企业官网建设流程全解析

简介：这是一套面向PCB电路板缺陷检测需求的数据集资源，适用于目标检测算法开发者、智能制造质检人员以及深度学习初学者，可用于训练和评估电路板缺陷识别模型。压缩包内共含2000个文件，其中以JPG图片和TXT标注文件为主体，另有1个YAML配置文件，整体体积约120.94MB。具体来看，1297张PCB板缺陷图片均采用YOLOv5格式标注，对应的TXT文件可直接供模型训练使用，JPG原图保留了清晰的纹理与光照信息，YAML文件则配置好类别与路径。已有470人学习/下载。数据集覆盖了短路、断路、污损、划痕等多种典型缺陷类型，标注规范、目录结构清晰，可直接投入YOLOv5等主流目标检测框架进行迁移学习与精度调优。读者既能借此省去繁琐的数据采集和标注时间，又能快速验证检测算法在实际PCB场景中的效果，还可以作为科研实验的基准数据，为整套PCB缺陷识别项目提供可靠样本支撑。

1. 1297张图撑起99.8%准确率：这个PCB缺陷数据集到底能不能用？

标题一出来就带着一股“小样本干大事”的味道。1297张图片、YOLOv5格式标注、99.8%识别准确率，这三个数字放在一起，做过缺陷检测的人都会先皱眉。实际落地时，PCB缺陷检测常是从AOI图像里找缺角、短路、划痕、漏铜这几类典型问题，每个缺陷类别可能只有几十到几百张样本，能凑齐1297张已经算干净数据。这套数据集适合用来跑通YOLOv5训练自己的数据集的完整流程，也适合新入行者练习数据标注和目标检测。但99.8%这个准确率，若没说明测试集构成和置信度阈值，只能当作参考。这里不玄学，我们把它拆开看数据怎么组织、怎么训练、怎么评估，以及哪里容易翻车。

2. 拆开数据集：YOLOv5标注格式的构成与质检清单

拿到一个标题声称“YOLOv5格式标注”的PCB缺陷数据集，第一件事不是急着开训，而是先确认数据组织方式对不对。YOLOv5的格式非常具体，和VOC的XML、COCO的JSON完全不同。如果只拿到一堆图片加XML，或者只有一个CSB文件，严格来说都不能直接喂给YOLOv5。下面我们按目录结构、标签检查、数据划分的顺序过一遍。

2.1 YOLOv5格式到底长什么样：txt标签与文件夹结构

YOLOv5标准布局一般是 images/ 和 labels/ 并排，images里再分train和val子目录，labels对应同样的结构。每个图片有一个同名txt文件，后缀不同，例如 images/train/pcb_001.jpg 对应 labels/train/pcb_001.txt。txt每一行代表一个目标框，格式是五段数值：

类别id 中心点x 中心点y 框宽 框高

四个坐标都是0到1的归一化值，相对图片宽度和高度计算。比如一行“2 0.512 0.345 0.056 0.023”代表类别2（比如划痕），中心在图片横向51.2%、纵向34.5%的位置，框宽占5.6%、高占2.3%。这种格式的好处是不同分辨率图片下框的绝对大小被归一化，训练时任意缩放都不需要改标注。反过来，如果某个工具导出的是像素坐标，就必须除以图片宽高做一次转换，常见的数据标注工具如LabelImg、CVAT导出的VOC格式都要这么转。

拿到数据集后，先清点文件数量和图片能否对应：

find images -name "*.jpg" | wc -l find labels -name "*.txt" | wc -l

图片数和标签数不一致，意味着有图片没标注，或者标注没有对应图片。这类问题很多，我一般立一个规矩：图片名和标签名必须完全一致，包括前缀，绝不允许缺张或多张。还要检查labels下是否有空文件，空txt代表这张图没有缺陷框。如果把它留在训练集里，YOLOv5会把它当成背景图参与负样本学习，本身没有错，但一旦数量过多会压制正样本梯度，所以最好单独放在“无缺陷”目录里，或者统计数量后再决定。

2.2 用脚本检查标注质量：类别、框大小、坐标越界

数据标注工具导出的YOLOv5标签，有时混入非法值：坐标小于0或大于1、宽高为负、类别索引超出类别数、框太小导致目标基本不可辨。这些问题会让训练loss异常或让模型学到噪声。我习惯用一段简单的Python脚本扫描所有标签。

import os from collections import Counter labels_dir = "labels" class_counter = Counter() bad_files = [] box_widths = [] box_heights = [] for root, _, files in os.walk(labels_dir): for f in files: if not f.endswith(".txt"): continue path = os.path.join(root, f) with open(path, "r") as fh: lines = fh.readlines() if len(lines) == 0: print(f"empty label: {path}") continue for line in lines: parts = line.strip().split() if len(parts) != 5: bad_files.append((path, "wrong field count")) continue cls, x, y, w, h = parts try: x, y, w, h = map(float, [x, y, w, h]) cls = int(cls) except ValueError: bad_files.append((path, "non-number")) continue if cls < 0: bad_files.append((path, "negative class")) if not (0 <= x <= 1 and 0 <= y <= 1): bad_files.append((path, "center out of range")) if w <= 0 or h <= 0: bad_files.append((path, "non-positive size")) class_counter[cls] += 1 box_widths.append(w) box_heights.append(h) print("class distribution:", class_counter) print("bad files:", bad_files[:10], "total", len(bad_files)) print("box width mean/median:", sum(box_widths)/len(box_widths), sorted(box_widths)[len(box_widths)//2])

这段脚本逐行解析每个标签，统计类别分布和框尺寸，把坐标越界、宽高非正、字段数不对的文件单独列出来。注意脚本把class也转成int，是为了防呆，如果类别编号不连续，这里会暴露。框尺寸的均值和中位数能帮你判断目标大小占图片比例，如果中位数小于0.01，说明目标极小，YOLOv5的默认锚框需要重新聚类。跑完脚本后，把bad_files里的文件全部删掉或重新标注，绝不留着训练。这些数据就是噪声，模型会专门学习错误框，导致验证指标好看但实际光线下泛化能力极差。

2.3 数据划分与类别不平衡初判

1297张图片按常见8:1:1划分，就是训练1038张、验证130张、测试129张。但如果某类缺陷只有几十个框，简单随机划分可能让这一类在验证集中一个框都见不到，指标直接失真。先按图片维度统计“包含某类缺陷的图片数”，而不是按缺陷框数统计，因为目标检测训练里一张图同时出现多个同类型缺陷很常见，模型学的是“图里有这种缺陷”，而非“图上固定出现多少次”。

import os from collections import defaultdict, Counter image_label_map = defaultdict(list) for root, _, files in os.walk("labels"): for f in files: if f.endswith(".txt"): img_id = f[:-4] image_label_map[img_id].append(os.path.join(root, f)) img_class_counter = Counter() for img_id, paths in image_label_map.items(): cls_on_img = set() for p in paths: with open(p) as fh: for line in fh: cls_on_img.add(int(line.split()[0])) for c in cls_on_img: img_class_counter[c] += 1 print(img_class_counter)

统计完如果发现少数类图片数不到验证集的20%，要么对该类做过采样，要么在划分时用分层抽样保证每个类别在train/val/test中都出现。YOLOv5训练时可以用超参数里的类别权重缓解，但最直接的办法是先按缺陷类别对图片文件列表分层切分。

另外特别提醒：按板子编号划分，不要随机打乱图片再切。如果同一个板子不同区域被裁成多张图，或者同一批次生产照片有强相关性，随机划分会造成验证集泄漏——模型在训练时已经见过相似背景，验证分数虚高。生产环境里这是最大的坑，后面专门讲。

3. 用YOLOv5在PCB缺陷数据上跑通训练：从配置到命令行

数据检查完，进入训练环节。目标检测训练看起来就是一条命令行，但背后有很多参数和模型选型需要根据数据集规模定制。1297张图属于典型小样本，不能用大模型无脑跑。

3.1 环境准备与模型选型：YOLOv5s还是YOLOv5n

环境要求不算高：Python 3.8以上，PyTorch 1.8以上，有GPU更好。CPU也能训，但1297张图、640输入、200轮可能要跑几十小时，建议至少一块GTX 1660级别显卡。

git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt

这里注意不要直接 pip install yolov5，那是一个非官方的包名，网上很多帖子会引导你装错。装完依赖后，先确认GPU是否被PyTorch识别：

python -c "import torch; print(torch.cuda.is_available())"

输出True再继续，否则后面训练会默默用CPU，速度差几十倍。模型选型上，1297张图我一般从YOLOv5s开始，而不是YOLOv5m或l。YOLOv5s参数量约700万，对小样本足够拟合，YOLOv5m参数翻倍，很容易把训练集背下来然后过拟合。如果显存特别紧张或者要做边缘端部署，可以选YOLOv5n，但它对微小缺陷的定位能力会弱一截。PCB上的划痕、短路往往只有几十个像素，模型不能太轻。

3.2 写data.yaml和模型配置：路径与类别名要严格对应

YOLOv5用yaml文件描述数据集，路径建议用绝对路径或相对yolov5目录的路径。下面是一份完整的pcb.yaml：

train: ../pcb_dataset/images/train val: ../pcb_dataset/images/val test: ../pcb_dataset/images/test nc: 4 names: ['open_circuit', 'short', 'scratch', 'solder_bridge']

nc是类别数量，names的顺序就是标签txt里类别id的映射顺序。我见过最隐蔽的坑是：有人用VOC转YOLO脚本时类别顺序对不上，比如names写成['scratch','short','open_circuit','solder_bridge']，而标签里的0其实是open_circuit，于是模型把所有缺陷都学错。写好后测试一下能否正常加载：

python -c "import yaml; d=yaml.safe_load(open('pcb.yaml')); print(d)"

模型配置文件用默认的YOLOv5s.yaml即可，暂时不要改深度和宽度倍数。但锚框需要关注，默认锚框是针对COCO里几十到几百像素的物体设计的，PCB缺陷框往往宽度小于图片宽度的10%，也就是小于64像素（640输入时）。如果发现你的标签框宽高中位数低于0.05，就要重算锚框。YOLOv5自带kmeans脚本，在utils/autoanchor.py里，训练时加上--noautoanchor会在首轮自动计算，但建议事先跑一次看结果。

3.3 训练命令与超参数：小样本收敛的关键设置

训练命令本身不复杂，关键在超参数。我在这类小样本PCB数据上常用的命令是：

python train.py --data pcb.yaml --weights yolov5s.pt --img 640 \ --batch 16 --epochs 200 --patience 30 \ --mosaic 0 --device 0 --seed 42 --project runs/train --name pcb_exp1

逐项解释：--weights yolov5s.pt 是COCO预训练权重，小样本必须用，否则从头训很难收敛。--img 640是输入尺寸，如果你的缺陷框原始分辨率高，比如裁切后的金相图，可以到1280，但显存占用会翻四倍。--batch 16在8G显存下可以，如果报OOM就降到8。--epochs 200看似很多，但配合--patience 30，如果连续30轮验证集没有提升，训练会自动停止，实际往往不到100轮就停了。

--mosaic 0 很多人不理解。默认的mosaic增强把四张图拼一张，对常规目标检测能提升鲁棒性，但小样本PCB缺陷场景里，四张板子的拼接线会被模型误当成特征，尤其当缺陷很小、背景是深绿色板面时，模型会去学习“拼接线附近才是缺陷”这种假规律。我在这类数据上关掉mosaic后，验证mAP反而涨了2到3个点。如果你想要更强的增强，可以保留mosaic但把训练轮数翻倍，不过代价是过拟合风险变大。

YOLOv5的超参数还可以通过--hyp自定义，比如提高类别损失的权重：

cls: 0.7 fl_gamma: 1.5

fl_gamma是focal loss的gamma，大于1会让模型更关注难分类的少数类缺陷。这个调整对类别不平衡极有效，但不建议刚开始就改，先把基线跑通再看哪类缺陷拉低了指标。

3.4 训练过程监控：loss曲线和验证指标

训练启动后，终端每轮会打印box_loss、obj_loss、cls_loss和验证集的mAP@0.5。光看这些数字不够，我习惯同时开TensorBoard：

tensorboard --logdir runs/train

浏览器打开 http://localhost:6006 就能看到曲线。小样本训练最典型的特征是：train loss一路下降，val loss先降后升，这时模型开始背训练集了。遇到这种情况，不要继续加epoch，优先把--mosaic保持0，再考虑加dropout或权重衰减。另一条经验是：如果mAP@0.5已经超过0.95，但mAP@0.5:0.95只有0.4，说明模型框的位置不太准，或者置信度分布不理想，需要用更严格的IoU阈值重新评估，这个问题下一章专门细说。

训练结束后，best.pt保存在runs/train/pcb_exp1/weights/下。后续所有评估都用best.pt，不要用last.pt。

4. 复现99.8%准确率的正确评估方式：别让指标骗了你

很多人拿到一个模型，问的第一句话是“准确率多少”。目标检测领域，一句“准确率99.8%”如果不带定义，基本没有可比性。PCB缺陷检测里79.8%可能是负类正确率，也可能是在某个高置信度阈值下的precision，甚至可能是训练集上的分类正确率。要把这个数字落到实处，先搞清楚评估口径，再用统一流程跑一套完整指标。

4.1 准确率在缺陷检测里的含义：从二分类到mAP

如果缺陷检测被简化成“图里有没有缺陷”的二分类，那1297张图里假设大多数是正常板，模型全预测成“无缺陷”，准确率也能到90%以上。这没有意义。目标检测的评估要从三方面看：类别是否正确、框是否定位准确、置信度是否可区分。

常用指标是precision（预测出来的框里有多少是对的）、recall（真实缺陷里有多少被框出来了）、以及mAP@0.5和mAP@0.5:0.95。mAP@0.5表示IoU阈值0.5下的平均精确率，mAP@0.5:0.95则要求IoU从0.5到0.95逐步提高后取平均，后者更严格。99.8%如果指的是mAP@0.5，只能说明框定位大概可用；如果指的是mAP@0.5:0.95，那在1297张小样本上需要非常高标注质量，很可能存在数据泄漏或者测试集太小。

另外一个关键点是混淆矩阵。YOLOv5验证时会生成confusion_matrix.png，里面能清楚看到哪些类别互相混淆，比如“短路”老是被标成“划痕”，这比单一准确率有用得多。

4.2 用官方val.py计算mAP与PR曲线

官方验证命令简单直接，但参数要固定，方便对比不同实验。

python val.py --data pcb.yaml --weights runs/train/pcb_exp1/weights/best.pt \ --img 640 --batch 16 \ --conf-thres 0.25 --iou-thres 0.45

输出结果包括每一类的precision、recall、mAP@0.5、mAP@0.5:0.95，以及一张F1曲线图和一个混淆矩阵。--conf-thres 和 --iou-thres 是评估的阈值设置。这两个值一旦改变，mAP也会变。官方默认conf-thres 0.25、iou-thres 0.45，但如果你想复现标题里的99.8%，就必须知道对方用的什么阈值。我把所有实验的这两个阈值固定下来，只允许调整训练侧的超参数，这样不同轮次之间的对比才有意义。

注意官方val.py默认会用测试集吗？它会读取data.yaml里的val字段。如果你只有val集，就把它当作测试集；如果单独留了test集，最好用test字段指定。很多人在评估时不经意用了训练集，指标自然好看到吓人。尤其是1297张图，训练集里随便挑几十张验证，mAP轻松上0.95，但那样做没有参考价值。

4.3 自己写一个严格评估脚本：独立测试集与置信度校准

官方val.py能出整体mAP，但它不会告诉你“在某个置信度阈值下，recall到底能到多少”。实际部署时我们需要根据漏检率和误检率的容忍度去选阈值。这时候我会单独写一个评估脚本，对测试集逐张推理，计算不同conf下的precision和recall。

import torch import numpy as np from pathlib import Path model = torch.hub.load('ultralytics/yolov5', 'custom', path='best.pt', force_reload=True) model.conf = 0.1 # 初始阈值放低，后面再扫 results = [] for img_path in test_images: det = model(img_path) # 推理 preds = det.xyxy[0].cpu().numpy() # Nx6: [x1,y1,x2,y2,conf,cls] results.append(preds) # 这里省略 GT 读取和 IoU 匹配逻辑 # 核心：对每个 confidence 阈值计算 precision/recall，画出 PR 曲线 # 选择 precision 和 recall 的平衡点，或者根据业务需求固定 recall 下限

自己实现IoU匹配并不复杂，但很容易写错框匹配逻辑。我建议先读官方val.py里的process_batch函数，理解它是怎么进行一对多匹配的；如果你不想深挖，至少要在自己的脚本里保证：同一个真实框只匹配一次，预测框按置信度从高到低排序后优先匹配，这样得到的TP/FP才准确。

评估还有一个隐藏坑：如果测试集里的图片是从训练集视频帧中连续截取的，那很多测试图与训练图只有几帧差别，模型相当于“见过”了。严格做法是按板子编号划分后，测试板子绝不出现在训练里。别小看这一条，很多声称99.8%准确率的数据集，测试集中包含训练集同批次图片，水分极大。

5. PCB缺陷检测小样本训练的五个常见翻车点与排查方法

小样本加上PCB特有的高反光背景，训练过程有不少固定套路能踩。下面这几个坑是我见过最多的，每个都按现象、原因、解决来写。

5.1 翻车点一：标签框里混入背景，模型学到“边框”而不是“缺陷”

现象：训练loss很低，但测试时模型在板子边缘或布线附近输出大量假阳性框。 原因：标注时框范围画得太大，把周围正常的焊盘、走线包了进去。模型学到的不是一个缺陷区域，而是“这个框范围内的平均颜色和纹理”。PCB图像背景高度结构化，一旦框包含背景，模型很容易把类似背景误判为缺陷。 解决：重新检查所有标签，尤其是边框超过目标轮廓1.5倍的样本，手动修正。没有捷径，1297张图逐张看虽然耗时，但这一步不做，后面所有指标都不可信。可以先把框与图片目标对比可视化，写一个脚本在原图上画出gt框，抽几百张人工核对。

import cv2 import numpy as np with open("labels/train/pcb_001.txt") as f: lines = f.readlines() img = cv2.imread("images/train/pcb_001.jpg") h, w = img.shape[:2] for line in lines: cls, x, y, bw, bh = map(float, line.split()) x1 = int((x - bw/2) * w) y1 = int((y - bh/2) * h) x2 = int((x + bw/2) * w) y2 = int((y + bh/2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0,0,255), 2) cv2.imwrite("check.png", img)

这个脚本把每个标注框还原成绝对像素并画在原图上。如果发现框里包含大量非缺陷区域，就去修标签。

5.2 翻车点二：类别不平衡，模型把稀有缺陷全部漏检

现象：验证集里多数类mAP很高，但某个稀有缺陷的recall接近0，模型好像没学过这个类别。 原因：1297张图中，比如有1000张是“划痕”，50张是“漏铜”，模型在训练时大量更新划痕的梯度，漏铜的特征被淹没。focal loss虽然能缓解，但如果训练样本绝对数量太少，梯度还是不够。 解决：先做少数类过采样，把漏铜样本在数据列表中重复几份，或者在线增强时提高它的采样概率。我自己会在划分后用脚本统计各类图片数，然后对图片列表做重复。重复不是复制像素，而是让YOLOv5在一个epoch里看到漏铜样本更多次。同时配合调整超参数里的cls权重：

cls: 0.7 fl_gamma: 2.0

fl_gamma从默认1.5加到2.0，能进一步放大难样本的loss贡献。注意别加太大，否则正常样本也会被干扰，模型开始过度聚焦噪声。

5.3 翻车点三：随机划分导致同一块板子进入训练和验证

现象：验证mAP高达0.98，但部署到现场后掉到0.7以下。 原因：数据里同一块PCB的不同区域被裁成多张图，或者同一个生产批次的图片背景几乎相同，随机划分时它们同时出现在训练集和验证集。验证指标看起来漂亮，实际模型并没有学会泛化到新板子，而是记住了当前批次的纹理和位置。 解决：按板子编号或批次ID分组划分数据。比如文件名是panel123_region1.jpg、panel123_region2.jpg，就要把panel123所有区域归入同一个集合，严禁跨集合。如果采集时间不同，按天分桶也可以。最保险是只留出几个从未见过的PCB板子作为测试集，训练过程中绝不碰。

5.4 翻车点四：高准确率来自阈值过严，实际召回率惨不忍睹

现象：模型confidence普遍很低，你非要调到0.7以上才输出结果，这时precision确实很高，99.8%就是这么来的，但recall掉到60%以下，现场大量真缺陷没被框出来。 原因：评估时只看了一对conf/thres值下的precision，没有看PR曲线全貌。缺陷检测的生产要求通常是“错检可以多一点，漏检必须压到极低”，所以recall往往比precision更重要。 解决：把conf阈值调低到0.05，重新计算recall，然后用验证集生成PR曲线，找到precision和recall的交点，或者根据业务设定的recall下限反推阈值。不要用默认0.25当圣旨。我一般会在部署时设一个较低的conf（如0.15），再配合二次筛选模块，而不是让模型直接做最终判断。

5.5 翻车点五：训练集和测试集来自不同光照或相机型号，模型迁移失效

现象：在自己采的数据上mAP有0.95，换到产线另一台相机拍的图上，直接掉一半。 原因：PCB缺陷检测最大变量就是光照。同一块板子，亮一点、暗一点、反光角度变一点，缺陷的边缘和颜色都会改变。深度学习模型很容易过拟合到训练采集时的光照系统。 解决：训练阶段加光照增强，YOLOv5的超内容里可以把hsv_h、hsv_s、hsv_v调大，特别是hsv_v的随机亮度变化。另外，如果生产环境有多个相机位置，采集数据最好覆盖不同亮度、不同角度和不同板面批次。模型部署后建议每周收集难例加进训练集，否则几个月后板面改版或光源老化，模型性能会慢慢衰减。

6. 从1297张图起步：用数据增强和迁移学习把模型推向生产

小样本训练最可靠的提升路径就是“迁移学习预训练 + 数据增强 + 难例回流”。这三个动作比调任何超参数都重要。

6.1 用YOLOv5自带增强把小数据集炸出花样

在训练命令里通过hyp参数调整增强强度，不用写额外代码：

hsv_h: 0.015 hsv_s: 0.7 hsv_v: 0.5 degrees: 10.0 translate: 0.1 scale: 0.5 fliplr: 0.5

PCB缺陷检测不要加degrees太大，因为板子的焊盘方向是固定的，旋转15度会让模型学到错误的方向性特征。scale 0.5表示随机缩放到原尺寸的0.5到1.5倍，小样本下有效。fliplr水平翻转一般是安全的，但如果缺陷方向与走线方向强相关，比如划痕总是沿某个布线方向，翻转会引入假样本。是否翻转，需要通过验证集观察是否提升泛化，再决定保留还是关闭。

6.2 迁移学习：先用COCO预训练，再收集线上难例

1297张图直接从头训练YOLOv5，实验效果很差。使用yolov5s.pt作为预训练权重，即便COCO的类别和PCB无关，模型也已经学会了通用边缘、纹理和物体结构特征。训练时用--weights yolov5s.pt，并在前几轮冻结backbone可以进一步稳定：

python train.py --data pcb.yaml --weights yolov5s.pt --freeze 10 --epochs 200

--freeze 10表示冻结前10层backbone，让前面的低层特征保持预训练参数，只更新后面的检测头。这在小数据量下能明显减少过拟合。训练完部署到产线后，把每天检测出的漏检框和误检框收集起来，打标后增量训练。没有这步回流，1297张图模型的寿命可能只有几星期。

6.3 一个验证技巧：用目标检测粗定位，再用分类模型细分缺陷类型

当缺陷类别之间视觉差异极小，单靠YOLOv5检测头容易混淆时，我常用的做法是拆成两步。YOLOv5负责把所有疑似缺陷区域框出来，然后按框裁图，喂给一个小型分类网络（比如ResNet18）判断具体缺陷类型。这样检测模型只需要学会“这里有不正常”，不需要同时学会“这是哪四种不正常”，分类压力被解耦。实际项目中，这个技巧能把混淆严重的类别准确率提升3到5个百分点。先用混淆矩阵找到哪些类别最易混，再决定是否值得做。

我自己在这些小样本项目里养成的习惯是：所有实验都固定评估脚本、固定阈值、固定划分方式，绝不靠单一数字下结论。1297张图能做的事很有限，但模型能不能用，验证方法比训练更花功夫。希望这些记录能帮你在PCB缺陷检测上少走弯路，也让你拿到别人报的99.8%时，能自信地问一句：你的mAP是在哪个阈值、哪个测试集上算的。

本文还有配套的精品资源，点击获取