带标注的螺丝缺陷识别数据集，可识别正常和缺陷两种类型，1108张图，支持yolo，coco json，voc xml,文末有模型训练代码
数据集拆分
总图数：1108 张图数
训练集
874 张图
验证集
234 张图
测试集
0 张图
预处理
自动定向：应用
调整大小：拉伸到640x640
增强
无
数据集标签：
[‘normal’, ‘product_defect’]
标签解释 normal是正常的
product_defect是有产品缺陷
数据集图片和标注信息示例：
数据集下载：
yolo26:https://download.csdn.net/download/pbymw8iwm/92893346
yolo v12:https://download.csdn.net/download/pbymw8iwm/92893348
yolo v11:https://download.csdn.net/download/pbymw8iwm/92893347
yolo v9:https://download.csdn.net/download/pbymw8iwm/92893345
yolo v8:https://download.csdn.net/download/pbymw8iwm/92893343
yolo v7:https://download.csdn.net/download/pbymw8iwm/92893342
coco json:https://download.csdn.net/download/pbymw8iwm/92893344
pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92893341
YOLO模型训练
下载数据集之后解压到当前文件夹，然后将 我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject里的训练模型脚本复制到文件夹下，假设你使用的是yolov8来训练你就用 python train_yolov8.py
模型验证测试情况：
验证测试代码：
#需要安装pip install ultralyticsfromultralyticsimportYOLOimportcv2# 加载训练好的 YOLO .pt 模型model=YOLO('best.pt')# 替换为你实际的 .pt 模型文件路径# 定义要测试的图片路径image_path='./image.jpg'# 替换为你实际的图片文件路径# 使用模型对图片进行预测results=model(image_path)# 获取预测结果forresultinresults:# 获取绘制了检测框的图片annotated_image=result.plot()# 显示图片cv2.imshow("YOLOv Inference",annotated_image)# 等待按键退出cv2.waitKey(0)# 关闭所有 OpenCV 窗口cv2.destroyAllWindows()
