10款AI论文辅助工具测评：本科生写作全流程指南
2026/10/27 2:48:01
轴承缺陷目标检测YOLO数据集![]()
| 项目 | 详情 |
|---|---|
| 任务类型 | 目标检测 |
| 图片总量 | 3700张 |
| 分类数量 | 8类 |
| 类别 | 铸造毛刺(Casting_burr)、裂纹(crack)、划痕(scratch)、凹坑(pit)、抛光铸件(Polished_casting)、应变(strain)、未抛光铸件(unpolished_casting)、毛刺(burr) |
| 标注格式 | YOLO txt、VOC xml |
| 划分比例 | 训练集7：验证集1：测试集2 |
- 数据集简介
- 该数据集为工业轴承表面缺陷目标检测数据集，数据集原始图片3659张，为工业相机采集的轴承实拍图像。
- 数据集一共包含8类轴承表面状态与缺陷，包含铸造毛刺、裂纹、划痕、凹坑、抛光铸件、应变、未抛光铸件、毛刺，覆盖轴承生产中常见表面异常。
- 同时提供VOC xml与YOLO txt两种标注格式，拿到数据后无需复杂转换，可直接投入YOLO系列目标检测模型训练。
- 数据集标注优势
- 样本来自工业生产实拍，包含各类缺陷大小形态，既有大面积裂纹划痕，也存在微小凹坑、细小毛刺等小目标缺陷。
- 目标框紧密贴合轴承缺陷区域，标注规范，能够区分多种极易混淆的轴承表面加工痕迹与真实缺陷。
- 数据集按照7:1:2比例划分，样本分配均衡，方便训练调参、对比不同算法模型效果。
- 模型训练与应用
- 使用YOLO26完成训练后，模型可以快速定位图像中轴承各类表面缺陷位置并完成分类。
- 识别结果可用于工厂流水线轴承质检、零部件缺陷筛查、生产质量管控、工业零部件视觉检测。
- 适合工业缺陷检测毕设、零部件质检算法开发、产线视觉检测方案落地。
- 数据集面向工业零部件质检场景，为轴承自动化外观检测视觉方案提供训练素材。
配置文件
```yaml path: ./ train: images/train val: images/val test: images/test names:0: Casting_burr1: crack2: scratch3: pit4: Polished_casting5: strain6: unpolished_casting7: burr#轴承缺陷检测 #工业零部件质检 #表面缺陷识别 #工业目标检测数据集 #机器视觉