金属材料表面六种缺陷类型数据集 | 适用于 YOLO 等视觉检测模型（1800 张图片已划分、已标注）

本数据集聚焦于金属表面质量检测，包含 6 类典型缺陷，1800 张图像，标注完整，已按 train/val/test 划分，并使用 YOLO 项目格式进行标注，适用于目标检测、缺陷分类与工业视觉相关任务。

背景

金属材料在轧制、热处理、运输及长期使用过程中，常会产生各类表面缺陷，这些缺陷不仅降低外观质量，更可能影响其强度、疲劳寿命甚至安全性能。随着工业制造向自动化与智能化演进，基于深度学习的表面缺陷检测成为提升质量控制的重要手段。

然而，高质量、标注规范的数据集一直是算法研究中的瓶颈。因此，我们构建了此面向学术与工业的金属缺陷数据集，旨在推动智能检测系统在实际场景中的落地与优化。

数据集概述

• 图像总数：1800 张（已完成标注）

• 标注格式：YOLO 格式与 COCO 格式可相互转化

• 图像尺寸：统一为 640×640（可自定义缩放）

• **划分：

• 📂 训练集: 1260📂 验证集: 360📂 测试集: 180

• 类别数量：6 类

• 类别配置（YOLO 格式）：

nc: 6names:  0: crazing  1: inclusion  2: patches  3: pitted_surface  4: rolled-in_scale  5: scratches

数据集详情

所有缺陷都已使用边界框（bounding box）形式手动标注，适合用于 YOLO 全系列、Faster R-CNN、RT-DETR 等检测模型的训练和评估。

适用场景

本数据集广泛适用于以下研究与工业应用：

1. 工业缺陷检测模型训练可直接用于训练 YOLOv5、YOLOv8、RT-DETR 等检测模型，用于实际部署或研究验证。

2. 缺陷分类与分割任务可对图像中心区域裁剪生成分类任务数据，或与语义分割工具配合进一步扩展。

3. 算法对比与论文验证适合用于不同检测网络的性能评估，支持标准化训练流程，有利于模型泛化性对比。

4. 图像增强与合成学习研究图像背景多样、缺陷类型复杂，适合作为生成对抗网络（GAN）或图像增强算法的输入。

5. 工业自动化质检系统开发可集成至边缘计算设备，实现对流水线上的金属件在线检测与报警。

完美适配检测任务，效果如下

实战配套项目

基于 YOLOv8 的 6 种金属表面缺陷检测识别项目【完整源码数据集+PyQt5 界面+完整训练流程+开箱即用！】：https://blog.csdn.net/weixin_52908342/article/details/148336797

数据集分享

https://pan.baidu.com/s/1eltE8ewS4V1ONDGubsYJ4g?pwd=skr8 

结语

本数据集通过系统性地收集、整理和标注金属材料表面六类典型缺陷，填补了工业视觉领域在金属表面缺陷检测方向公开数据资源的空白。其在样本多样性、标注精度和场景适配性方面具有显著优势，不仅可作为深度学习算法的训练基准，也适用于真实工业质检系统的部署验证。

未来，我们将进一步扩展该数据集的规模和缺陷类别，加入语义分割、实例分割等多模态标注形式，支持更复杂的检测与识别任务。我们诚邀学术界与工业界的研究者在此基础上深入探索，共同推动智能制造与视觉质检技术的落地发展。