企业官网建设流程全解析

简介：一份面向深度学习语义分割任务的焊接图像数据集，专为焊接质量视觉检测场景设计，包含超过六千张经预处理的原图与对应标签，覆盖良好焊缝、夹渣、飞溅等典型类别，适合研究人员与工程师训练分割模型。压缩包内共二千个文件，以PNG和JPG图片为主，并附有类别定义文本与数据处理脚本，整体大小约四百一十八兆。数据已进行对比度拉伸、尺寸调整等增广处理，可提升模型在不同光照和尺度下的泛化能力；标签与类别清单组织清晰，便于直接接入常见的语义分割网络。其中包含典型焊接缺陷样本，对工业场景中的自动质量检测具有直接帮助，目前已有三百六十八人学习，对需要构建焊接缺陷自动识别方案或开展工业视觉实验的学习者，是一份完整、可直接使用的数据资源。

1. 焊接图像语义分割数据集：先弄清楚这 6k 张图能干什么

焊接图像语义分割数据集（超过 6k 张数据和标签）是专门给焊缝、焊道和焊接缺陷做像素级分类的深度学习数据集。它不输出目标框，而是让语义分割算法把图像里的每一个像素归到背景、焊道、缺陷等类别，所以用 YOLO 做目标检测的习惯到这里要先停一下。对做焊接质检、机器人视觉和缺陷检测的工程师来说，这批数据的直接价值是省掉从零标注的几个月时间；但拿到手的关键不是立刻训练，而是先核对标签约定和类别分布，否则 6k 张图也会因为标签不统一变成负资产。

2. 焊接图像语义分割数据集的构成与标签约定：拿到手先做三件事

不管是自己采集的还是别人交付的，焊接图像语义分割数据集的第一关不是模型，而是弄清目录和标签编码。我一般会在解压之后先做三件事：看目录结构、统计 mask 里的类别像素、筛掉明显漏标的图。这三件事做完，后面训练才不会翻车。

2.1 目录与标注格式：先确认是灰度 PNG 还是调色板 PNG

常见的数据集目录会分成 images 和 labels 两个文件夹，外加 train.txt、val.txt 或 class_names.txt。焊接图像的原始图可能是工业相机拍的黑白灰度图，也可能是伪彩色图；标签图通常用 PNG 保存，每个像素值代表一个类别，比如 0 是背景、1 是焊道、2 是气孔、3 是裂纹。类别的具体含义一定要以 class_names.txt 或者标注文档为准，不能靠猜。

拿到数据后先用一条命令看两级目录：

find . -maxdepth 2 -type d find images -type f | head -5 find labels -type f | head -5

第一段命令看数据集的顶层结构，第二段和第三段分别确认图像和标签的文件名是否一一对应。这里最容易出现的问题是文件名对不上：有的数据集图像是 jpg、标签是 png，扩展名不同但主名相同；有的则带 _mask 后缀。如果主名对不上，后面写 Dataset 时会漏掉一批样本，而且报错很隐蔽。

确定文件结构之后，再用 Python 检查标签图的 mode：

from PIL import Image from pathlib import Path label_dir = Path("labels") for p in sorted(label_dir.glob("*.png"))[:10]: img = Image.open(p) print(p.name, img.mode, img.size)

打印结果里如果是 L，说明是单通道灰度图，可以直接作为类别 id 读取；如果是 P，说明是调色板图，读取时要按调色板索引而不是 RGB 值；如果是 RGB，那就要警惕，很多标注软件导出时会顺手把标签存成彩色 PNG，直接np.array()读进来会得到三维数组，训练时大概率直接崩。

注意：mask 的存储格式直接影响训练代码，先花十分钟把 mode 检查完，比训练时到处排查维度错误划算得多。

2.2 统计灰度与类别分布：用一段脚本看清标签

焊接图像里背景往往占了大半张图，真正属于焊道和缺陷的像素非常少。如果不先做类别统计，训练时 loss 很容易被背景主导。下面这段脚本可以统计整个数据集的类别像素数和占比：

from PIL import Image import numpy as np from pathlib import Path label_dir = Path("labels") class_counts = {} for p in label_dir.glob("*.png"): img = Image.open(p) if img.mode not in ("L", "P"): print(f"{p.name} 不是灰度/调色板标签，跳过") continue mask = np.array(img) values, counts = np.unique(mask, return_counts=True) for v, c in zip(values, counts): class_counts[int(v)] = class_counts.get(int(v), 0) + int(c) for cls_id, total in sorted(class_counts.items()): print(f"class {cls_id}: {total} pixels")

这段脚本的关键是np.unique(mask)，如果标签是 P 模式，np.array(img)拿到的是调色板索引，恰好对应类别 id；如果是 L 模式，拿到的就是灰度值。统计完成后，重点看两类值：一是有没有 255，二是缺陷类的像素占比是不是低到离谱。

255 在很多语义分割任务里代表 ignore 区域，也就是不参与 loss 计算的像素。如果焊接图像里有过曝、反光或者工件之外的区域被标成 255，训练时要在损失函数里设置ignore_index=255，否则模型会强行学这些不可见区域。缺陷类像素占比如果不到 1%，不要急着换模型，先把类别权重或者 Dice loss 加上，否则前几十个 epoch 模型可能一直输出全背景。

2.3 按掩膜质量筛图：哪些图该留、哪些图该删

6k 张带标签的图不是每一张都值得送进训练集。焊接图像经常出现整张图都是背景的情况，可能是采集到了焊前或焊后的间隙，也可能是标注员漏标了。漏标图放进训练集，相当于给模型喂了错误标签，比少一张图危害更大。

写一个简单的漏标检查脚本：

from PIL import Image import numpy as np from pathlib import Path label_dir = Path("labels") empty_samples = [] for p in label_dir.glob("*.png"): img = Image.open(p) if img.mode in ("L", "P"): mask = np.array(img) if len(np.unique(mask)) == 1: empty_samples.append(p.name) print(f"空标签数量: {len(empty_samples)}") for name in empty_samples[:20]: print(name)

如果一个样本的 mask 里只有一个像素值，说明它要么是全背景，要么是整张图都被标成了同一个类别。全背景图是否要删除取决于业务定义：如果将来在线检测时会遇到大量没有焊缝的帧，保留一些全背景图有利于降低误检；但如果这些图只是采集时机不对，建议直接剔除。

除了空标签，还要看边缘质量。把 mask 和原图叠加显示，如果发现标注边缘粗糙得像刷子画出来的，训练出的模型边缘也会同样粗糙。对这种图，我更倾向于在标注工具里用多边形修一遍，或者直接把标注质量差的样本从训练集里隔离出来，等后期做半自动标注时再处理。

3. 用语义分割模型训练焊接图像：从数据加载到收敛

标签和目录确认之后，才算真正进入训练阶段。焊接图像和自然场景图不一样，焊道边缘细、缺陷小、背景纹理单一，所以模型选择和数据加载都要针对这个特点来调。

3.1 选模型：U-Net 还是 DeepLabV3+，以及焊接图像为什么不吃大 backbone

焊接图像语义分割的难点不是区分类别，而是不要漏掉小缺陷。常见的语义分割算法里，U-Net 结构对小目标更友好，因为它的跳跃连接能把浅层边缘信息送到深层；DeepLabV3+ 的优势是感受野大，适合轮廓相对规则的场景。如果数据量只有 6k 张，我一般会先用 U-Net 或 DeepLabV3+ 的轻量骨干跑一版，而不是直接上很大的 backbone。

原因很简单：焊接图像的背景结构简单，焊道区域在图像里通常是连续条带，不需要特别深的网络去理解复杂语义。大 backbone 带来的提升往往被背景像素占比拉平，反而把训练时间拖长。选择模型时还要考虑部署环境，如果是工业相机旁边的工控机，推理速度和显存占用比 mIoU 上零点几个点更重要。

3.2 一个能直接改的 Dataset 类：crop、resize 和 mask 插值

训练代码的第一块硬骨头是数据加载。这里必须记住一个原则：图像可以用线性插值，mask 一定不能用线性插值。mask 里的 1、2、3 是类别编号，线性插值会产生 1.7 这种根本不存在的类别。下面这个 Dataset 类是一个可以直接改的模板：

import cv2 import numpy as np import torch from torch.utils.data import Dataset from pathlib import Path class WeldSegDataset(Dataset): def __init__(self, image_dir, label_dir, samples, crop_size=512, aug=False): self.image_dir = Path(image_dir) self.label_dir = Path(label_dir) self.samples = samples self.crop_size = crop_size self.aug = aug def __len__(self): return len(self.samples) def __getitem__(self, idx): sample_id = self.samples[idx] image = cv2.imread(str(self.image_dir / f"{sample_id}.jpg")) image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) mask = cv2.imread(str(self.label_dir / f"{sample_id}.png"), cv2.IMREAD_GRAYSCALE) if image.shape[0] < self.crop_size or image.shape[1] < self.crop_size: image = cv2.resize(image, (self.crop_size, self.crop_size), interpolation=cv2.INTER_LINEAR) mask = cv2.resize(mask, (self.crop_size, self.crop_size), interpolation=cv2.INTER_NEAREST) else: h, w = image.shape[:2] top = np.random.randint(0, h - self.crop_size + 1) left = np.random.randint(0, w - self.crop_size + 1) image = image[top:top+self.crop_size, left:left+self.crop_size] mask = mask[top:top+self.crop_size, left:left+self.crop_size] if self.aug: if np.random.rand() < 0.5: image = image[:, ::-1].copy() mask = mask[:, ::-1].copy() image = image * (0.9 + 0.2 * np.random.rand()) image = torch.from_numpy(image.transpose(2, 0, 1)).float() / 255.0 mask = torch.from_numpy(mask).long() return image, mask

这里 crop_size 我一般取 512，焊接缺陷小，切太大反而让背景占比更高；切太小又会把焊道截断。随机水平翻转对大部分焊接件是安全的，但我不会做随机旋转和弹性形变，因为焊缝是刚性几何结构，过度扭曲会让模型学到错误的形态特征。亮度扰动用 0.9 到 1.1 的系数，模拟工业现场光照波动，太强的亮度扰动会掩盖反光缺陷。

3.3 损失函数与训练参数：交叉熵、Dice 和缺陷类别 IoU

焊接语义分割的类别不均衡是必然的。如果不处理，模型会学成“背景预测器”。常见做法是给类别加权，或者把 Dice loss 和交叉熵混合。类别权重的计算可以直接用上一章的统计结果：

class_counts = np.array([1000000, 50000, 3000, 2000]) frequencies = class_counts / class_counts.sum() class_weight = torch.tensor(1.0 / np.sqrt(frequencies), dtype=torch.float) print(class_weight)

这里1 / sqrt(freq)是防止权重差距过于极端。如果直接用1 / freq，背景类的权重可能只有 0.001，小缺陷类权重却超过几百，训练初期梯度会抖动得很厉害。加上 sqrt 之后，背景权重变小、缺陷权重变大，但不会把训练变成缺陷类单独拟合。

训练时可以这样组合损失：

import torch.nn.functional as F ce = F.cross_entropy(logits, mask, weight=class_weight, ignore_index=255) dice = soft_dice_loss(logits, mask, num_classes=4) loss = 0.7 * ce + 0.3 * dice

交叉熵负责让每个像素分类尽可能准确，Dice loss 负责拉高前景和缺陷的重合度。系数 0.7/0.3 是我常用的起点，如果缺陷类 IoU 一直不动，把 Dice 的系数加到 0.4 或 0.5。优化器用 AdamW，初始学习率 1e-4，batch size 8，训练 80 个 epoch。前 30 个 epoch 只看 loss 下降趋势，后 50 个 epoch 要盯着缺陷类别的 IoU，不要只盯整体 mIoU。

4. 焊接图像语义分割的 5 个典型坑：标注、类不平衡与模型失效

即使模型能收敛，焊接图像数据集的坑也远没结束。下面这 5 个问题是我在类似项目里反复踩过的，每条按现象、原因、解决三个部分说清楚。

4.1 焊道反光造成的标签漂移

现象：训练 loss 正常下降，验证 mIoU 也不错，但一到新现场就出问题，模型把焊道边缘的高亮反光区域预测成了气孔。

原因：反光区域在灰度图上表现为高亮的圆形或条状斑块，和真实气孔在视觉上非常像。如果标注人员只是按亮度圈缺陷，反光就会被标进缺陷类，模型实际学到的是“亮度异常=缺陷”，而不是“形态异常=缺陷”。

解决：先把标签里所有反光区域重新检查一遍，把误标为缺陷的反光擦掉，归到背景或单独的反光类。训练时不要做强直方图均衡，因为均衡化会进一步放大反光和暗区对比，让误判更严重。如果现场反光无法避免，可以在数据增强里加随机高光模拟，但前提是标签本身已经干净。

4.2 类别像素极度不平衡：从 loss 曲线看不出类别崩溃

现象：loss 从 1.2 降到 0.3，训练看起来很成功，但单独看缺陷类 IoU 是 0，模型把所有像素都预测成背景。

原因：背景像素占比过高时，交叉熵 loss 会被背景项主导。即使缺陷类 100% 分错，背景类 95% 以上分对，loss 依然在下降。

解决：先打印每个类别的混淆矩阵，不要只看整体 loss。然后在损失函数里加上类权重或 Dice loss。我的习惯是最低类别占比低于 1% 时，强制把该类的 loss 权重调到其它类的 5 到 10 倍，同时用ignore_index=255排除无效区域。

4.3 边缘标注过粗导致 mIoU 虚低

现象：训练到 50 个 epoch 后验证 mIoU 在 0.85 附近卡住，怎么调学习率都上不去。

原因：焊接掩膜的边缘如果标注得很粗，模型学到的边缘和真实边缘之间永远差几个像素。评估阶段 ground truth 边缘也是错的，所以模型预测越接近真实边缘，和错误标签的 IoU 反而越低。

解决：先放大看标签边缘，确认是不是标注问题。如果是，用形态学腐蚀把 mask 边缘向内收缩 1 到 2 个像素，让标签更贴真实边界。更彻底的方案是在标注工具里把粗画笔改成多边形精修，或者用模型预测结果做边缘微调，再人工确认。

4.4 验证集划分不当：同一工件出现在训练和验证

现象：验证 mIoU 高达 0.95，但换到新的焊接件上效果骤降。

原因：焊接图像经常是按视频帧采集的，同一道焊缝的相邻帧几乎一模一样。如果随机切分 train/val，同一个工件会同时出现在两边，模型等于提前见过验证集。

解决：按工件 ID 或采集时间分组切分。比如文件名是part001_frame010.jpg，就以part001作为分组特征，保证同一个工件的所有帧只进训练集或只进验证集。分组切分的代码在下一章给出。

4.5 误把 RGB 图当作灰度标注

现象：训练脚本没报错，但 loss 涨到几千或输出维度对不上，检查时发现 mask 长成了(H, W, 3)。

原因：标签导出时用了彩色 PNG，0、1、2 被存成 RGB 三元组，而不是单通道类别值。

解决：加载 mask 前先打印mode。如果是 RGB，优先回到标注工具重新导出；如果实在没办法，只能写映射表把 RGB 颜色还原成类别 id，但整个过程非常痛苦。所以拿到数据集的第一件事，永远是用上一章的脚本检查 mask 的 mode，这个习惯能省下一整天的排查时间。

5. 让 6k 数据发挥更大价值的三个方向：分组划分、后处理与半自动标注

如果前面的热身都做完了，模型也已经能跑通，接下来才是把 6k 张图真正变成可用资产的部分。数据质量比数量重要，但好的方法可以让质量一般的 6k 张图翻倍。

5.1 按工件分组划分 train/val/test：别让同一道焊缝两边都出现

焊接视频帧之间存在极强的时序相关性，相邻两帧可能只差一个采集角度。随机切分会让验证集失去意义。用 GroupShuffleSplit 可以按组切分：

from sklearn.model_selection import GroupShuffleSplit samples = ["part001_frame001.jpg", "part001_frame002.jpg", "part002_frame001.jpg"] groups = [name.split("_frame")[0] for name in samples] gss = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42) train_idx, val_idx = next(gss.split(samples, groups=groups)) train_samples = [samples[i] for i in train_idx] val_samples = [samples[i] for i in val_idx]

这里groups是每个样本所属的工件编号。如果没有现成的工件 ID，可以按文件名前缀或采集时间窗口来构造。test_size 我一般取 0.2，但焊接数据里如果某个工件的缺陷形态特别特殊，把它整组放进测试集就会导致测试指标异常，所以最好再单独留一个包含典型缺陷的固定测试集。

5.2 后处理：连通域过滤比直接调阈值更稳

模型输出的是每个像素的类别概率，直接取 argmax 会得到很多孤立噪声点。尤其是气孔这类小目标，模型经常在焊道中间吐出一连串零散小点。常见做法是加连通域过滤：

import cv2 import numpy as np def remove_small_components(pred_mask, min_area=30): num_labels, labels, stats, _ = cv2.connectedComponentsWithStats(pred_mask, 8) clean = np.zeros_like(pred_mask) for i in range(1, num_labels): if stats[i, cv2.CC_STAT_AREA] >= min_area: clean[labels == i] = 1 return clean

min_area是像素面积阈值，需要根据训练时的输入尺寸调整。如果模型输入是 512x512，气孔在图上可能只有 10 到 30 个像素，min_area 建议不超过 20；如果是检测焊瘤或大块飞溅，阈值可以放到 100 以上。这个后处理最大的坑是误删小缺陷，所以上线前一定要可视化检查被过滤掉的区域。

CRF 后处理也能让边界更干净，但推理速度会明显变慢。工业现场如果对单帧延迟有要求，我一般不用 CRF，而是用连通域过滤加边缘平滑。实际效果和 CRF 差距不大，速度却快得多。

5.3 半自动标注：先用干净数据训练，再反推质量差的标签

6k 张图里如果只有 4k 张标注得干净，剩下 2k 张边缘很糙，不要直接删掉。更高效的做法是先用 4k 干净图训练一个初版模型，再对剩余图像做预测，让标注员只修标签，而不是从零画。

挑选哪些图值得修，可以用预测熵来决定。熵越高，说明模型对这个区域越不确定，越可能是标注本身有问题：

import torch def uncertainty_score(model, images): logits = model(images) prob = torch.softmax(logits, dim=1) entropy = -(prob * torch.log(prob + 1e-6)).sum(dim=1) return entropy.mean(dim=(1, 2)).cpu().numpy()

把每张图的平均熵从高到低排序，优先修熵最高的一批。这个流程本质上是把人工标注资源用到模型最不确定的地方。对焊接缺陷这类小目标，模型不确定的区域往往集中在缺陷边界和反光区域，正好是标注最容易出错的位置。

6. 上线前的验证与模型迭代：用 6k 图换一个可用模型

训练完成不等于可以上线。焊接图像分割模型落到现场之前，我会先用一个“现场视角”的验证集做检查，这个集和 train/val 的划分方式完全不同。现场样本应该包含不同光照、不同焊接速度、不同工件批次，而不是从原数据集里再抽一部分相似帧。如果现场数据没有标签，就临时标记 30 到 50 张，只用来做通过性测试。

验证时先跑整体指标，再看三类细节：缺陷有没有漏报、边缘有没有锯齿、反光区域有没有误报。不要只看 mIoU，焊接质检更关心漏报率。缺陷漏掉了，mIoU 再高也没意义；边缘糙一点反而可以通过后处理修。所以我会单独算每个缺陷类别的 recall，如果 recall 低于业务要求，先把后处理阈值调低，再考虑重训。

模型迭代时一次只改一个变量。要么调损失系数，要么调数据增强，要么换 backbone，不要同时全改。我自己的习惯是：任何一次改动，先看缺陷类别的 IoU，再看整体 mIoU；如果缺陷 IoU 没有变化，就回到数据层面检查标签。这个习惯帮我挡掉过很多次看起来 mIoU 很高、实际没法用的模型。希望帮到你。

本文还有配套的精品资源，点击获取