简介面向电子制造质检与计算机视觉方向的开发者、学生及算法工程师这份PCD表面元器件缺陷检测数据集用于训练和验证PCB表面元器件缺陷识别模型覆盖Miss、mask defect、defect等7类常见缺陷适合目标检测入门练习与工业质检项目落地。资源包共1219个文件以608张jpg图像和609个txt标注文件为主体另含1个py可视化脚本与1个png说明图压缩包约57.41MB图像与标签一一对应并已划分训练集与验证集。数据统一处理为YOLO格式可直接接入YOLO全系列网络训练且经过数据增强以提升模型泛化能力配套show脚本可将预测或标注的边界框绘制在图像上便于直观核对缺陷位置与评估检测效果。目前已有391人学习下载适合需要快速搭建缺陷检测基线、验证数据增强策略或调试可视化流程的读者参考使用。1. PCD 表面元器件缺陷检测数据集600 张图能撑起一条产线质检模型吗PCB 表面贴装产线上最让人头疼的不是贴片机抛料而是回流焊之后那些肉眼难辨的缺陷——立碑、偏移、少锡、虚焊、异物残留。视觉质检团队拿到的第一份 PCDPrinted Circuit Board印制电路板表面元器件缺陷检测数据集往往就是六百来张带标注的图片。这个量级放在 COCO、ImageNet 面前不值一提但在工业质检场景里它恰好卡在一个微妙的位置够跑通一个 YOLO 系列的目标检测基线又不够直接上产线。这个数据集的核心价值不在于「大」而在于它把缺陷类别、标注格式、成像条件这三件事固定下来让你能在本地快速验证一套检测流程是否走得通。适合谁用适合刚接手 AOI自动光学检测项目、需要在一周内拿出 demo 的算法工程师也适合想把 YOLOv8 或 YOLOv11 训练流程跑通、但苦于没有工业缺陷数据练手的人。六百张图不是终点是你判断「这条路值不值得继续投入」的最小成本试验。2. 先搞清楚这 600 张图里到底有什么类别、标注与成像条件拿到一个目标检测数据集第一件事不是急着写训练脚本而是把数据本身翻个底朝天。PCD 表面元器件缺陷检测数据集这类工业数据和 COCO、VOC 那种通用数据集最大的区别在于它的类别定义直接绑定工艺标注质量直接决定模型上限。你如果跳过这一步直接开训后面 loss 不降、mAP 上不去排查起来就是黑匣子。2.1 缺陷类别怎么分从工艺角度理解标签体系工业缺陷数据集的类别通常不会像 COCO 那样有 80 类PCD 表面元器件缺陷检测数据集一般聚焦在 5 到 10 类核心缺陷上。常见的划分方式是按缺陷形态和成因来缺陷类别典型成因视觉特征检测难度立碑Tombstone回流焊受热不均元件一端翘起侧面轮廓异常中小目标偏移Shift贴片对位偏差元件中心与焊盘中心不重合低但阈值难定少锡/虚焊锡膏量不足焊点面积小、灰度异常高与正常样本差异细微异物Foreign Object生产环境杂质非元件区域的异常色块中形态多变极性反贴元件方向装反丝印或本体特征方向错误低但需先验知识这张表不是让你照抄而是提醒你拿到数据集后先统计每个类别的实例数量。六百张图如果按 7:2:1 划分验证集只有六十张某些稀有类别可能只出现几次。这时候你要做的不是硬训而是先确认类别分布再决定是否做数据增强或者类别合并。2.2 标注格式识别VOC XML、YOLO TXT 还是 COCO JSON工业数据集常见的标注格式有三种处理方式完全不同。你拿到手的第一件事是看目录结构# 典型的 VOC 格式目录结构 dataset/ ├── JPEGImages/ # 所有图片 ├── Annotations/ # 对应的 XML 标注文件 └── ImageSets/ └── Main/ ├── train.txt # 训练集图片名列表 ├── val.txt └── test.txt# 典型的 YOLO 格式目录结构 dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ # 每张图对应一个 txt └── val/判断方法很简单打开一个标注文件如果是 XML 且包含bndbox节点就是 VOC如果是纯文本且每行是class_id x_center y_center width height的归一化坐标就是 YOLO如果是单个 JSON 文件包含images和annotations两个数组就是 COCO。注意有些数据集标注文件里坐标是像素值而非归一化值直接喂给 YOLO 会导致框全跑到图外。转换前务必抽查三到五张图用可视化脚本确认框的位置正确。2.3 成像条件对模型的影响分辨率、光照与背景一致性工业质检数据和自然图像最大的差异在于成像条件高度可控。PCD 表面元器件缺陷检测数据集通常是在固定光源、固定相机高度下采集的这意味着分辨率统一常见 1280×1024 或 2448×2048不需要像 COCO 那样做多尺度适配光照一致颜色偏移小数据增强时色域变换的幅度要调小背景单一PCB 板颜色固定模型很容易过拟合到背景纹理而非缺陷本身。这三点直接决定了你的训练策略增强不能太猛验证集要按时间或批次划分而非随机划分否则同一块板子的不同角度图片会同时出现在训练和验证集里mAP 虚高。3. 用 YOLOv8 跑通第一版基线从数据转换到训练命令数据摸清楚了接下来就是动手。这一章的目标是让你在本地用 YOLOv8 跑出一个能看的基线模型。选 YOLOv8 而不是 YOLOv11原因很实际YOLOv8 的生态最成熟文档、issue、预训练权重都最全遇到问题搜得到答案。YOLOv11 在精度上有提升但工业缺陷这种小目标场景v8 的调参经验更容易复用。3.1 把 VOC 标注转成 YOLO 格式转换脚本与四个边界坑如果你的数据集是 VOC 格式第一步是转换。下面这个脚本处理了四个常见边界情况图片和标注文件名不匹配、坐标越界、类别名到 ID 的映射、空标注文件。import os import xml.etree.ElementTree as ET from pathlib import Path from PIL import Image # 类别映射按你的数据集实际类别修改 CLASS_MAP { tombstone: 0, shift: 1, insufficient_solder: 2, foreign_object: 3, reverse_polarity: 4, } def convert_voc_to_yolo(xml_dir, img_dir, out_label_dir): os.makedirs(out_label_dir, exist_okTrue) skipped [] for xml_file in Path(xml_dir).glob(*.xml): tree ET.parse(xml_file) root tree.getroot() # 坑1文件名不匹配用 stem 去 img_dir 找对应图片 img_name root.find(filename).text img_path Path(img_dir) / img_name if not img_path.exists(): # 尝试用 xml 的 stem 匹配常见图片后缀 for ext in [.jpg, .png, .bmp]: candidate Path(img_dir) / (xml_file.stem ext) if candidate.exists(): img_path candidate break else: skipped.append(xml_file.name) continue # 坑2用实际图片尺寸而非 XML 里的 size避免标注和图片不一致 with Image.open(img_path) as im: w, h im.size lines [] for obj in root.findall(object): cls_name obj.find(name).text.strip() if cls_name not in CLASS_MAP: continue # 坑3未知类别直接跳过不报错中断 bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 坑4坐标越界裁剪防止归一化后超出 [0,1] xmin max(0, min(xmin, w)) xmax max(0, min(xmax, w)) ymin max(0, min(ymin, h)) ymax max(0, min(ymax, h)) if xmax xmin or ymax ymin: continue x_center (xmin xmax) / 2.0 / w y_center (ymin ymax) / 2.0 / h bw (xmax - xmin) / w bh (ymax - ymin) / h lines.append(f{CLASS_MAP[cls_name]} {x_center:.6f} {y_center:.6f} {bw:.6f} {bh:.6f}) out_file Path(out_label_dir) / (img_path.stem .txt) with open(out_file, w) as f: f.write(\n.join(lines)) print(f跳过 {len(skipped)} 个文件{skipped[:5]}) convert_voc_to_yolo(dataset/Annotations, dataset/JPEGImages, dataset/labels)逻辑说明脚本先解析 XML拿到文件名后去图片目录找对应图片找不到就尝试用 XML 的 stem 匹配常见后缀。坐标归一化前做了越界裁剪避免因为标注人员手误导致训练时框超出图像边界。类别映射用字典控制遇到未知类别直接跳过而不是抛异常保证批量转换不中断。参数说明CLASS_MAP必须和你的数据集类别一一对应顺序决定训练时打印的类别名out_label_dir建议和图片目录同级方便后续用images/train和labels/train的对称结构组织。3.2 组织 YOLO 训练目录并写 data.yaml转换完成后按 YOLO 要求组织目录mkdir -p dataset/images/train dataset/images/val mkdir -p dataset/labels/train dataset/labels/val # 假设按 8:2 划分用 shell 随机分配 ls dataset/JPEGImages/*.jpg | shuf -n 480 | while read f; do base$(basename $f .jpg) cp $f dataset/images/train/ cp dataset/labels/$base.txt dataset/labels/train/ done # 剩下的进 val实际脚本里用 comm 或 Python 做差集更稳妥然后写data.yamlpath: /absolute/path/to/dataset train: images/train val: images/val names: 0: tombstone 1: shift 2: insufficient_solder 3: foreign_object 4: reverse_polarity注意path必须写绝对路径YOLOv8 对相对路径的解析依赖当前工作目录换目录跑就容易翻车。names的 ID 必须和转换脚本里的CLASS_MAP完全一致错一个就是类别错位。3.3 训练命令与关键参数imgsz、batch、epochs 怎么定yolo detect train \ data/absolute/path/to/data.yaml \ modelyolov8s.pt \ imgsz1024 \ epochs150 \ batch8 \ lr00.01 \ patience30 \ device0 \ projectruns/pcb_defect \ namebaseline_v1参数逐个说清楚modelyolov8s.pt选 s 而不是 n因为工业缺陷目标小n 的感受野和特征提取能力偏弱选 s 而不是 m/l因为六百张图撑不起大模型过拟合风险高。imgsz1024PCD 数据集原图分辨率通常较高缩到 640 会丢失小缺陷细节。1024 是精度和显存的平衡点8G 显存跑 batch8 基本够用。batch8小数据集用大 batch 容易梯度震荡8 到 16 之间比较稳。epochs150六百张图150 轮足够收敛配合patience30早停避免无效训练。lr00.01YOLOv8 默认值小数据集不建议调大容易发散。训练启动后重点看三个指标box_loss是否稳定下降、mAP50在第几轮开始 plateau、验证集 loss 是否早于训练集 loss 反弹。如果 mAP50 卡在 0.3 以下先回去检查标注转换是否正确而不是急着调参。4. 小样本工业缺陷检测的避坑清单从 mAP 虚高到类别混淆六百张图训练目标检测模型坑比想象中多。下面五条是我在实际项目里踩过的每条按现象、原因、解决来写。4.1 验证集 mAP 高得离谱上线就崩现象训练完 mAP50 跑到 0.92信心满满拿去测新批次图片漏检率超过 40%。原因划分验证集时用了随机划分同一块 PCB 的不同角度、不同光照图片同时进了训练集和验证集。模型记住了板子纹理而不是缺陷特征。解决按板子编号或采集批次划分确保同一块板子的所有图片只出现在一个集合里。如果数据集没有批次信息用图片文件的创建时间排序后按时间段切分。4.2 少锡和虚焊两类总是互相误判现象混淆矩阵里insufficient_solder和shift互相错分比例超过 30%。原因这两类缺陷在低分辨率下视觉特征高度重叠都是焊点区域灰度异常。标注人员自己都可能标不一致。解决先做类别合并把视觉上难以区分的类别合成一类「焊点异常」等数据量上来再拆分。或者提高输入分辨率到 1536让焊点细节更清晰。4.3 训练 loss 震荡不收敛现象box_loss 在 0.8 到 1.5 之间反复跳mAP 不升。原因学习率太大或者 batch 太小导致梯度噪声大。六百张图用默认 lr00.01 有时偏大。解决把lr0降到 0.005batch提到 16如果显存允许加warmup_epochs5让前几轮学习率线性上升。4.4 小目标缺陷全漏检现象立碑、异物这类小目标 recall 接近 0大目标正常。原因imgsz640时小目标缩到几十个像素特征图上下采样后信息几乎丢失。解决imgsz提到 1024 或 1280同时在data.yaml里开启mosaic和copy_paste增强让模型多见小目标组合场景。YOLOv8 默认开启 mosaic但copy_paste需要手动设copy_paste0.3。4.5 导出 ONNX 后推理结果和 PyTorch 不一致现象PyTorch 验证 mAP 0.85导出 ONNX 后用 onnxruntime 推理框位置偏移。原因导出时没有指定dynamic和simplify或者预处理归一化参数不一致。解决导出命令加simplifyTrue推理时确认输入归一化用1/255且通道顺序为 RGB。YOLOv8 的export默认输出包含后处理如果用onnxruntime手动后处理要对应调整。5. 把 600 张图用到极致增强策略、主动学习与产线落地判断六百张图的天花板是客观存在的但通过增强策略和迭代流程可以把它推到接近可用的水平。这一章讲三个具体技巧都是我在小样本工业质检项目里验证过的。5.1 工业场景专用的增强组合通用增强随机裁剪、大角度旋转、强色域变换在工业数据上往往起反作用因为产线成像条件固定增强后的图片和真实分布偏离太远。我一般用这套组合# YOLOv8 训练时在命令行传入增强参数 # 或者在 data.yaml 同级写 hyp.yaml 后通过 cfg 加载# hyp_pcb.yaml hsv_h: 0.010 # 色相抖动调小工业图像颜色稳定 hsv_s: 0.300 # 饱和度适度 hsv_v: 0.200 # 亮度适度 degrees: 5.0 # 旋转角度限制在 ±5 度产线不会大角度倾斜 translate: 0.05 # 平移幅度小 scale: 0.3 # 缩放适度模拟不同相机高度 shear: 0.0 # 剪切禁用PCB 不会形变 perspective: 0.0 # 透视禁用 flipud: 0.0 # 上下翻转禁用元件有方向性 fliplr: 0.5 # 左右翻转保留 mosaic: 1.0 # mosaic 保留增加小目标组合 mixup: 0.1 # mixup 少量防止过拟合 copy_paste: 0.3 # copy_paste 对小目标缺陷很有效关键逻辑工业图像的增强要「模拟真实变化」而不是「制造多样性」。旋转超过 10 度、上下翻转、透视变换这些在产线上不可能出现的情况增强后只会让模型学到错误的不变性。5.2 用主动学习把标注成本花在刀刃上六百张图训完第一版后别急着标新数据。先用模型跑一遍未标注的产线图片挑出模型最「不确定」的那些——具体做法是看预测框的置信度分布在 0.3 到 0.6 之间的图片这些是模型决策边界附近的样本标注价值最高。from ultralytics import YOLO import numpy as np model YOLO(runs/pcb_defect/baseline_v1/weights/best.pt) results model.predict(unlabeled_images/, conf0.01, saveFalse) uncertain [] for r in results: if r.boxes is None or len(r.boxes) 0: uncertain.append(r.path) # 无检测结果也是高价值样本 continue confs r.boxes.conf.cpu().numpy() # 统计落在不确定区间的框数量 n_uncertain np.sum((confs 0.3) (confs 0.6)) if n_uncertain 0: uncertain.append(r.path) print(f高价值待标注样本{len(uncertain)} 张)逻辑说明conf0.01让模型输出所有候选框然后筛选置信度在中间区间的样本。这些样本要么是模型没见过的缺陷形态要么是标注边界模糊的难例。每轮主动学习标注 50 到 100 张迭代三轮通常能把 mAP50 从 0.6 推到 0.8 以上。参数说明置信度区间 0.3 到 0.6 是经验值如果你的模型整体置信度偏高可以调整到 0.4 到 0.7。无检测结果的图片也要纳入它们可能是漏检的缺陷。5.3 什么时候该停产线落地的三个判断指标不是所有项目都值得继续投入。训练完基线后用这三个指标判断指标及格线说明mAP50按批次划分验证集 0.75低于这个值说明数据量或标注质量有硬伤漏检率Recall 0.90质检场景漏检比误检代价高得多单张推理耗时GPU 50ms产线节拍通常要求实时或准实时如果 mAP50 在 0.6 到 0.75 之间通过主动学习补 200 到 300 张标注还能救。如果低于 0.6先别加数据回去检查标注一致性——我见过太多项目是标注本身就有 20% 以上的错误模型再训也白搭。最后说个习惯每次训练完我一定把验证集里所有误检和漏检的图片导出来按缺陷类别分文件夹存好。这些图是下一轮迭代的起点也是和产线质检员对齐标准的依据。六百张图能不能撑起一条产线不取决于图的数量取决于你有没有把每一张图的问题都搞清楚。希望帮到你。本文还有配套的精品资源点击获取