企业官网建设流程全解析

简介：面向目标检测与工业视觉场景的焊接缺陷数据集，适合算法工程师、研究人员和学生进行YOLO、Faster R-CNN等模型的训练、验证与迁移学习，可直接作为焊接质量检测、智能质检项目的实验数据基础。数据包含4137张增强后的清晰焊接图像，配套VOC格式XML与YOLO格式TXT标注，覆盖烧穿、污染、未完全融合、未完全渗透、错位、正常六类缺陷，共4214个矩形框，各类样本框数较为均衡，可直接用于监督训练和模型评估。压缩包约153.88MB，内含4137张图片及对应的VOC格式XML、YOLO格式TXT文件，以XML标注和TXT标签为核心；目录按JPEGImages、Annotations、labels三个文件夹组织，便于脚本读入、划分训练集与交叉验证。已有201人学习下载，适合需快速获得带标注焊接缺陷数据来搭建检测模型、测试数据增强效果或开展毕业设计的读者。

1. 焊接缺陷检测数据集为什么值得认真对待

焊接缺陷检测这个目标检测任务，最难的不是模型，而是数据。产线上常见的六类缺陷——气孔、夹渣、未熔合、未焊透、裂纹、咬边——不常出现，拍回一张带缺陷的焊缝图，还要一框一框人工标注。「目标检测-焊接缺陷检测数据集6类4137张YOLO+VOC格式（已增强）.zip」正好补上了从标注到训练之间的缺口：4137 张已经增强过的图片，6 个类别，YOLO 和 VOC 两套标签，手工标注和格式转换都省了。做毕业设计、做产线预研、想在缺陷检测方向快速跑通完整流程的工程师都用得上。下面按我拿到这类数据集的习惯顺序讲：先拆目录和标签格式，再给能直接跑的 YOLOv8 流程，最后列增强数据最容易踩的四个坑。

2. 拆开数据集压缩包：目录结构、两套标签格式与六类缺陷定义

2.1 解压后先确认三样东西：目录层级、文件名对应、增强副本痕迹

我拿到这类 zip 后的第一个动作不是装框架，而是先看目录。规范的双格式数据集目录一般长这样：

welding_defect_6cls/ ├── images/ │ ├── train/ # 训练图片，jpg │ ├── val/ # 验证图片 │ └── test/ # 测试图片，非必需 ├── labels/ │ ├── train/ # YOLO 格式标签，与 images/train 同名 txt │ ├── val/ │ └── test/ ├── VOC/ │ ├── JPEGImages/ # VOC 用的原图 │ ├── Annotations/ # Pascal VOC XML 标注 │ └── ImageSets/Main/ # train.txt / val.txt 划分文件 ├── data.yaml └── README.md

images 和 labels 分 train/val/test 是 YOLO 系工具的标准布局，训练脚本默认按这个层级找数据。VOC 目录则是给人看、给传统标注工具用的：JPEGImages 存原图，Annotations 存 XML，ImageSets/Main 里是划分列表。这里有个现实情况：不少数据集是用 labelImg 这类标注工具先标成 VOC XML，再用脚本转出 YOLO 的 txt，所以 VOC 目录里能看到对象名称，labels 目录里只剩类别编号。如果解压后根本没有 VOC 目录，说明发布方只保留了 YOLO 格式，需要转换时按 3.3 的脚本补。

文件名对应关系是第二个要确认的点。YOLO 训练要求每张 jpg 有且仅有一个同名 txt：weld_00001.jpg 对 weld_00001.txt，多一个少一个都会让训练时的图像和标签错位。第三个要注意的是增强副本的痕迹。已增强数据常见的命名是 weld_00001_aug01.jpg、weld_00001_flip.jpg 这类带后缀的文件，它们和原图往往只差亮度、翻转或轻微裁切。这个后缀习惯在判断验证集是否泄漏时非常有用，后面 4.4 会专门讲。

2.2 YOLO 和 VOC 在同张图上差在哪：归一化坐标与绝对坐标

同一张图、同一个框，两套格式写出来是完全不同的样子。下面是同一个气孔标注的对比：

YOLO txt 一行： 0 0.4521 0.3382 0.0214 0.0187 VOC XML 片段： <object> <name>porosity</name> <bndbox> <xmin>289</xmin> <ymin>216</ymin> <xmax>303</xmax> <ymax>228</ymax> </bndbox> </object>

YOLO 标签里四个数是归一化后的中心点 x、中心点 y、宽度、高度，全部除以原图宽高，范围在 0 到 1 之间；VOC 的 bndbox 则是绝对像素坐标 xmin、ymin、xmax、ymax。我给新手一个判断办法：看到一行五个数字，第一个是 0 到 5 之间的整数，后面四个小数，那是 YOLO 格式；看到一堆带标签名的 XML 节点，那就是 VOC。

两种格式的取舍也值得注意。YOLO 的归一化坐标不依赖图像分辨率，训练时读起来快，但人眼没法直接看出框在哪；VOC 的绝对坐标直观看得懂，标注工具兼容性也好。如果你的目标是跑 YOLOv8 这类框架，只用 labels 目录就够了，VOC 目录的真正价值是在你想换用 mmdetection、Detectron 或做数据审查时，能对照 XML 回头查标签。这里有一个高频踩坑点：VOC 到 YOLO 的转换脚本如果直接拿字符串当类名，遇到中文名或者名称里带空格的对象就会报错，所以转换前必须先建立类名到编号的映射表，而且这个映射表必须和 data.yaml 里的 names 顺序一致，否则训练出来的类别编号全对不上。

2.3 六个缺陷类别的判定边界：气孔、夹渣、未熔合、未焊透、裂纹、咬边

标题写的 6 类，行业里最常见的划分就是这六种。它们的特征和容易混淆的类如下：

注意，这张表是我按常见缺陷定义列的参考口径，不同批次的数据集可能把 crack 放在 id 4 或 id 5，甚至改用别的类名。动手前一定要打开压缩包里的 data.yaml 看 names 顺序，训练脚本和部署代码里的类别顺序全部以它为准。我见过不止一次因为想当然写死类名，训练完才发现类别全乱的翻车现场。

容易混的不只是人和模型。气孔和夹渣在 X 光或灰度焊缝图上都是暗色块，形状差异是唯一的判别依据；未熔合和未焊透都是线状缺陷，区别在于未焊透一定在根部、未熔合更靠坡口。这个边界如果在标注阶段就没统一，模型后面怎么调参都学不会。我在拿到这类数据后，会先随机抽每个类 20 张图，把框和类别人工过一遍，确认标注口径一致再进训练流程。这一步花 20 分钟，但能避免整个训练周期白跑。

3. 把 YOLO+VOC 数据跑进 YOLOv8：校验、转换与训练命令

3.1 训练前必做的三类校验：数量、坐标、类别编号

数据解压后不能直接开训，先跑一个脚本把三件事确认掉：图片和标签数量是否对齐、坐标是否都在 0 到 1 之间、类别编号是不是连续的 0 到 5。这个脚本我在每个数据集上都会先跑一遍。

# train_val_ckpt.py —— 训练前的数据体检 from pathlib import Path import numpy as np for split in ["train", "val", "test"]: img_dir = Path(f"images/{split}") lab_dir = Path(f"labels/{split}") if not img_dir.exists() or not lab_dir.exists(): print(split, "目录不存在，跳过") continue imgs = {p.stem for p in img_dir.glob("*.jpg")} labs = {p.stem for p in lab_dir.glob("*.txt")} print(split, "图片数:", len(imgs), "标签数:", len(labs), "缺标签:", len(imgs - labs), "缺图:", len(labs - imgs)) bad, cls_ids = 0, set() for p in lab_dir.glob("*.txt"): arr = np.loadtxt(p, ndmin=2) if arr.size == 0: continue if arr.min() < 0 or arr[:, 1:].max() > 1: bad += 1 cls_ids.update(int(c) for c in arr[:, 0]) print(" 坐标越界的标签文件:", bad, "类别编号:", sorted(cls_ids))

这段脚本的要点：先用 p.stem 取不带后缀的文件名做集合差，能同时找出缺标签和缺图片的文件；np.loadtxt 用 ndmin=2 避免单目标文件被读成一维数组，这是最容易写崩的地方；类别编号单独收集，理想输出是 [0, 1, 2, 3, 4, 5]，如果出现 6 或负数，说明要么标签转换时类名映射出错，要么混入了别的数据集样本。

如果你看到缺标签数量不是 0，先别自己补 txt。常见做法是把缺标签的图片挑出来重新标注，或者直接把这张图从训练集里删掉。自己手写一个空 txt 会让模型学到“这张图没有目标”，反而污染数据。坐标越界则几乎都是转换脚本的除法错位，回头检查是除以了宽高还是除以了 100。类别顺序里如果出现非连续编号，还要回到 data.yaml 确认发布方是不是用了 0、1、2、3、4、5 之外的编号体系。

3.2 用 YOLOv8 起一次训练：data.yaml、参数选择与断点恢复

先把数据集的 yaml 准备好。如果压缩包自带 data.yaml，我仍然会打开逐行核对一遍，因为它决定了训练和部署时类别怎么对应。

# WeldingDefect.yaml path: D:/datasets/welding_defect_6cls # 改成你解压后的实际路径 train: images/train val: images/val nc: 6 names: 0: porosity 1: slag_inclusion 2: lack_of_fusion 3: incomplete_penetration 4: crack 5: undercut

注意 path 用的是绝对路径。YOLOv8 的参数优先级是 命令行高于 data.yaml，所以如果你在命令行里又写了一个 data=，以命令行传入为准。names 的顺序一旦定下来，后续导出模型、写部署脚本都不能再改，这是整个流程里的锚点。

然后安装 ultralytics 并开始训练：

pip install ultralytics yolo detect train \ data=WeldingDefect.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ batch=16 \ patience=20 \ cache=True

几个参数的取舍说一下。model=yolov8n.pt 我用的是 nano，因为缺陷检测场景输入图通常很大，但显存有限；如果你的显卡有 12G 以上显存，换成 yolov8s.pt 或 yolov8m.pt 效果会更好。imgsz=640 是默认值，但焊接缺陷里气孔、裂纹往往只有几十个像素，后面 4.2 会讲怎么针对小目标调大。batch=16 在 8G 显存上比较稳，爆显存就降到 8 并把 cache=True 去掉。patience=20 表示连续 20 个 epoch 验证指标不涨就提前停止，这个数据集增强过了，通常 60 到 80 个 epoch 就能收敛。

如果中途断了，用同一命令加 resume=True 从上次的权重接着训：

yolo detect train resume=True

它会自动读取 runs/detect/trainX/weights/last.pt。训练中如果看到 loss 直接变 NaN，多半是某张标签里出现零尺寸框或坐标越界，把 3.1 的脚本再跑一遍，重点查空 txt 和重复的坐标。yolo 训练里的 BN 崩溃也常常由这类脏标签引发，训练脚本不会帮你识别，必须由数据侧解决。

3.3 VOC 转 YOLO 的参考脚本，以及反向转换的适用场景

虽然这份数据集两个格式都给了，但你在实际项目中经常会拿到只有 VOC XML 的旧数据，转成 YOLO 格式才能喂给训练。我一般用一个脚本来兜底：

# voc2yolo.py —— 把 VOC XML 转 YOLO txt import xml.etree.ElementTree as ET from pathlib import Path xml_dir = Path("VOC/Annotations") out_dir = Path("labels/train") out_dir.mkdir(parents=True, exist_ok=True) class_map = { "porosity": 0, "slag_inclusion": 1, "lack_of_fusion": 2, "incomplete_penetration": 3, "crack": 4, "undercut": 5, } for xml in xml_dir.glob("*.xml"): root = ET.parse(xml).getroot() size = root.find("size") w = int(size.find("width").text) h = int(size.find("height").text) lines = [] for obj in root.findall("object"): name = obj.find("name").text.strip() if name not in class_map: print(f"警告: {xml.name} 里有未知类 {name}") continue 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) cx = (xmin + xmax) / 2 / w cy = (ymin + ymax) / 2 / h bw = (xmax - xmin) / w bh = (ymax - ymin) / h lines.append(f"{class_map[name]} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}") (out_dir / (xml.stem + ".txt")).write_text("\n".join(lines))

逻辑不复杂：解析 XML 里的 size 拿到宽高，遍历每个 object，把 bndbox 的绝对坐标换算成归一化中心点加宽高。两个容易出问题的地方：xmin、ymin 被一些标注工具写成整数字符串，float() 能处理，但如果有的文件把 xmax 写成小于 xmin，转换出来的宽度就是负数，这类文件要单独挑出来修复；class_map 的键必须是 XML 里实际的 name，如果原始数据用的是中文类名，先统一成英文再映射，否则每个中文类名都会触发警告并丢标签。

反向转换，也就是 YOLO txt 转 VOC XML 或 COCO JSON，我在什么时候用呢？常见场景是想用 mmdetection 训练，或者要把结果交给检测报告系统做可视化审查。做法正好是上面的逆运算：读出归一化的 cx、cy、bw、bh，乘回宽高得到像素框，再把类别编号映射回类名。注意 YOLO 的 w、h 是全宽全高，不是半宽半高，乘回像素时不要漏掉 2 倍系数，这是我见过最多的反向转换 bug。如果这份数据集本身的命名里带 aug 后缀，转换时最好保留原名，方便以后跟踪哪些是增强副本。

4. 焊接缺陷训练的四个坑：增强失真、小目标漏检与标签边界

4.1 现象：增强后的图片和标签错位，loss 降到一半不降了

跑训练时 loss 一路正常下降，到某个点突然卡住，val 的 mAP 只有 0.0x。停下一看训练样本，发现增强过的图里目标框位置和缺陷实际位置差了十几到几十像素。原因是增强工具只处理了图像，没有同步处理标签：比如脚本对整张图做了裁剪和旋转，却直接把原坐标写进新的 txt，坐标对不上新图。尤其常见于只改了图像增强、没改标签的“半自动”流程。

解决分两步。第一步跑 3.1 的脚本定位数量问题，第二步随机抽 30 张图把框画出来人工看。我常用的可视化检查脚本是这样：

# show_box.py —— 把 YOLO 标签画回原图上抽查 import cv2 from pathlib import Path img_path = "images/train/weld_00001.jpg" lab_path = "labels/train/weld_00001.txt" img = cv2.imread(str(img_path)) h, w = img.shape[:2] colors = [(0, 0, 255), (0, 255, 0), (255, 0, 0), (0, 255, 255), (255, 0, 255), (255, 255, 0)] for line in Path(lab_path).read_text().strip().splitlines(): cls, cx, cy, bw, bh = map(float, line.split()) x1 = int((cx - bw / 2) * w) y1 = int((cy - bh / 2) * h) x2 = int((cx + bw / 2) * w) y2 = int((cy + bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), colors[int(cls)], 2) cv2.imwrite("check.jpg", img)

把框画出来后，错位的图一眼就能看出来。修复方法是让增强和标签走同一个变换：要么用 albumentations 这类同时支持 bounding box 参数的工具，要么把坐标换算统一放进同一个类里，不要在脚本外面手动补标签。如果你看到 loss 在某个 epoch 突然变成 NaN，多半也是这批脏标签把 BN 层搞崩了，不要急着调学习率，先回头查数据。

4.2 现象：气孔、裂纹这类小目标召回率上不去

模型训完，precision 不低，recall 只有 0.3 左右。看混淆矩阵，气孔和裂纹大量的真实框落在了漏检里。原因很直接：这两类缺陷在原始图片里往往只占几十乘几十像素，imgsz=640 下会被压缩到十几个像素，特征几乎消失。而这个数据集做了增强，增强里的缩放、随机裁剪会把小缺陷进一步缩小，等于模型见到的全是“缩水版”目标。

解决思路有三个方向。第一，把输入尺寸提到 960 或 1280，batch 相应减半，让网络在更高分辨率下去看这些小目标，代价是训练和推理都变慢。第二，关闭或者调低增强里的缩放幅度，ultralytics 的训练参数里 scale 默认 0.5，我会把它降到 0.1 甚至 0，避免把小缺陷缩没。第三，对大图做切图训练，把 1280 的原图切成 640 的 patch，patch 之间留 overlap，只保留包含缺陷的 patch，这样小目标在输入里的占比就正常了。这个思路和遥感图像目标检测里对大影像切块的做法是一样的，焊接缺陷图完全可以照搬。

注意调整 imgsz 之后，验证集也要用相同尺寸，否则训练和验证不在同一分布上，指标没有可比性。部署时也要用同样的输入尺寸，才能对齐模型学到的东西。另外，如果你在放大输入后显存不够，就配合切图方案使用，而不是硬撑一个巨大的 imgsz。

4.3 现象：六类 mAP 两极分化，个别类几乎检不到

训练完成后发现未焊透、咬边的 AP 能到 0.8，夹渣和裂纹只有 0.1。这类现象在六类数据集里很常见。原因是类间样本不均衡——增强可以增加总张数，但无法凭空把裂纹这种稀有缺陷变多；另一个原因是标注一致性差，裂纹有人按整条焊道标，有人只标明显的一段，同一个目标在不同批次里标签长度都不一样，模型学到的边界就是乱的。

解决办法分数据层面和标签层面。数据层面，先统计每个类别的框数量，对少数类做 oversample，常见做法是把含裂纹的 txt 在训练集里复制几份，让模型每个 epoch 多看到几次。ultralytics 的命令行没有直接暴露类别权重参数，与其改损失函数，不如在数据层解决。标签层面，把裂纹、夹渣这类容易混的类单独抽 50 张图，找两个懂焊接的人分别标一遍，算标注交并比，如果两个人标出来的框差异很大，就要先定统一的标注规范，再重新洗一遍标签。标签边界不统一是这一类问题的根因，改模型结构没有用。

注意：如果某一个类的 AP 长期低于 0.3，先不要往模型上加注意力机制，回到这一类样本里逐张看，大概率是标注把两个视觉上接近的类混在了一起。

4.4 现象：验证集混入增强副本，指标虚高

训练集 mAP 高到 0.95，拿生产的实拍图一测掉到 0.6。先别怀疑模型过拟合，更大的可能是验证集泄漏。增强数据的命名如果带 aug 后缀，而切分 train/val 时只是按文件名随机分，同一个源图的不同增强版本就可能同时出现在两边。模型在训练时见过近乎一样的图，验证指标自然虚高。

解决方法是切分前先按源图去重。做法是把文件名里的 _aug、_flip、_bright 这类后缀去掉，按源文件名分组，再把整个组只放进 train 或 val，保证每个源图及其所有副本只出现在一边。更稳妥的做法是用哈希对原始图片做一次聚类，把感知哈希相近的图片归为同一组，然后再切分。如果你不确定这个数据集发布时有没有做过这类去重，最简单的验证方法是在验证集里随机挑 30 张图，去训练集里找肉眼相似的副本，找到了就按 6.1 的哈希脚本重新分组切分。

我现在的习惯是只看 val 指标，并且在项目验收时额外准备 200 张从未进入过数据集的现场图。数据集内部指标再高，都不如一批陌生样本实测有说服力。增强副本泄漏会让训练和验证一起好看，只有真正的现场数据才能暴露模型的真实水平。

5. 从数据集到能上线的模型：指标怎么读、模型怎么导出、后续怎么扩

5.1 用混淆矩阵和类别 AP 判断这个数据集合不合格

训练结束后，runs/detect/trainX/ 目录里会生成 confusion_matrix.png、results.csv、labels.jpg 这些文件。判断这个数据集到底能不能用，我先看两个东西：每类的 AP 和混淆矩阵。

先打开 results.csv，找到 val 的 mAP50 和 mAP50-95，再按类别看 AP。如果六个类里有类的 AP 低于 0.5，我不会急着继续调参，而是回到数据本身。再看 confusion_matrix.png：理想的对角线最亮，最怕的是气孔和夹渣在矩阵上有明显的互相错分。出现这种错分，说明这两个类在标注上就没分开，或者它们在这批图像里视觉上确实接近。如果是前者就洗标签，如果是后者就要在项目层面接受合并——把气孔和夹渣合并成一个“孔洞类缺陷”，整体精度往往反而更高。

判断数据集合格还有一个更朴素的依据：训练集和验证集的 AP 差距。差距在 0.1 以内算健康，超过 0.2 基本可以确定是验证泄漏或者增强过度，对应 4.4 的去重流程先做一遍。我习惯在训练前就把每个类别的样本框数记下来，对照训练后的每类 AP，哪个类样本最少但 AP 最高，哪个类样本多却 AP 低，这两个数字能直接告诉你要补什么数据。这里有一个容易被忽略的点：数据集是“已增强”的，增强副本从训练视角看是独立样本，但评估模型对新场景的泛化能力时，它们仍然来自同一批源图，不能当作真实新数据来评价。

5.2 导出 ONNX 并检查输出层：类别顺序最容易在部署时翻车

训练完并确认指标后，下一步是把权重导出成 ONNX，方便用 onnxruntime 或者推理框架部署。

yolo export model=runs/detect/trainX/weights/best.pt format=onnx imgsz=640 opset=12

导出后我习惯先用 onnxruntime 检查输出张量的形状，确认类别数对不对。

import onnxruntime as ort import numpy as np sess = ort.InferenceSession("best.onnx") data = np.zeros((1, 3, 640, 640), dtype=np.float32) out = sess.run(None, {sess.get_inputs()[0].name: data})[0] print(out.shape) # 期望 (1, 10, 8400)，10 = 4 个坐标 + 6 个类别

输出形状里第二维是 4 加类别数：焊接缺陷是 6 类，所以是 10；如果你拿到的是 (1, 84, 8400)，说明部署代码按 COCO 的 80 类来解析了。为什么这么强调？因为 ONNX 文件里没有类名信息，只有编号，推理代码必须把输出编号映射回 data.yaml 里的 names。如果训练和部署用了两个不同顺序的 yaml，模型输出和显示名称就会错位：框是对的，标签却是另一个缺陷的名字。我见过一个真实例子，现场用气孔当裂纹显示，排查了两天才发现是部署端把类别顺序写死成了 COCO 风格。

5.3 后续迭代：哪些增强要关掉，哪些缺陷样本要重点补

用 4137 张增强数据训练的模型只能算第一版，上线前我建议再走一轮迭代。增强参数上，这个任务我会关掉 mosaic 和 mixup。缺陷目标通常较小，mosaic 会把多个小目标拼在一张图里，互相挤压，模型学到的是碎片的统计规律而不是缺陷本身的特征。hsv 增强保留但幅度控制在 0.2 左右，翻转保持 0.5。已增强数据本身已经做过一轮，训练时的在线增强要适度，否则等于把同一批缺陷反复变形，模型容易过拟合到这些变体上。

新数据的采集方向，优先补裂纹和夹渣。这两类在产线上出现频率低，恰恰是模型最容易漏检的类别。具体做法是把现场拍到的疑似缺陷图先自动标注一轮，人工修正后并入训练集。另外要留意数据来源的一致性：如果训练集是可见光焊缝图，而部署场景是探伤 X 光图，图像风格差异会抵消增强带来的收益，这类跨域迁移问题不是靠继续增强能解决的，需要单独采集对应成像方式的样本。我的原则是每补一批数据就重跑一次 3.1 的校验脚本，并对比同一验证集上的每类 AP，确保新数据确实带来提升而不是引入新噪声。

6. 用增强副本反推数据集标注质量：一个哈希聚类的自定义检查

最后分享一个我每次拿到“已增强”数据集都会做的检查：用感知哈希把互为副本的图片聚成一组，再对比它们之间的标签，反推这条数据标注得到底干不干净。增强副本的命名再规范，也可能出现翻转后的图片配着没翻转的框的情况，普通可视化抽查容易漏，哈希聚类能把整个训练集扫一遍。

思路很简单：给每张图算一个 64 位的 dhash，内容高度相似的图片得到相同或相邻的哈希值，然后按哈希值分组，同组里超过一张图的就列为增强副本组。代码不需要额外装大包，opencv 就够。

# group_dup.py —— 按感知哈希给增强副本分组 import cv2 import numpy as np from pathlib import Path def dhash(img_path, size=8): img = cv2.imread(str(img_path), cv2.IMREAD_GRAYSCALE) img = cv2.resize(img, (size + 1, size)) bits = (img[:, 1:] > img[:, :-1]).flatten() return sum(int(b) << i for i, b in enumerate(bits)) files = list(Path("images/train").glob("*.jpg")) groups = {} for f in files: groups.setdefault(dhash(f), []).append(f) for h, same in groups.items(): if len(same) > 1: print(f"{len(same)} 张相似: {[p.name for p in same[:5]]}")

拿到分组后，做两件事。第一，取一组里的两张图，分别读出它们的 txt，比对类别编号和框数量。如果图片明显做了水平翻转，而标签里的 cx 没有跟着翻，那就是增强管线没有同步标签，整组数据都要标记为不可信，回到 4.1 的修复流程。第二，检查这个组里有没有图片同时出现在 train 和 val 目录里，如果有，就是 4.4 说的验证集泄漏，直接重新切分，别指望靠随机种子规避。

我现在的习惯是：不管数据集是谁整理的、声称多干净，先花半小时跑这遍哈希和标签比对，再开始训练。因为这类问题的排查成本比训练本身高得多，训练一个模型只要几小时，但带着错标签训完再回头查数据，浪费的是整个迭代周期。这个习惯救过我不少次，希望帮到你。

本文还有配套的精品资源，点击获取