简介一套PCB缺陷识别检测数据集面向深度学习目标检测方向的学习者与工业视觉质检开发者可用于训练和评估印制电路板表面缺陷检测模型。压缩包共800个文件其中包含400张JPG原始图像与400个对应的Pascal VOC格式XML标注文件整体大小95.17MB图像与标注文件一一对应标注内含缺陷类别与边界框坐标可直接导入主流检测框架训练。数据集平均识别正确率在95.9%左右标注规范、覆盖场景较为典型适合用于YOLO、Faster R-CNN等模型的训练与算法对比也可作为数据增强、迁移学习等实验的基础数据。目前已有412人学习下载对于需要真实PCB缺陷样本开展研究的读者而言这是一份可以直接上手的实用资源。1. PCB缺陷识别检测数据集400张VOC标注图如何撑起95.9%的准确率做PCB缺陷检测的人都知道最折磨人的不是模型调参而是数据。工业现场采集到的板子图片动辄几千张但真正干净、标注规范、能直接喂给目标检测模型的数据集少之又少。这套PCB缺陷识别检测数据集就是为解决这个问题来的——400张原始图像全部按Pascal VOC格式做了XML标注训练后平均识别正确率能到95.9%。对搞视觉检测的工程师来说这意味着拿到的不是一堆裸图而是一套能直接进训练流程的标注资源。它的价值在于省掉了最脏最累的标注环节。Pascal VOC的XML格式意味着你可以直接对接YOLO系列、Faster R-CNN、SSD这些主流检测框架不必再写脚本去猜框在哪、类别叫什么。适合三类人刚入行需要数据练手的算法工程师做PCB产线质检方案需要快速验证的集成商以及研究缺陷检测算法但不想花两周时间标注的学生。接下来我从数据结构、转换流程、训练验证到踩坑点把这份资源的用法完整拆一遍。2. 数据集结构拆解VOC XML标注里到底存了什么拿到数据集第一件事不是急着训练而是先搞清楚目录结构和XML文件里每个字段的含义。这一步省不了因为后续所有转换脚本、训练配置都要基于你对标注格式的理解。2.1 目录组织与文件命名规律典型的Pascal VOC格式数据集目录长这样Annotations目录放XML文件JPEGImages放原始图像训练测试的划分清单通常在ImageSets/Main下。400张图的规模不算大但胜在标注密度高——每张板上缺陷数量从几个到十几个不等总量足够让模型学到缺陷的纹理和形态特征。文件命名是强关联的图像叫0001.jpgXML就叫0001.xml这是Pascal VOC的约定也是后续转换脚本匹配图像和标注的前提。你下载后第一件事应该做一致性校验遍历JPEGImages下所有jpg检查Annotations里是否有同名的xml。我习惯写个三行脚本做这个事避免训练到一半发现数据没对齐。ls JPEGImages | sed s/\.jpg// | sort imgs.txt ls Annotations | sed s/\.xml// | sort anns.txt comm -23 imgs.txt anns.txt这段脚本输出的是“有图没标注”的文件名清单正常应该为空。comm命令需要两个输入文件都是排序过的所以前面都走了sort管道。如果这段有输出说明数据本身有问题得先补齐或者剔除不能直接进训练。2.2 XML字段逐项解析从folder到object一张标注好的XML内部结构是固定的我拿一份典型样本拆开看。根节点annotation下依次是folder图像所在目录名、filename图像文件名、source来源信息、size宽高和通道数、object目标框列表。object是核心嵌套name类别名、pose、truncated、difficult以及bndbox——bndbox里四个坐标值xmin、ymin、xmax、ymax决定了缺陷框的位置。annotation folderJPEGImages/folder filename0032.jpg/filename size width1024/width height768/height depth3/depth /size object namemissing_hole/name bndbox xmin120/xmin ymin85/ymin xmax156/xmax ymax113/ymax /bndbox /object /annotation几个关键点要记住。第一xmin和ymin的坐标原点在图像左上角不是左下角转换到其他格式时千万别把坐标系搞反了。第二VOC坐标是整数像素值通常左上角从1开始计数而YOLO格式要求归一化的浮点数且中心点坐标是相对图像宽高的比例——这个差异是后续转换脚本最容易出错的地方。第三difficult和truncated在训练时是否参与计算取决于你的预处理脚本很多转换代码直接把difficult1的样本丢弃这会影响小缺陷的召回率。这个数据集的类别体系做得比较干净缺陷类型集中没有冗余标注这对训练稳定性很关键。你拿到后建议先用脚本统计所有XML里的name分布确认各类别样本数量均衡度再决定是否需要做类别加权或者数据增强。3. 从VOC到YOLO训练前必经的数据转换流程VOC格式虽然通用但直接用YOLO训练还是差一步。YOLO系列要求每张图对应一个txt标注文件每行格式是class_id x_center y_center width height坐标全部归一化。这段转换是整个流程里最容易出bug的地方我详细拆一下。3.1 转换脚本的完整实现与参数说明下面这段Python脚本是VOC转YOLO的标准写法核心逻辑就是读XML、归一化坐标、写txt。我会在注释里标注容易翻车的点。import xml.etree.ElementTree as ET import os classes [missing_hole, mouse_bite, open_circuit, short, spur, spurious_copper] # 按数据集实际类别调整 def convert_annotation(xml_path, out_path, img_width, img_height): tree ET.parse(xml_path) root tree.getroot() with open(out_path, w) as f: for obj in root.iter(object): cls obj.find(name).text if cls not in classes: continue cls_id classes.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) # 归一化中心点坐标除以图宽高宽高同理 x_center (xmin xmax) / 2.0 / img_width y_center (ymin ymax) / 2.0 / img_height w (xmax - xmin) / img_width h (ymax - ymin) / img_height f.write(f{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}\n) # 遍历所有XML xml_dir Annotations txt_dir labels os.makedirs(txt_dir, exist_okTrue) for xml_file in os.listdir(xml_dir): if not xml_file.endswith(.xml): continue img_file xml_file.replace(.xml, .jpg) # 这里要拿真实图像尺寸不能写死 # 用PIL读取from PIL import Image; w,h Image.open(...).size convert_annotation(os.path.join(xml_dir, xml_file), os.path.join(txt_dir, xml_file.replace(.xml, .txt)), 1024, 768)这段代码里最需要留意的不是数学逻辑而是img_width和img_height的取值来源。我在脚本里写死了1024和768但实际数据集的图像尺寸未必统一。正确做法是逐张图读取尺寸再传入否则一旦某张图尺寸不同归一化坐标就全是错的。另外classes列表的顺序必须和训练配置里的names文件保持一致顺序错一位模型学到的类别就全乱了。3.2 转换后的校验坐标越界与类别映射检查转换完不能直接开训先做两步校验。第一步是检查生成txt里有没有越界值——归一化坐标应该在[0,1]区间由于标注框本身合法转换逻辑没问题的话不会越界但如果你把图像宽高写反了x_center就会出现大于1的值。# 检查所有标签文件中是否有超出[0,1]范围的坐标 grep -E [1-9]\.|[0-9]\.[0-9]{6} labels/*.txt | head -20 awk {for(i2;i5;i) if($i0 || $i1) print FILENAME, $0} labels/*.txt第二步是随机抽几张图把转换后的归一化坐标还原成像素坐标画框可视化对比原图。这一步能直观看到框是否贴合缺陷位置能同时发现坐标顺序、类别映射、图像尺寸三个层面的问题。我一般抽10张图做可视化全对才放行因为坐标错位这种问题在loss曲线上反应很慢等到训练完才发现就晚了。这套数据集的标注质量比较高转换后框的位置误差小但这不代表你可以跳过校验。尤其是你要新增类别或者调整类别顺序时必须重新走一遍完整的转换和可视化流程不能只改classes列表就以为万事大吉。4. 缺陷识别与评测准确率95.9%的验证路径数据集标注好、格式转对了接下来就是训练和验证。95.9%这个数字不是凭空来的它对应一整套评测流程。理解这个流程你才能判断这个数据集在你自己的场景里能复现多少效果。4.1 训练集与验证集的划分策略400张图怎么划分直接影响最终准确率数字。常见做法是按8:2或9:1划分训练验证但这个数据集里缺陷分布不均衡——某些类别样本少随机划分可能导致验证集里某个类别一个样本都没有。我一般会用分层的思路按类别统计每张图的缺陷类型分布确保划分后训练集和验证集里各类别的比例接近。from sklearn.model_selection import train_test_split import xml.etree.ElementTree as ET import os xml_files [f for f in os.listdir(Annotations) if f.endswith(.xml)] class_counts [] for xml_file in xml_files: tree ET.parse(os.path.join(Annotations, xml_file)) root tree.getroot() counts [0] * len(classes) for obj in root.iter(object): cls obj.find(name).text if cls in classes: counts[classes.index(cls)] 1 class_counts.append(counts) # 按类别分布做分层划分 train_files, val_files train_test_split( xml_files, test_size0.2, stratifyclass_counts, random_state42 ) print(f训练集: {len(train_files)} 张, 验证集: {len(val_files)} 张)这段代码用stratify参数做分层采样保证划分后各类别比例一致。random_state42固定随机种子确保每次划分结果相同实验结果可复现。这里有个细节train_test_split的stratify要求传入的标签数组长度和样本数一致所以class_counts的每个元素是对应XML文件里各类别计数的向量。如果你直接传多类别标签会报错这是常见坑需要先用MultiLabelBinarizer或者手工构造向量。4.2 训练配置与准确率指标解读用YOLOv8训练这套数据的话几个核心参数要关注。imgsz设为训练图的实际尺寸或等比例缩放的尺寸batch根据GPU显存调整epochs建议从100起步。model选择取决于你对速度和精度的权衡——追求准确率用yolov8m或yolov8l追求推理速度用yolov8s。yolo detect train \ datapcb.yaml \ modelyolov8m.pt \ epochs150 \ imgsz640 \ batch16 \ patience20 \ projectpcb_defect \ namebaselinepatience20的意思是连续20个epoch验证集性能没提升就提前停止这个参数能省时间但也可能卡在局部最优。datapcb.yaml里面要写清楚训练验证路径和类别名列表路径必须和你的目录结构匹配类别名顺序要和转换脚本里的classes列表一致。评测时95.9%的准确率通常指mAP0.5也就是IoU阈值0.5下的平均精度。这个指标反映的是模型在验证集上框得准不准、有没有漏检。想要看模型在具体缺陷类别上的表现得分别看每个类别的AP值。小缺陷如spur和spurious_copper的AP通常低于平均水平因为像素占比小特征不明显。你训练完对比这个基准数字时要注意95.9%是原数据集作者在特定框架、特定训练策略下的结果你复现时用的图像尺寸、增强策略、预训练权重不同准确率会有波动。只要mAP0.5稳定在92%以上说明数据转换和训练流程没问题如果掉到85%以下优先查数据转换和类别映射而不是调模型。5. 常见问题与避坑标注、转换、训练三类翻车现场任何数据集拿到手都会遇到几个绕不开的坑。这里我把最典型的几条踩坑记录写出来每条都是「现象 → 原因 → 解决」的结构你在自己环境里复现时遇到同样问题可以直接照方抓药。5.1 转换后坐标偏移框和缺陷位置对不上现象用可视化脚本画框发现框整体偏左上或右下框的大小也不对。原因最常见的是图像缩放问题时标注坐标没跟着变。比如你训练时imgsz640但转换归一化坐标时用的是原图尺寸这本身没问题问题出在数据加载时如果做了resize和letterbox归一化坐标和实际图像的对应关系就变了。另一种情况是XML里坐标基点是0还是1——VOC规范坐标从1开始但有些标注工具从0开始差1个像素在放大后看起来就是整体偏移。解决先去确认XML里xmin的最小值是不是1或者0然后统一从1转换。用letterbox做尺寸统一时直接对YOLO格式的txt做等比例缩放补边或者在数据加载端做mosaic增强让坐标变换和图像变换同步。别在转换脚本里单独处理。5.2 训练时loss正常但mAP极低现象loss曲线平滑下降但验证集mAP一直低于20%。原因大概率不是模型问题而是数据标签和类别映射错位。比如转换脚本里classes列表是[missing_hole,mouse_bite]而训练配置data.yaml里的names写成了[mouse_bite,missing_hole]——顺序反了模型学到的类别和标注对不上mAP自然崩。解决花两分钟写个脚本做正向验证读一张图的txt按classes列表映射回类别名和对应XML里的name对比。整个过程不超过五分钟能把类别顺序的问题彻底挡住。另外检查一下data.yaml里的nc类别数是否正确多一个少一个都会出问题。5.3 某些缺陷类别总是漏检现象整体mAP还能看但单一类别如short的AP只有50%左右明显低于其他类别。原因类别样本不均衡。400张图里如果short只出现在20张图中模型见过的正样本太少特征学不扎实。另一种可能是这类缺陷本身和背景对比度低标注框又小模型难学。解决先看样本统计确认是不是数据量的问题。如果是优先做针对性增强比如对含short缺陷的图像做水平翻转、亮度抖动、加入更多随机裁剪再不够就用copy-paste增强把这类缺陷抠出来随机贴到正常PCB图像上。数据增强做在图像层面坐标系不受影响YOLO的mosaic增强自带坐标变换处理。这三类坑是PCB缺陷检测里最高频的翻车现场。第一条坑基本是动手就踩第二条坑一踩就是浪费两三天训练时间第三条坑是精度上不去的隐形原因。把这三关过了这个数据集的实际价值才算真正发挥出来。6. 进阶用测试时增强和集成推理把准确率再往上推模型训练到95.9%的基准之后还想往上走就得在推理阶段做文章。这里分享一个对PCB缺陷检测特别有效的方法测试时增强。原理很简单——推理时把输入图做几种变换分别预测后再融合结果相当于让模型看多个视角再下结论。对PCB这种纹理规则、缺陷区域小的场景TTA能有效减少漏检。import cv2 import numpy as np from ultralytics import YOLO model YOLO(best.pt) def tta_infer(image_path): img cv2.imread(image_path) # 原图 水平翻转 垂直翻转 旋转180度 variants [ img, cv2.flip(img, 1), # 水平翻转 cv2.flip(img, 0), # 垂直翻转 cv2.rotate(img, cv2.ROTATE_180) ] all_boxes, all_scores, all_cls [], [], [] for v in variants: results model(v, conf0.25, verboseFalse)[0] boxes results.boxes.xyxy.cpu().numpy() scores results.boxes.conf.cpu().numpy() cls_ids results.boxes.cls.cpu().numpy() all_boxes.append(boxes) all_scores.append(scores) all_cls.append(cls_ids) # 将翻转/旋转后的检测框坐标还原到原图坐标系 # 然后做NMS融合或用WBF算法 # 这里省略坐标还原细节核心是对多组预测做加权合并 return all_boxes, all_scores, all_clsTTA的代价是推理时间翻几倍但对离线质检场景完全可接受。PCB缺陷检测本身不是实时任务一条生产线上几秒钟出一块板子的检测结果用TTA换取2到3个百分点的召回率提升是划算的。如果你的场景要求毫秒级响应TTA就不适用了这时候换成做模型蒸馏或剪枝更实际。从那以后我每次用这个数据集训练都会固定走一遍标准流程先校验XML和图像一致性再转换格式并可视化抽查10张接着分层划分训练验证集训练完看各类别AP而不是只看整体mAP最后在推理阶段用TTA确认精度还有没有上升空间。这个过程可能多花半小时但能挡住绝大多数翻车。希望帮到你。本文还有配套的精品资源点击获取