异物这个类别在我的数据里长什么样”，不破坏底层已经学好的边缘和纹理特征。跑完50轮后，再不带freeze参数解冻整个网络微调20轮左右，让backbone适应传送带的真实光照和皮带纹理。
两阶段训练的关键是先看第一阶段的val loss是否下降到稳定值，再决定要不要解冻。如果第一阶段就波动很大，多半是标签里有脏数据，不是训练策略的问题，优先回头检查标注。小样本训练里，数据质量永远是第一位的，训练策略只能缓解问题，不能填坑。
5. 传送带异物检测的常见问题排查：反光误检、运动模糊、切分和标注退化的5个坑
到这章写的全是血泪经验换来的排查记录。每条都是实际项目中遇到过的现象、原因和解决路径。如果你训练的模型在现场表现不如验证集，按这个顺序排查基本能定位到根因。
5.1 金属反光被识别成异物：漏标注伪样本的代价
现象：模型在皮带侧面的金属护板上频繁出框，把一片高光反光判断成异物。
原因：训练集只标了异物，没有标反光。模型学到的是“和周围背景不一样的亮斑”这个抽象特征，金属高光本质上也是一种亮斑，于是被归成同类。110张图里如果都是在稳定光照下拍的，模型根本没见过反光，误检几乎不可避免。
解决：最直接的办法是把高反光的现场帧抽出来，不清洗直接加进训练集，不标注任何目标，让模型学会把这种亮斑当作背景。另一个做法是调高conf阈值到0.35以上，减少低置信度误报，但这会牺牲部分小异物召回。真正治本的是在采集阶段用偏振片滤掉金属反光，从源头让训练分布和现场分布更一致。
5.2 运动模糊让检测框漂移：先治帧率，再治算法
现象：皮带速度稍快的时候，小异物边缘出现拖影，输出框比实际目标大一整圈，中心点还偏在后面。
原因：工业相机曝光时间太长或者帧率不够，目标在曝光周期内移动了多个像素，画面自然拖影。YOLO训练时见过的都是清晰静止帧，遇到拖影框就不知道怎么回归了。
解决：现场优先把曝光时间压低，一般做到500微秒以下，配合额外补光保证亮度。算法层面，在离线增强里用OpenCV的运动模糊核模拟拖影，模型见过模糊样本后框会更稳。如果推理耗时卡在30帧以上，就触发丢帧，下一帧目标位置已经变远，这也是拖影的间接来源，最终要回到TensorRT部署把速度提上去。
5.3 VOC转YOLO时坐标精度丢失：小目标“框不住”的元凶
现象：训练时loss下降缓慢，可视化验证发现很多框偏了，尤其是宽度只有二三十像素的小异物，框完全压不住目标。
原因：转换脚本用了整数运算，或者归一化只保留到3位小数。小目标的宽度假设是30像素，归一化后约0.047，3位小数会抹掉一部分精度，IoU计算直接跌破0.5，模型学到的是错误回归目标。
解决：转换代码按第2章的写法保留6位小数，全程float计算，最后clamp夹紧。再加一步自动化校验：遍历所有TXT，检查cx、cy、w、h是否都在0到1之间，超出范围打warning。这个校验脚本虽然简单，但能拦住大量转换脏数据。
5.4 随机切分训练集和验证集：mAP虚高的假象
现象：验证集mAP50跑出接近1.0，模型拿到现场连续漏检，上线第一天就被产线叫停。
原因：110张图如果来自同一段连续视频，随机切分会让相邻帧同时进入训练集和验证集。相邻帧之间背景几乎一样，只有异物位置微动，模型记住了背景就“答对”了验证题。
解决：切分改按时间或皮带区段进行，前70%的帧做训练，后30%做验证，保证验证帧和训练帧不存在同场景重复。验证集指标只用来对比实验选型，真正判断能不能上线，要拿现场一段新拍视频做盲测，看误报率和漏报率是否达到产线要求。
5.5 类名与class_id对不上：部署时最隐蔽的翻车点
现象：训练时一切正常，导出模型部署后推理结果全错，有时候画出来的框对应的是别的类名。
原因：数据包里的classes.txt写的是字符串类名，正式训练时data.yaml里的names顺序必须和TXT里的class_id一一对应。单类别数据集只有一个类，看起来无所谓，但如果你换了数据包或者调整过names顺序，class_id就悄悄错位了。
解决：训练前写一个校验脚本，统计labels目录里出现过哪些class_id，再和data.yaml的names长度比对，越界直接报错。部署时先打印一张真实样本的推理结果，人工核对，而不是直接接PLC报警。这个校验习惯能省掉上线现场最尴尬的半小时排错。
6. 验证与落地：从mAP评估、ONNX导出到TensorRT实时预算
6.1 验证指标不能只看mAP50
验证集上别只盯mAP50一个数。对异物检测来说，我更看重recall——漏掉一个异物可能意味着异物进入下游设备造成损坏。precision和recall要一起看，再结合误报率评估现场可用性。110张图能提供的不多，建议把验证结果按帧率、异物大小分桶统计，小目标recall尤其关键。
6.2 导出ONNX与动态输入
训练完成后，导出onnx模型是部署的必经一步：
yolo export \ model=runs/detect/conveyor/weights/best.pt \ format=onnx \ dynamic=True \ opset=12dynamic=True让模型支持动态batch和动态分辨率，方便后续在服务里接多路rtsp流或处理不同分辨率输入。opset版本要和你用的推理框架兼容，TensorRT 8.x选opset 12比较稳。导出后先用onnxruntime跑一张现场图，确认输出和YOLO原生推理基本一致，再进下一步。
6.3 TensorRT实时预算
部署到工控机时，TensorRT的加速收益最明显。640分辨率输入下，优化后的模型单帧推理通常能压到个位数毫秒，这个数字和显卡型号强相关，不能只看宣传值，要自己benchmark。以25帧为例，一帧的时间预算40毫秒，扣掉解码和前后处理，推理占用的预算必须留出安全余量。
我自己的习惯是先在目标工控机上跑满1000张现场图，记录平均延迟、p99延迟和显存占用，再决定接几路摄像头。传送带产线一般一路相机就够，但如果你要同时看多条皮带线，就得先算清楚单路GPU占用再扩容，否则就是现场踩坑。
最后说一个个人教训：任何数据集的validation指标都只代表“能在测试集上复现”，不代表现场能稳定运行。拿到这种压缩包，最快的落地路径是快速跑通训练、抽帧盲测、接PLC联动测试，三步确认没问题再谈优化。部署前一定保留一套干净的现场抽帧作为回归测试集，每次改模型都跑一遍，这比反复调conf阈值有用得多。希望帮到你。
本文还有配套的精品资源，点击获取
