企业官网建设流程全解析

简介：面向道路缺陷检测场景的大型目标检测数据集，包含约一万四千张训练图像、二百六十张验证图像和一千张测试图像，标签已转为YOLO格式，覆盖四类常见道路缺陷，可直接用于YOLO全系列网络训练。压缩包采用7z格式，共两千个文件，其中一千九百九十九个txt为YOLO格式标签文件，另附show.py脚本，可将检测框绘制到原图，方便直观核验标注质量与模型预测效果。整个资源约九百二十点六八MB，并提供class类别文件，明确各类缺陷定义。目前已有三百七十三人学习下载。适合道路养护、自动驾驶感知及目标检测研究者将其作为训练集或评测基准，省去格式转换与数据整理环节，快速开展模型迭代实验；同时该数据集包含明确的训练、验证、测试划分，适合作为算法效果对比的公共基准。

1. 道路缺陷检测数据集：一万多张 YOLO 标注图，拿到先别急着训练

真正让道路缺陷检测项目翻车的，很少是模型结构选得不对，而是第一批训练数据本身就不干净。裂缝、坑槽、修补带这些目标，在强光、阴影、潮湿路面下的形态差异极大，几百张手工标注图喂进去，模型一到真实路段就露馅。这份目标检测数据集把路面图片、标签、可视化和类别文件全部打包好，训练集约 1.4 万张、验证集 260 张、测试集约 1000 张，统一导出成 YOLO 格式，共 4 个类别。做公路养护检测、毕设验证和算法选型的人，可以直接拿它跑通一整套数据到训练的链路，省掉最耗时的标注环节。

2. 数据集结构与 YOLO 标签格式：训练前两小时先做四件事

很多人拿到这种打包数据后直接解压就敲训练命令，结果要么图片和标签对不上，要么类别索引全错，白白烧掉一晚上。我的习惯是训练前先花两小时熟悉资源结构，不做任何训练，只做四件事：核对目录、解析标签、确认类别映射、统计数量分布。

2.1 顶层目录结构：images/labels 一一对应，注意 UUID 后缀

从解压结果看，这份资源沿用了标准导出布局：train、valid、test 三个目录，每个下面带 images 和 labels 子目录，另外根目录有 classes.txt 和 show.py。整理后的目录结构大致如下：

road_defect/ ├── train/ │ ├── images/ │ │ ├── img_007600_jpg.rf.e3ea45e961a5f445fd838593c1abaa18.jpg │ │ └── img_003245_jpg.rf.a0ce0b5daba90c9e176ce66a24217b51.jpg │ └── labels/ │ ├── img_007600_jpg.rf.e3ea45e961a5f445fd838593c1abaa18.txt │ └── img_003245_jpg.rf.a0ce0b5daba90c9e176ce66a24217b51.txt ├── valid/ │ ├── images/ │ └── labels/ ├── test/ │ ├── images/ │ └── labels/ ├── classes.txt └── show.py

两个识别要点。第一，同一张图的图片文件和标签文件必须同名，图片是 .jpg，标签是 .txt；文件名里那一长串十六进制字符串是标注平台导出时生成的去重 ID，作用就是保证导出文件路径不冲突，不要手动改它。第二，判断某张图属于训练、验证还是测试，以顶层目录为准，不要只凭文件名猜。

收到数据第一步，我会先跑一条命令检查同名配对，把“有图无标签”的情况直接揪出来：

for f in train/images/*.jpg valid/images/*.jpg test/images/*.jpg; do dir=$(dirname "$f") lbl="${dir%images}labels/$(basename "$f" .jpg).txt" if [ ! -f "$lbl" ]; then echo "missing label: $f" fi done

逻辑说明：对每个 jpg 文件，用 dirname 拿到图片所在目录，再把路径里的 images 替换为 labels，得到预期标签路径；if 判断标签文件不存在就打印。参数说明：如果解压后的顶层目录不叫 road_defect，把 for 后面三个路径改成实际路径；如果图片后缀是 .png，把 .jpg 全部替换成 .png 即可。

实操里这条脚本大概率输出为空，空输出说明配对完整。如果输出一大片 missing，常见原因有两种：一类是某些 txt 文件是 0 字节占位符，表示该图没有目标；另一类是原始采集时部分图片漏标。前者属于负样本，可以保留，后者建议直接删除对应图片，否则训练时 YOLO 会持续刷警告。

2.2 标签文件内部五个数字：归一化边界框的含义

打开任意一个 txt，每行是一条检测目标记录，标准 YOLO 格式是一行五个数：

类别id 中心点x 中心点y 宽度 高度

类别 id 从 0 开始计数，后面四个坐标全部做了归一化，数值范围应处于 0～1 之间。以下面这行为例：

0 0.823 0.654 0.214 0.108

含义是：类别 0 的缺陷目标，框中心位于图像横向 82.3%、纵向 65.4%，框宽度占整张图宽度的 21.4%，高度占整张图高度的 10.8%。

为什么要用归一化而不是像素坐标？因为相机拍出来的道路照片分辨率并不统一，同一批数据里既有 1920×1080，也可能有 4032×3024。YOLO 训练时会在前处理阶段做 letterbox 等比缩放，如果标签写死像素坐标，图像一缩放，框的位置和大小就全部错位；归一化坐标只描述相对比例，缩放前后天然不变。这也是后续所有 YOLO 系列模型都沿用这套格式的根本原因，别试图把标签私自改成像素格式。

把归一化坐标转回像素坐标的公式，可视化脚本里一定会用到：

x1 = int((cx - w / 2) * image_width) y1 = int((cy - h / 2) * image_height) x2 = int((cx + w / 2) * image_width) y2 = int((cy + h / 2) * image_height)

这里 cx 和 cy 是归一化中心点，w 和 h 是归一化宽度和高度，乘以实际宽高后得到框的左上角 (x1, y1) 和右下角 (x2, y2)。注意横向坐标乘图像宽度，纵向坐标乘图像高度，颠倒了画出来的框会完全扭曲。

2.3 classes.txt 与类别映射：顺序比名字重要

资源里明确带了 class 文件，classes.txt 的每一行是一个类别名，行号减一就是类别 id，从 0 开始计数。4 个类别在道路缺陷场景里通常对应裂缝、坑槽、修补带、碎裂区域中的几种，但具体叫什么、顺序如何，以随包的 classes.txt 为准，不要凭想象把类别名写进配置文件。

先执行这样一条命令检查行号和类名的对应关系：

cat -n classes.txt

cat -n 会输出行号和内容，行号减一就是类别 id。如果看到的结果和预期不一致，不要直接改 classes.txt，而是记住“原文件顺序”才是训练时的唯一事实。后续写 data.yaml 时，names 列表必须按 classes.txt 顺序一字不差地复制，否则会出现类别名字错位。这类错误在可视化阶段还能看出文字对不上，但框本身并没乱，容易疏忽。

YOLO 训练需要一份数据配置文件，统称 data.yaml。如果压缩包里没有现成的，可以按下面模板在根目录新建：

path: ./road_defect train: train/images val: valid/images test: test/images nc: 4 names: 0: cls0_name_from_classes_txt 1: cls1_name_from_classes_txt 2: cls2_name_from_classes_txt 3: cls3_name_from_classes_txt

参数说明：path 是数据集根目录相对路径，train/val/test 都写相对于根目录的 images 目录位置，不要写成 labels。nc 必须和 classes.txt 行数一致，names 的索引和顺序也必须和 classes.txt 对齐。上面代码里我保留了占位符，实际使用时要替换成 classes.txt 中的真实名称，否则唯一影响是可视化和报表上类别名显示错位，训练数值不会崩。很多标注平台导出时 jpg、png 混存，YOLO 会自动扫描 images 目录，不用手动指定后缀。

2.4 数量分布统计：验证集很小，测试集要单独留着

资源在摘要中标注了三段规模：训练约 1.4 万张、验证 260 张、测试约 1000 张。建议亲手统计一遍，顺手看标签里的目标数分布。

echo "train images: $(find train/images -type f | wc -l)" echo "train labels: $(find train/labels -type f | wc -l)" echo "valid images: $(find valid/images -type f | wc -l)" echo "test images: $(find test/images -type f | wc -l)"

find 把目录下所有普通文件路径列出来，wc -l 统计行数，-type f 确保只统计文件，避免子目录干扰。再抽查标签看看目标数量分布：

for f in train/labels/*.txt; do wc -l "$f"; done | sort -rn | head -20

head -20 显示目标最多的 20 个文件。如果这些文件里动辄十几个目标，说明一张图里塞了大量缺陷，这类图常出现在裂缝密集路段，训练时会被当作难例；如果大量 txt 文件是 0 行，说明这些图确实没有缺陷，属于正常负样本。

这里最需要留意的是验证集只有 260 张。260 除以 1.4 万，约等于 1.8%，远低于常见的 10% 验证比例。验证集太小，直接后果是 mAP 指标起伏很大。所以建议不要在验证集上反复调早停，把 1000 张测试集留到最终统一评估。验证集用来挑权重，测试集才是最终裁判。

3. 用 show.py 可视化验证数据：训练前的质量闸门

训练前我必做的一件事是可视化抽查。模型不认文字说明，它只会学你给的框对不对、边界贴不贴。标注质量不过关时，训练出来的权重就是垃圾进垃圾出，看一遍坏框比看十篇教程都有用。

3.1 show.py 的典型工作方式

这份资源自带 show.py 可视化脚本。常见实现是读取图片和对应 txt，把边界框和类别文本画在图上，再保存成新图片。命令行调用时一般可以带三组参数：图片路径、标签路径、类别文件路径，部分版本还会提供一个 --out 参数用于指定输出目录。运行前先确认 Python 环境里装好了 OpenCV。

我拿到压缩包之后的运行命令通常是：

python show.py --img train/images/img_003245_jpg.rf.a0ce0b5daba90c9e176ce66a24217b51.jpg \ --label train/labels/img_003245_jpg.rf.a0ce0b5daba90c9e176ce66a24217b51.txt \ --classes classes.txt

参数说明：--img 指定要绘制的原图；--label 指定同名标签；--classes 给类别名文件，脚本读它之后能在框上方显示类名。如果脚本支持目录遍历，也可以只传 --images 目录和 --labels 目录，批量生成整组可视化结果。

考虑到不同打包脚本的参数名有差异，比如有的用 --image，有的用 --img_path，第一次运行时先执行 python show.py --help 看一眼参数定义。脚本是哪个平台导出的通用版不重要，重要的是可视化结果能让你看见框是否精准贴合目标。

3.2 自己写一套不依赖封装的可视化检查代码

如果 show.py 执行报错，或者只想抽查一张图，我会直接写一个十几行的独立脚本。这段代码不依赖数据集自带封装，标签格式是标准 YOLO 五元组就能用：

import cv2 image_path = "train/images/img_003245_jpg.rf.a0ce0b5daba90c9e176ce66a24217b51.jpg" label_path = image_path.replace("/images/", "/labels/").replace(".jpg", ".txt") img = cv2.imread(image_path) if img is None: raise FileNotFoundError(f"无法读取图片: {image_path}") h, w = img.shape[:2] colors = [(0, 0, 255), (0, 180, 255), (255, 0, 0), (128, 0, 128)] with open(label_path, "r", encoding="utf-8") as f: for line in f: line = line.strip() if not line: continue parts = line.split() if len(parts) != 5: print(f"跳过非法行: {line}") continue cls_id, cx, cy, bw, bh = map(float, parts) x1 = int((cx - bw / 2) * w) y1 = int((cy - bh / 2) * h) x2 = int((cx + bw / 2) * w) y2 = int((cy + bh / 2) * h) color = colors[int(cls_id) % len(colors)] cv2.rectangle(img, (x1, y1), (x2, y2), color, 2) cv2.putText(img, str(int(cls_id)), (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2) cv2.imwrite("vis_check.jpg", img) print("可视化结果已保存到 vis_check.jpg")

逻辑说明：先用 replace 把图片路径中的 /images/ 改成 /labels/，把 .jpg 改成 .txt，从而定位同名标签；逐行读取标签，空行和格式不对的行直接跳过，这是最稳妥的容错方式。参数说明：colors 定义每种类别的颜色，cls_id 超出颜色列表长度时取模，避免越界；x1/y1/x2/y2 的计算就是前面提到的归一化转像素公式，OpenCV 的 rectangle 接受左上和右下两个点。

这段代码的好处是，无论文件来自哪个标注平台，标签还是标准 YOLO 格式就能复用。如果可视化某张图完全没框，不止可能是标签为空，也可能是我这里 replace 路径写错，或者 txt 读取编码异常。第一次跑通后，建议把它留成固定工具，换任何 YOLO 数据集都能用。

3.3 用可视化结果排除三类标注缺陷

批量可视化的核心目的是发现标注问题，不是看效果。我一般会在训练集里随机抽 20 到 30 张不同类型的图：光线亮的、阴影重的、裂缝密集的、表面干净的，然后按下面三项筛查。

第一，边界框覆盖是否准确。框应该贴合目标边缘，如果框明显把一半路面也包进去，说明标注员把目标画大了；如果目标有一半露在框外，说明框偏小。这两类标注误差会直接传导给损失函数，导致收敛后预测框系统性偏大或偏小。

第二，坐标是否落在图像范围内。标准 YOLO 坐标理论上不会大于 1，但如果标注工具导出异常，可能出现 x 大于 1、w 加 h 大于 1 的情况。可视化阶段框画出图外的表现就是矩形边缘被裁剪，这类标签要尽早修正。

第三，小目标占比是否极端。道路缺陷里裂缝往往呈细长形状，转成归一化坐标后宽度会非常小，训练时是典型的小目标。如果可视化发现大量框宽不到图像宽度的 5%，后面要认真考虑把输入分辨率从 640 提高到 1280，这个决定在可视化阶段做出，比训练中再调整省时间。

做完这一步，训练时才不会被隐藏的标注错误带偏。可视化抽查的意义不是能预判模型将来有多准，而是能阻止明显不合理的标签进训练器。有异常要及时处理，没异常就放心进入下一步。

4. YOLO 训练配置：data.yaml、模型选型与关键超参数

数据集本身不会选模型，但这份资源的体量和 4 类目标数决定了怎么配置最合理。训练集约 1.4 万张，对目标检测来说属于中小规模，用轻量级模型加合理的迁移学习，就能在有限算力下拿到稳定结果。真正需要先定下来的三件事：权重初始化、训练分辨率、早停策略。

4.1 用脚本从 classes.txt 生成 data.yaml

为了避免手写 names 时和 classes.txt 顺序不一致，我会用一个小脚本直接生成 data.yaml：

with open("classes.txt", "r", encoding="utf-8") as f: names = [line.strip() for line in f if line.strip()] with open("data.yaml", "w", encoding="utf-8") as f: f.write("path: ./road_defect\n") f.write("train: train/images\n") f.write("val: valid/images\n") f.write("test: test/images\n") f.write("nc: {}\n".format(len(names))) f.write("names:\n") for i, name in enumerate(names): f.write(" {}: {}\n".format(i, name))

逻辑说明：把 classes.txt 的每一行读成一个类名，再按 YOLO 需要的 data.yaml 结构写出去。类名里有空格也可以，冒号后的字符串会被当作完整名字；中文类名在某些 YOLO 版本里偶尔有编码问题，表现是可视化报表里显示乱码，但不影响训练。参数说明：path 那行如果在服务器上训练，建议改成绝对路径，或者直接用命令行参数覆盖，避免笔记本路径和服务器路径不一致。

跑完脚本后执行 cat data.yaml，人工确认 nc 确实是 4。验证集只有 260 张，不需要再切分，直接指向 valid/images 即可。

4.2 模型选型：为什么从轻量级基线起步而不是直接上大模型

对 1.4 万张图、4 类缺陷，我建议用轻量级模型或中等模型作为基线。轻量级模型推理快、显存占用小，便于快速迭代超参数；中等模型效果更好，但训练时间大约多出六成，在数据规模不算大的情况下，两者的差距不会像在 COCO 80 类上那么显著。

我踩过直接上最重模型的坑：训练时间拉长好几倍，最终 mAP 只比轻量模型高零点几个点，反而没有时间去调输入分辨率。对这类资源，先用预训练权重做迁移学习是性价比最高的起点。预训练权重在公开场景上提供的通用特征已经足够，后面几层会很快适应道路缺陷的分布。

如果显存只有 6G 左右，建议轻量模型加 640 分辨率加 batch 16；如果显存有 12G 以上，可以尝试中等模型加 640 分辨率，或者在同样 batch 下把分辨率提到 1280。

4.3 训练命令与参数解读

以常见的 YOLO 命令行训练模式为例，一条典型命令如下：

yolo detect train \ --model yolov8s.pt \ --data road_defect.yaml \ --epochs 150 \ --imgsz 640 \ --batch 16 \ --patience 30 \ --project runs/road_defect \ --name exp1

参数说明：--model 指定预训练权重，框架会自动下载；如果网络环境访问不了权重仓库，需要手动把权重文件放到对应目录。--imgsz 是训练输入分辨率，640 是默认值，用在道路缺陷数据上速度与精度平衡较好；遇到小目标漏检严重再提到 1280。--batch 受显存制约，16 大约对应 8G 显存的安全值，显存不够可以先降到 8 试跑一个 step。--patience 30 表示连续 30 轮验证 mAP 不提升就提前停止，能省很多时间；早期迭代里别舍不得设它，没人会一直盯着监控面板。

还有 --cache 参数值得注意。第一次训练时，YOLO 会把图片缓存到显存或内存，加速数据读取；磁盘或显存紧张就别开。我训练第一版通常不开 cache，等后面反复复跑相同数据时再开，把卡人的时间省下来。

4.4 训练曲线怎么读：避免在错误方向上浪费算力

训练的前 20 个 epoch，loss 下降明显，mAP 可能在 epoch 30 之后才出现爬升，这属于正常现象。真正要盯的是三个信号。

第一，box 回归 loss 不再下降，但验证 loss 稳步上升，这是过拟合信号。1.4 万张对 4 类的小模型不太容易过拟合，但如果某个类别样本特别集中，也会有局部过拟合。此时优先加数据增强，而不是立刻换大模型。

第二，验证 mAP50 在某个区间稳定后开始剧烈抖动。前面说过验证集只有 260 张，抖动很可能来自样本量太小。不要因为一波抖动就反向调低学习率，先看后续 10 个 epoch 的趋势再决定。

第三，某个类别 mAP 始终为 0。这经常是类别样本数量太少。先统计每个类别的目标数，如果某类不足 200 个目标，要考虑放弃该类，或者对该类做复制增强。这里注意，k 折交叉验证在这个数据集上并不划算，验证集本来就小，折数切小反而加剧方差。

提示：类别名错位和标签越界在训练阶段都不会报错，属于典型的黑匣子故障，靠看 loss 曲线发现不了，只能靠可视化抽查和标签扫描防守。

5. 常见问题与避坑：五个高频翻车点的排查记录

每次让新人跑这份数据，几乎都会在同样的地方摔跟头。下面五条是最常遇到的问题，按现象、原因、解决三段记录。

5.1 现象：训练开始后大量警告缺失标签

现象：启动训练后，控制台不断刷出类似标签文件为空的警告，loss 异常，训练跑不动。

原因：labels 目录里文件都在，但不少 txt 文件内容是 0 行。标注流程把“无缺陷正常路面”和“漏标的缺陷图”混在一起，导出时统一写成空 txt。解决：先把空文件数量统计出来，再结合可视化判断。无缺陷的样本是有价值的负样本，清点后保留，不需要强迫它们带框；明显有缺陷但 txt 为空的图，要么补标，要么直接删除。判断依据是抽看原图，如果原图路边有一条明显裂缝而标签为空，就是漏标，建议删除，否则模型会学到“这种裂缝不该检测”。

5.2 现象：坐标出现负数或超过 1

现象：可视化脚本画出的框跑到了图像外边，或者有的框直接把整条路面盖住。

原因：标签文件里并不是每行都符合 YOLO 规范。标注平台转格式时，个别边界框归一化计算没做好，出现 x_center 加 width 的一半大于 1，或者 y 坐标出现负数。解决：先用扫描脚本把非法文件和非法行找出来，再修正。扫描脚本可以直接复用这段：

import glob bad = [] for txt in glob.glob("**/labels/**/*.txt", recursive=True): with open(txt) as f: for i, line in enumerate(f, 1): p = line.strip().split() if len(p) != 5: bad.append((txt, i, "列数错误")) continue c, x, y, w, h = map(float, p) if not (0 <= x <= 1 and 0 <= y <= 1 and 0 <= w <= 1 and 0 <= h <= 1): bad.append((txt, i, f"越界: {p}")) for item in bad: print(item)

逻辑说明：glob 递归扫描所有 labels 下的 txt，逐行解析；列数不等于 5，或任一坐标不在 0 到 1 区间，就记录文件路径、行号和具体内容。参数说明：glob 路径要匹配实际目录，如果标签目录不叫 labels，按实际情况修改。拿到非法列表后，我会把越界框裁剪回图像边界，而不是整行删除，因为删除会让目标直接丢失。

5.3 现象：训练正常，但 mAP 一直在低位徘徊

现象：损失曲线看着正常，训练 100 轮下来 mAP 始终提不上去，怎么调超参都没改善。

原因：通常是类别索引错位。classes.txt 的行顺序和 data.yaml 中 names 不一致，训练时的监督信号整体偏移。有人习惯在 data.yaml 里写自己推测的类名，而不是读 classes.txt，结果每个类都在学错误的目标。解决：做一次类目顺序一致性检查，把两个文件逐行对齐：

cat -n classes.txt cat -n data.yaml | sed -n '/^names:/,$p'

越早发现越好，因为这种错位在训练指标上不会有任何报错，是最典型的黑匣子故障。好在修正成本低，改完 yaml 重新跑一次对比实验就行。从那以后我换数据集必做这步检查，宁可多花两分钟，也不再赌手气。

5.4 现象：验证集 260 张导致不同实验间得分忽高忽低

现象：同一套代码跑两次，一次 mAP50 是 0.75，一次是 0.71，无法判断改动是否真的有效。

原因：验证集只有 260 张，代表性不足，每次验证时随机采样带来的波动远超超参改动带来的影响。解决：用测试集 1000 张做最终 A/B 对比，而不是在验证集上做决断。操作是在验证时把数据配置指向 test 集：

yolo detect val \ --weights runs/road_defect/exp1/weights/best.pt \ --data road_defect.yaml \ --split test \ --conf 0.001

这里 conf 设得很低，是为了统计所有检测结果，而不是只挑高置信度的框。不同模型之间对比时，关键是保证同一张测试图、同一个 conf、同一个 iou，只有这样才能相信测试集上的差异确实来自模型改动。

5.5 现象：裂缝漏检，小目标成了重灾区

现象：整体 mAP 尚可，但抽查时发现细长裂缝大量漏检，很多框只框住局部。

原因：裂缝宽度极细，在 640 分辨率下只占几个像素，属于典型的小目标和极端长宽比目标。YOLO 处理这类目标时，深层特征图分辨率不够，浅层特征又容易被高层语义覆盖。解决有三条路，按成本从低到高。第一，把 imgsz 从 640 提到 1280，让目标像素面积变大。第二，开启更强的 mosaic 和 copy-paste 增强，让模型在训练时更频繁看到小尺度样本。第三，针对该类单独收集补充样本做重采样，平衡类别占比。如果是交付阶段，还可以用滑窗切图方式推理，把大图切成小块，对重叠结果做 NMS 融合。切图会增加推理耗时，但往往是裂缝类缺陷最有效的救急方案。

6. 测试集验证与阈值调优：交付前最后一公里

训练曲线的 mAP 只能说明学习过程没崩，真正拍板能否交付，还得回到那 1000 张没参与训练的测试图上。两个技巧比较实用。

6.1 统一在测试集上打标点

把测试集路径加进 road_defect.yaml 之后，用和训练时同一套参数跑一次验证，命令就是第 5.4 节那条。结果中有三项必看：mAP50、mAP50-95 和每个类别的 mAP 列表。mAP50 用于和外部论文对标，mAP50-95 更能反映框的贴合度。道路缺陷这种对定位精度要求高的场景，两者都要记录。

再把 1000 张测试图按类别分组看各类 mAP。如果有一个类别比别人低一截，优先怀疑标注质量，而不是模型能力。这时候调回可视化脚本，抽看该类别的 30 张测试图，对着真实标注核对预测框的位置和大小，不要在一堆指标里空猜。

6.2 用置信度阈值压住误报

测试图上得到的结果是一堆带置信度的框。道路巡检场景下，误报成本很高，空旷路面上一块阴影被识别成坑槽，就会造成一次无效出勤。我的习惯是先打印各类别在测试集上的精度-召回曲线，选一个精度不再明显上升的置信度点作为发布阈值，比如 0.35。实现很容易，但注意不要每次换模型都重选阈值，那样会把阈值学进模型导致过拟合，先固定一个值，模型迭代完再做一次微调。

做好阈值之后，我会做最后一遍交付核查：从测试集随机挑 50 张图，用最终权重画预测结果，亲自翻一遍预测框有没有大面积偏移、有没有把水渍阴影错判成缺陷。这个动作没有技术含量，但它能救回前面所有看不见的细节事故。

从那以后，我每次换数据集都会强制走一遍流程：先检查图片标签完整性，再随机可视化 20 张，最后才允许触发训练。当年跳过这些步骤直接训练，浪费了一整晚算力才回头找原因的教训，至今印象深刻。希望这套流程对你也有用，拿这份资源时少走几步弯路。

本文还有配套的精品资源，点击获取