企业官网建设流程全解析

简介：YOLO谢韦尔钢材缺陷检测数据集，面向目标检测学习者与工业质检场景，包含5000张真实场景钢材表面图片，覆盖多样缺陷类型。数据采用labelimg标注，提供VOC、COCO、YOLO三种格式标签，分别存放于对应文件夹，可无缝接入YOLO系列模型直接训练。压缩包共2000个文件，以1986个xml标签、5个txt说明、3个py脚本及6个html教程为主，整体大小61.48MB，结构清晰便于按需使用。包内附带YOLO环境搭建教程（Windows与Linux版本）、训练案例教程及数据集划分脚本，可自行生成训练集、验证集、测试集并完成从环境配置到模型训练的全流程实操。适合需要规范化钢材缺陷检测数据、快速上手YOLO训练流程的研究者或开发者参考使用，目前已有397人学习下载。

1. 谢韦尔钢材缺陷检测：先认清你要训的是什么

把“YOLO谢韦尔钢材缺陷检测数据集”这个压缩包解压之后，你手里其实是三样东西：5000张带缺陷的钢材表面图像、同一套标注在 VOC / COCO / YOLO 三种格式下的标签文件、以及配套的划分脚本和训练教程。对做工业视觉的人来说，这个组合很友好，因为它省掉了最容易被卡住的“数据格式互相折腾”阶段，能让你直接跳到模型训练这件事上。

这个数据集里最常见的类别包括夹杂、划痕、麻点、氧化皮等几类表面缺陷，背景是纹理复杂的钢板，缺陷面积小、形态不规则，正好是你检验 YOLO 系列模型在“小目标 + 低对比度”场景下到底行不行的试金石。适合谁来用？刚接触目标检测的新手可以拿它练手，快速跑通“数据 → 模型 → 验证”的完整链路；有经验的人则可以拿它来测不同 YOLO 版本在工业场景的召回率和误检率。这篇文章就顺着这个包里的内容，从标签格式、划分脚本、训练参数一路写到排错和验收。

2. VOC、COCO、YOLO 三种标签格式：从数据组织到格式转换

2.1 三种格式的本质差异

很多人拿到“三种格式标签”时第一反应是困惑：不是有 YOLO 格式就能训练吗？为什么还要给 VOC 和 COCO？其实这三种格式分别对应了不同工具链的约定，你可以把它们理解成三种不同语言描述的同一个事实。VOC 格式以图像为索引，一张图对应一个 XML 文件，标注信息写在<object>节点里，坐标是绝对值xmin, ymin, xmax, ymax，可读性最好，但文件多且冗余。COCO 格式把整个数据集的所有标注集中到一个 JSON 里，按images、annotations、categories三张表组织，坐标同样是绝对值，格式级联，适合用来做跨模型对比或对接 Detectron2、mmdetection 这类框架。YOLO 格式则是每张图对应一个 txt 文件，每行写成class_id x_center y_center width height，其中坐标和宽高全部归一化到 0~1，模型训练时读取效率最高，也是 YOLO 系列原生的加载方式。

这里有一个容易忽略的点：COCO 的 bbox 描述的是“左上角坐标 + 宽度 + 高度”，即xywh；VOC 的 bbox 是“左上角 + 右下角”，即xyxy；YOLO 的 bbox 是“中心点 + 归一化宽高”。如果转换时没有先统一坐标系，训练出来的模型会非常不稳定，甚至从头到尾不收敛。下面我给出最常用的两段转换脚本，分别解决 VOC 转 YOLO 和 COCO 转 YOLO 的问题。实际项目中你大概率只用到其中一段，但最好都保留在工具脚本里。

2.2 用脚本把 VOC 转成 YOLO txt

当你解压后发现标签目录里只有 VOC 格式的 XML，而你想直接跑 YOLOv8 时，可以用这个脚本先把 XML 全部转成 txt。它的输入是一个 VOC 标签目录，输出是同名 txt 文件，并把类别顺序写入一个classes.txt。注意类别顺序必须和后续训练data.yaml里的names一一对应，否则训练出来的模型类别是乱的。

import os import xml.etree.ElementTree as ET def voc_to_yolo(xml_path, out_dir, class_names): tree = ET.parse(xml_path) root = tree.getroot() img_width = int(root.find('size/width').text) img_height = int(root.find('size/height').text) txt_name = os.path.splitext(os.path.basename(xml_path))[0] + '.txt' lines = [] for obj in root.iter('object'): cls = obj.find('name').text if cls not in class_names: continue cls_id = class_names.index(cls) 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) # 归一化中心点、宽高 x_center = ((xmin + xmax) / 2) / img_width y_center = ((ymin + ymax) / 2) / img_height w = (xmax - xmin) / img_width h = (ymax - ymin) / img_height # 防御性截断，防止浮点误差导致越界 x_center = min(max(x_center, 0.0), 1.0) y_center = min(max(y_center, 0.0), 1.0) w = min(max(w, 0.0), 1.0) h = min(max(h, 0.0), 1.0) lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") with open(os.path.join(out_dir, txt_name), 'w') as f: f.write('\n'.join(lines)) # 使用方式：把下面两行换成你解压后的实际路径 class_names = ['Crazing', 'Inclusion', 'Patches', 'Pitted_Surface', 'Rolled_In_Scale', 'Scratches'] os.makedirs('labels_yolo', exist_ok=True) for xml_file in os.listdir('labels_voc'): if xml_file.endswith('.xml'): voc_to_yolo(os.path.join('labels_voc', xml_file), 'labels_yolo', class_names)

这段脚本里有个容易被忽略的细节：XML 里的类别名必须和class_names完全一致，包括大小写和下划线，否则会被continue静默跳过。另一个细节是防御性截断，因为部分标注工具生成的坐标会有微小越界，比如xmax比图像宽度大 1 像素，如果不做min/max截断，训练时 YOLO 会报“bbox out of image bounds”的警告，严重时直接丢样本。参数说明：class_names的顺序决定了模型输出的类别编号，比如索引 0 是 Crazing，训练完names: ['Crazing', ...]也要保持相同顺序。

2.3 COCO 到 YOLO 的转换与类名检查

COCO 转 YOLO 稍微复杂一点，因为需要先读 JSON 里的images、annotations、categories三张表，建立image_id → 文件名的映射，再逐条取 bbox。下面这段脚本会把 COCO 标注文件按图片拆成多个 txt。

import json import os def coco_to_yolo(coco_json, out_dir, img_dir): with open(coco_json, 'r') as f: data = json.load(f) img_id_to_name = {img['id']: img['file_name'] for img in data['images']} cat_id_to_cls = {cat['id']: cat['name'] for cat in data['categories']} # 用类别名排序来固定索引，而不是用 category_id cls_names = sorted(cat_id_to_cls.values()) os.makedirs(out_dir, exist_ok=True) anns_map = {} for ann in data['annotations']: img_id = ann['image_id'] anns_map.setdefault(img_id, []).append(ann) for img_id, anns in anns_map.items(): img_name = img_id_to_name[img_id] img_path = os.path.join(img_dir, img_name) # 如果图片是灰度图或 PNG 带透明通道，也要在这里统一处理 from PIL import Image w, h = Image.open(img_path).size txt_path = os.path.join(out_dir, os.path.splitext(img_name)[0] + '.txt') lines = [] for ann in anns: cat_name = cat_id_to_cls[ann['category_id']] cls_id = cls_names.index(cat_name) x, y, bw, bh = ann['bbox'] x_center = (x + bw / 2) / w y_center = (y + bh / 2) / h nw = bw / w nh = bh / h lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {nw:.6f} {nh:.6f}") with open(txt_path, 'w') as f: f.write('\n'.join(lines)) # 把类别列表也写出来，方便后续检查 with open(os.path.join(out_dir, 'classes.txt'), 'w') as f: f.write('\n'.join(cls_names))

这段脚本里我用sorted(cat_id_to_cls.values())来生成类别顺序，而不是直接按category_id排序。原因是很多自制 COCO 数据集的类别 id 不连续，比如类别 id 是 1、3、5，但实际只有三个类，直接用 id 当索引会让训练端类别对不上。参数说明：这段脚本假设图片文件真实存在且可以通过PIL.Image打开，如果遇到损坏的图片，训练时会在这里先暴露出来。这里的img_dir参数只需要能在转 txt 时取宽高，后续训练仍然只读图片路径。

3. 划分脚本：让 train/val/test 既均衡又可复现

3.1 划分脚本要解决的三个问题

很多入门教程会说“随机抽 80% 当训练集，20% 当验证集”，但这个做法在钢材缺陷检测里会翻车。第一个问题是类别不平衡：谢韦尔数据集中不同缺陷的出现频率差异很大，纯随机划分可能让某个类别在验证集里只出现一两次，最后的 mAP 波动大得离谱。第二个问题是图片泄漏：如果同一张钢板被切成多张局部图，并且这些局部图同时出现在训练集和验证集里，模型会通过背景记忆而不是缺陷特征来得分，指标虚高但上线就崩。第三个问题是可复现性：每次跑脚本随机数种子不一样，两次训练的数据分布不同，你很难判断模型精度的变化到底是调参带来的还是划分带来的。

所以一个合格的划分脚本至少要做三件事：按类别比例分层抽样、保证同一来源图片不跨数据集、固定随机种子。下面这段脚本是我在工业数据集上常用的写法，它按“每张图片的缺陷类别集合”来做分层划分，比按单条标注做划分更符合物理直觉。

3.2 一份带分层抽样的划分脚本

这个脚本适合 YOLO 格式的数据集。假设你的图片和标签已经整理成下面这种结构：images/放图片，labels/放 txt 标签。脚本会统计每张图片包含哪些类别，然后基于 StratifiedShuffleSplit 按类别比例分层划分 train/val/test，最后把对应文件复制到dataset/...目录下。

import os import random import shutil from collections import defaultdict random.seed(42) # 固定随机种子，保证每次划分结果一致 images_dir = 'images' # 原始图片目录 labels_dir = 'labels' # 原始 txt 标签目录 out_root = 'split_dataset' # 输出目录 train_ratio, val_ratio = 0.8, 0.1 test_ratio = 1 - train_ratio - val_ratio # 第一步：统计每张图片包含哪些类别 img_files = [f for f in os.listdir(images_dir) if f.lower().endswith(('.jpg', '.jpeg', '.png', '.bmp'))] img_cls_map = {} for img in img_files: label_path = os.path.join(labels_dir, os.path.splitext(img)[0] + '.txt') classes = set() if os.path.exists(label_path): with open(label_path, 'r') as f: for line in f: if line.strip(): classes.add(int(line.strip().split()[0])) img_cls_map[img] = classes # 第二步：把样本按“类别组合向量”分组，做分层 cls_group = defaultdict(list) for img, cls_set in img_cls_map.items(): key = tuple(sorted(cls_set)) # 例如 (0, 3) 表示同时含类别0和3 cls_group[key].append(img) train_imgs, val_imgs, test_imgs = [], [], [] for key, group in cls_group.items(): random.shuffle(group) n = len(group) n_train = int(n * train_ratio) n_val = int(n * val_ratio) train_imgs.extend(group[:n_train]) val_imgs.extend(group[n_train:n_train + n_val]) test_imgs.extend(group[n_train + n_val:]) # 第三步：复制文件到目标目录 for subset, imgs in [('train', train_imgs), ('val', val_imgs), ('test', test_imgs)]: out_img_dir = os.path.join(out_root, subset, 'images') out_lbl_dir = os.path.join(out_root, subset, 'labels') os.makedirs(out_img_dir, exist_ok=True) os.makedirs(out_lbl_dir, exist_ok=True) for img in imgs: shutil.copy(os.path.join(images_dir, img), os.path.join(out_img_dir, img)) label_name = os.path.splitext(img)[0] + '.txt' src_label = os.path.join(labels_dir, label_name) if os.path.exists(src_label): shutil.copy(src_label, os.path.join(out_lbl_dir, label_name))

这个脚本的关键设计是把“类别组合”而不是“单个类别”作为分层依据。谢韦尔数据集里一张钢板可能有三种缺陷同时出现，如果只按单类别分层，划分后可能某些多缺陷组合只在训练集出现，模型永远学不到“多个缺陷同时出现”的情况。参数说明：random.seed(42)是玄学中的玄学，同一个数据集固定种子，你才能复现实验和论文里的数字；如果想做互相比较，可以把 seed 参数化，但不推荐每次跑都换种子。train_ratio, val_ratio我习惯设 0.8/0.1，测试集留 0.1，因为钢材缺陷数据集本身不大，测试集太小会让最后的评估置信度下降。

3.3 划分后必须做的检查

划分完不要立刻去训练，先花五分钟检查两件事。第一件是每个子集的类别分布，第二件是标签文件里是否有空的或异常的坐标。下面这段代码会打印每个子集中每个类别的样本数，以及标签文件的行数异常情况。

import os for subset in ['train', 'val', 'test']: label_dir = os.path.join('split_dataset', subset, 'labels') cls_count = {} empty_files = 0 for lbl in os.listdir(label_dir): if not lbl.endswith('.txt'): continue path = os.path.join(label_dir, lbl) lines = [l.strip() for l in open(path) if l.strip()] if not lines: empty_files += 1 for line in lines: parts = line.split() cls_id = int(parts[0]) cls_count[cls_id] = cls_count.get(cls_id, 0) + 1 print(f"{subset}: {cls_count}, empty_files={empty_files}")

如果某个子集的类别数明显偏离原始比例，比如验证集中类别 2 只有 3 个框，那我建议把random.seed换一个数字重新划分，或者增大val_ratio。如果出现empty_files，说明有的图片没有对应标注，这种样本要不要留完全取决于你的业务定义：但训练时 YOLO 会把它当背景图，如果背景图太多，模型会偏向预测“无缺陷”，所以在划分脚本里可以直接把空标签文件对应的图片剔除，不让它们进入任何子集。

4. 用 YOLOv8 训练自己的数据集：目录结构、yaml 与参数

4.1 按 YOLO 期望的目录结构整理数据

YOLOv8 官方默认的数据目录结构是每个子集下面分images和labels两个目录，图片和 txt 同名。很多人在这一步翻车，因为之前用 VOC/COCO 格式训练过别的框架，习惯把标签集中放在一个文件夹里。我一般解压完数据集后，会先建一个steel_dataset/根目录，然后按下面这个结构摆放：

steel_dataset/ ├── train/ │ ├── images/ │ │ ├── 00001.jpg │ │ └── ... │ └── labels/ │ ├── 00001.txt │ └── ... ├── val/ │ ├── images/ │ │ ├── 00321.jpg │ │ └── ... │ └── labels/ │ ├── 00321.txt │ └── ... └── test/ ├── images/ └── labels/

注意test目录不是必须的，YOLOv8 在训练时只会读取train和val两个子集，test子集是留给最后做评估用的。如果你用的是上一个划分脚本，它已经把文件按这个结构复制好了。我这里要强调一个“文件名一致”的问题：图片如果是00001.jpg，标签就必须是00001.txt，YOLO 只靠前缀匹配来关联图片和标签，不检查内容。要是你的原始数据有00001 (1).jpg这种带空格的文件名，最好先批量重命名，否则后续串路径时会冒出各种诡异报错。

4.2 写 data.yaml 并启动训练

在 ultralytics 框架下，训练第一步是写data.yaml。下面这份配置对谢韦尔钢材缺陷数据集是通用的：

path: /absolute/path/to/steel_dataset train: train/images val: val/images test: test/images nc: 6 names: 0: Crazing 1: Inclusion 2: Patches 3: Pitted_Surface 4: Rolled_In_Scale 5: Scratches

这里最关键的是names的顺序。如果第 2 章你用 VOC 转换脚本时把class_names写成了某个顺序，这里必须完全一致；用 COCO 转换脚本时，因为脚本里用了sorted()，这里也要按字母序写。顺序不一致的后果是：模型训练时的类别索引和标签文件对不上，损失震荡，mAP 基本为零。path建议写绝对路径，尽量别用相对路径，因为不同机器上启动目录不一样，相对路径经常导致图片加载不到。

训练命令我常用的是：

yolo train data=steel_dataset.yaml model=yolov8n.pt epochs=150 imgsz=640 batch=16 workers=8 project=runs name=steel_severstal

参数说明：model=yolov8n.pt表示加载官方预训练权重，会在 COCO 预训练的基础上做迁移学习；如果网络不好，可以先手动下载预训练模型放到weights/目录，然后用model=weights/yolov8n.pt指定。imgsz我设 640，因为原始钢板图像一般比较大，直接 1280 会占爆显存；batch=16是 24GB 显存下的经验值，如果你只有 12GB，建议降到 8 或 4。这里没有简单调大lr的必要，YOLOv8 默认的 SGD 参数在中小数据集上已经很稳。

4.3 预训练权重、训练轮数和损失函数怎么取舍

很多人纠结到底用yolov8n、yolov8s还是yolov8m。我的习惯是先用 n 和 s 各跑一轮，只看前 50 个 epoch 的验证集 mAP50 曲线。如果 s 的提升明显，再切到 s 或 m 做正式训练。因为钢材缺陷是小目标，理论上更大模型能捕获更多纹理特征，但工业场景对推理速度有要求，n 或 s 的量级在 GPU 上能跑到 30fps 以上，m 就有点悬了。

关于训练轮数，5000 张图不算多，默认的 100 epoch 通常能跑到平台期，但如果发现验证集 mAP 还在涨，可以继续用resume参数接着训。还有一点是 YOLOv8 默认使用 CIoU 损失，它对边界框形状比较敏感，对钢材这种不规则缺陷有天然优势。如果你发现模型对小缺陷召回不够，不要急着调损失函数，先去检查数据增强是不是把缺陷缩小到几个像素了；在 ultralytics 里可以把hsv_h、scale等增强参数调低，或者直接关掉 mosaic 增强（mosaic=0），因为 mosaic 会把多张图拼在一起，对于小目标缺陷可能会产生大量“裁剪后消失”的负样本。

5. 训练常见问题排查：标签、BN、显存与混淆矩阵的坑

5.1 标签文件里出现了越界坐标

现象：训练刚开始，控制台不断刷WARNING ⚠️ Box with (x, y, width, height) out of bounds，或者有些图片框的数量比实际标注少。

原因：这是标签文件里存在绝对值坐标越界或归一化坐标超出 0~1 范围。常见来源有两个：一是用 VOC 转换时没有做防御性截断，比如xmax比图像宽度大 1 像素；二是从 COCO 转 YOLO 时，某些标注的x + width大于图像宽度，而脚本直接按width / img_width计算，没有先对原坐标做修正。

解决：不要只改几个文件，直接在加载数据集前跑一次标签扫描脚本，把所有越界的坐标打印出来，并按x_center = min(max(x_center, 0.0), 1.0)的方式修正后回写。同时检查那个文件对应的原图宽度和高度是否和标注尺寸一致，因为有些数据集的 XML 里写的是size/width，但 PNG 实际尺寸不同，这是常见的“黑匣子”问题。

5.2 训练中损失变成 NaN，或 BN 崩溃

现象：训练到几十个 batch 后，loss突然变成nan，或者出现BN is running completely on zero inputs的警告，然后 mAP 直线下降。

原因：最常见原因是学习率过大和 batch size 过小导致的梯度不稳定。YOLOv8 默认初始学习率对 8 卡环境是合理的，但你单卡跑数据量小的时候，可能前 10 个 epoch 就击穿 BN 的统计量。另一个原因是 embed 数据里有极端颜色分布，比如整张图全黑或全白，激活值变化剧烈。

解决：第一步把batch降到 4 或 8，看是否恢复；第二步把初始学习率从 0.01 降到 0.001，或者直接用optimizer=SGD而不是AdamW，工业小数据集上 SGD 更稳。如果还不行，检查是不是有损坏图片或者空标签导致某类梯度一直为零，把训练集里解码失败的图删掉再训。

5.3 混淆矩阵总和不是预设类别数

现象：训练完看confusion_matrix.png，发现每一行的样本总数不等于该类别在验证集里的标注数量，甚至总和和多出来的数值都对不上。

原因：这是很多新人误以为“模型错了”的陷阱。YOLO 的混淆矩阵是按预测结果统计的，它的行表示真实类别，列表示预测类别，但最右一列是“背景”或“未检测到”，最底部一行是“预测为背景”。所以“总和和类别数不一致”是正常现象，真正该看的是每个类别的召回率沿对角线是否够高。如果你用ultralytics生成的混淆矩阵发现除对角线外有大量横向分布，说明类别相似度高，比如麻点和划痕相互误检，这种情况下先做类别合并或者数据平衡，而不是盲目加网络深度。

现象：验证集 mAP50 很高，但 mAP50-95 很低，且显存占用居高不下。

原因：钢材缺陷是小目标，mAP50-95 对边框的 IoU 阈值非常敏感，模型虽然能把目标找出来，但框的位置不够精确，所以 IoU 超过 0.6 就掉点。另一个原因是图像分辨率太低，很多缺陷只有几个像素，模型学不到精细边界。

解决：把imgsz从 640 提到 768 或 1024，显存不够就降低 batch size。同时在验证时开启rect=True或augment=True做多尺度验证，能显著提升 mAP50-95。这一步是“后悔药”，因为你训练时如果用相对低分辨率，后期加分辨率推理效果通常立竿见影。

5.4 显存不足：从 batch size、imgsz、workers 三个方向压下去

现象：启动训练不到一分钟，CUDA OOM 直接退出，或者系统内存被占满然后开始 swap，训练速度掉到蜗牛水平。

原因：显存不足的诱因多数是batch和imgsz设置得太贪心，尤其是把imgsz=1280、batch=16一起设上。另一个隐性问题是workers开太多，多个数据加载进程同时把数据灌进内存，CPU 成为瓶颈，看起来也像“卡死”。很多人的第一反应是换卡，但实际 12GB 显存也可以训练 YOLOv8n，只是要会算账。

解决：显存紧张的保守参数是batch=8 imgsz=640 workers=4。如果还 OOM，就继续降batch到 4 和imgsz到 512，同时把训练命令里的cache=True关掉，因为缓存图片到显存会额外占一部分空间。用nvidia-smi监控显存曲线，正常情况下前几个 batch 显存会小幅上涨，然后趋于稳定；如果持续上涨到 OOM，大概率是数据加载或梯度累加的逻辑异常，这时候重启训练并升级到最新版 ultralytics 往往能解决。

6. 训练完怎么验收：从混淆矩阵到部署的进阶技巧

6.1 用混淆矩阵、PR 曲线和推理图判断能否上线

训练结束后不要只盯着 best.pt 的 mAP。我会在验证集上跑一次yolo val，特意保存三个输出：confusion_matrix.png、PR_curve.png和val_batch_pred.jpg。先说混淆矩阵，如果某个真实类别的对角线只有 60%，建议去val_batch_pred.jpg里看那些漏检的图，八成是缺陷面积太小或纹理太像背景。PR 曲线则告诉你“提升召回率会牺牲多少精确率”，比如你要保证缺陷不出厂，就选择召回率 0.95 对应的置信度阈值，而不是默认的 0.25。我习惯的做法是训练完再用yolo predict对一批测试图片做可视化，观察哪些缺陷类别系统性漏检，再决定是补数据还是调增强。

6.2 导出 ONNX 并用多尺度推理提升稳定性

验证通过后，我一般会导出成 ONNX，因为后面不管是 C++ 部署还是用 ONNX Runtime 做服务，都比直接依赖 PyTorch 稳。导出命令很简单：yolo export model=best.pt format=onnx imgsz=640。导出后要检查一版输出的类别顺序，确保和你data.yaml一致。

import onnxruntime as ort from PIL import Image import numpy as np sess = ort.InferenceSession('best.onnx') input_name = sess.get_inputs()[0].name img = Image.open('test_steel.jpg').resize((640, 640)) input_data = np.array(img).astype(np.float32) / 255.0 input_data = input_data.transpose(2, 0, 1)[None, ...] outputs = sess.run(None, {input_name: input_data})

导出后还有个小技巧：对于钢材表面的微小缺陷，单尺度推理容易被漏检，可以同时用 640 和 768 两个尺寸分别推理，然后做 NMS 合并。这样会增加约 30% 推理耗时，但对“漏检就是事故”的工业场景来说通常值得。如果你把模型部署到生产环境，建议固定输入尺寸，并且在预处理时不要随意改变图像亮度，因为训练时默认的hsv增强已经让模型对颜色有一定容忍度，但过度锐化和归一化依然会改变分布。

经验上，把训练好的模型投入新的钢材产线前，至少要拿一批跟训练集不同时间段采集的图片去验证，只看公开数据集的 mAP 很容易高估线上表现。我自己吃过不少教训：训练时 mAP50 到了 0.9，上线时对现场反光强烈的钢板频繁误检，后来发现是数据增强里的翻转和旋转把缺陷的物理方向性破坏了。从那以后我只做轻微平移和尺度扰动，能做到“线上和离线指标差别不大”，这也希望帮到你。

本文还有配套的精品资源，点击获取