简介：这份资源是2019年天池布匹瑕疵检测赛题相关的图像数据集，面向从事工业质检、缺陷检测算法实践的开发者与学习者，可用于分类、目标检测等任务的训练与验证。压缩包共935个文件，以689张jpg瑕疵图像和245个xml标注文件为主，另附1个txt说明文件，整体约927.26MB，图像与标注基本配套，便于直接构建监督学习数据。数据集覆盖32种布匹表面瑕疵类别，但各类别样本数量差异明显，部分类别图片较多、部分偏少，作者也坦言整体质量不算高，更适合作为入门练手或数据增强、类别不平衡处理的实验素材。目前已有2919人学习下载，读者可从中获得多类别瑕疵样本、现成的标注文件以及贴近真实产线的图像分布，用于快速搭建检测流程、验证模型鲁棒性并积累工业视觉项目经验。

1. 布匹瑕疵数据集-2019天池：一张让检测模型从"能跑"到"能用"的入场券

第一次把布匹瑕疵检测模型推到产线边上，最扎心的不是模型精度不够，而是根本不知道该拿什么数据去训。工业质检这行有个公开的秘密：算法开源的一大把，能直接拿来练手的标注数据却少得可怜。布匹瑕疵数据集-2019天池这类比赛数据集，恰好填的就是这个空档——它把真实织造场景下的断经、破洞、油污、结头等缺陷，按图像加标注的形式固化下来，让做表面缺陷检测的人有个能复现的起点。它解决的不是"有没有模型"的问题，而是"模型在真实瑕疵分布上到底靠不靠谱"的问题。适合谁？做工业视觉的算法工程师、想从通用目标检测转垂直场景的开发者，以及需要快速验证一套质检 pipeline 是否值得投入的技术负责人。下面我按自己踩过的路子，把这份数据从拿到手到跑出可用结果的全过程拆开讲。

2. 先搞清楚这份数据长什么样：类别、分布与标注格式

拿到一份瑕疵数据集，最忌讳上来就train.py一把梭。布匹瑕疵有个特点：缺陷尺度差异极大，一个针尖大的结头和一条贯穿整幅的断经，在同一个输入分辨率下根本没法兼顾。所以第一步必须把数据的类别体系、样本分布和标注格式摸清楚，这决定了后面模型选型、输入尺寸和增强策略怎么定。

2.1 瑕疵类别体系与工业含义

布匹瑕疵的类别命名通常直接对应织造工艺里的缺陷成因，常见的有断经、断纬、破洞、油污、结头、跳纱、色差这几类。理解每一类的物理形态很关键：断经是经向纱线断裂形成的细长条状缺陷，长宽比可能到 20:1；破洞是局部组织缺失，边界不规则；油污是低对比度的块状污染，和背景灰度接近；结头是纱线打结形成的小目标，面积可能只占图像的千分之几。这些形态差异直接决定了检测难点——细长目标对 anchor 比例敏感，低对比度目标对光照和归一化敏感，小目标对下采样倍数敏感。

我一般会先做一张类别-形态-难点的对照表，作为后续调参的依据：

这张表不是摆设，后面设 anchor、选输入尺寸、配数据增强，全要回来查它。

2.2 标注格式识别与统计脚本

比赛数据集常见的标注格式有两种：VOC 风格的 XML（每个图一个文件，含 bbox 坐标）和 COCO 风格的单个 JSON。先写个脚本把目录结构、类别分布、每类样本数、bbox 尺寸分布统计出来，别靠肉眼翻文件夹。

import os import json from collections import Counter, defaultdict import xml.etree.ElementTree as ET def scan_voc(anno_dir): """统计 VOC 格式标注：类别数、每类框数、宽高分布""" cls_counter = Counter() size_records = defaultdict(list) # 类别 -> [(w, h), ...] for fname in os.listdir(anno_dir): if not fname.endswith('.xml'): continue tree = ET.parse(os.path.join(anno_dir, fname)) root = tree.getroot() for obj in root.findall('object'): name = obj.find('name').text.strip() bbox = obj.find('bndbox') w = float(bbox.find('xmax').text) - float(bbox.find('xmin').text) h = float(bbox.find('ymax').text) - float(bbox.find('ymin').text) cls_counter[name] += 1 size_records[name].append((w, h)) return cls_counter, size_records def report(cls_counter, size_records): total = sum(cls_counter.values()) print(f"总标注框数: {total}") for cls, cnt in cls_counter.most_common(): ws = [s[0] for s in size_records[cls]] hs = [s[1] for s in size_records[cls]] print(f"{cls}: {cnt} 框 ({cnt/total*100:.1f}%), " f"宽均值 {sum(ws)/len(ws):.1f}, 高均值 {sum(hs)/len(hs):.1f}, " f"最小面积 {min(w*h for w,h in size_records[cls]):.0f}") if __name__ == '__main__': cls_counter, size_records = scan_voc('./annotations') report(cls_counter, size_records)

这段脚本干三件事：遍历 XML 拿类别名和 bbox 坐标、按类别累计框数、算每类宽高均值和最小面积。跑完你会得到两个关键信号——如果某类框数占比低于 5%，后面必须做重采样或 focal loss 补偿；如果最小面积只有几十像素，输入尺寸就不能压到 416 以下，否则小目标在特征图上直接消失。参数上，xmax-xmin的减法顺序别写反，VOC 坐标是左上右下，写反了宽高全负，统计结果直接失真。

2.3 从原始标注到训练格式的转换

统计清楚后，把标注统一转成训练框架吃的格式。以 YOLO 系列常用的 txt 格式为例，每行是class_id cx cy w h，全部归一化到 0~1。转换时最容易翻车的是类别 id 映射和坐标归一化基准——归一化要用图像真实宽高，不是标注文件里写的size节点（有些数据集这个节点是错的，血泪经验）。

import os import xml.etree.ElementTree as ET from PIL import Image CLASS_MAP = {'断经': 0, '断纬': 1, '破洞': 2, '油污': 3, '结头': 4, '跳纱': 5} def voc_to_yolo(anno_dir, img_dir, out_dir): os.makedirs(out_dir, exist_ok=True) for fname in os.listdir(anno_dir): if not fname.endswith('.xml'): continue tree = ET.parse(os.path.join(anno_dir, fname)) root = tree.getroot() img_name = root.find('filename').text # 用真实图像尺寸，不用 XML 里的 size 节点 with Image.open(os.path.join(img_dir, img_name)) as im: iw, ih = im.size lines = [] for obj in root.findall('object'): name = obj.find('name').text.strip() if name not in CLASS_MAP: continue bbox = obj.find('bndbox') x1 = float(bbox.find('xmin').text) y1 = float(bbox.find('ymin').text) x2 = float(bbox.find('xmax').text) y2 = float(bbox.find('ymax').text) cx = (x1 + x2) / 2 / iw cy = (y1 + y2) / 2 / ih w = (x2 - x1) / iw h = (y2 - y1) / ih lines.append(f"{CLASS_MAP[name]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}") with open(os.path.join(out_dir, fname.replace('.xml', '.txt')), 'w') as f: f.write('\n'.join(lines))

逻辑说明：CLASS_MAP把中文类别名映射成连续整数 id，训练框架只认整数；坐标先算中心点再除以真实宽高，保留 6 位小数足够。参数上，CLASS_MAP的 id 必须从 0 连续，中间断号会让损失函数索引越界；如果某张图没有有效标注，写空文件而不是跳过，否则训练时样本和标签对不上。转换完随手抽 5 张用可视化脚本画框核对，这一步省不得。

3. 检测模型怎么选、怎么训：从 baseline 到能上产线的配置

数据摸清之后才轮到模型。布匹瑕疵检测本质是表面缺陷检测（surface defect detection）的一个子问题，和通用 COCO 检测的区别在于：背景高度同质（都是布面纹理）、缺陷尺度跨度大、正负样本极度不均衡。这三点决定了不能直接套通用检测的默认配置。

3.1 模型选型的三个判断依据

我一般按三条线选：第一，缺陷最小尺度决定输入分辨率和 backbone 的下采样策略，结头这类小目标多的场景，backbone 总下采样倍数不宜超过 16，否则 P3 特征图上目标只剩几个像素；第二，细长缺陷决定 anchor 或回归方式，断经这种 20:1 的长条，要么加极端长宽比 anchor，要么用无 anchor 的 FCOS/ATSS 类方法绕开比例设计；第三，产线推理速度决定模型体量，单张图推理要压到几十毫秒内，YOLO 系列的中小模型通常比两阶段检测器更现实。

常见做法是先用 YOLOv5s 或 YOLOv8s 跑一个 baseline，看每类 AP 分布，再针对性换 backbone 或加注意力。别一上来就上大模型，布匹数据量往往撑不住，过拟合比欠拟合更常见。

3.2 训练配置与关键参数

baseline 训练配置我一般这么定：输入 640×640（兼顾小目标和显存），batch size 按显存拉到 16 或 32，初始学习率 0.01 配 cosine 衰减，warmup 3 个 epoch，数据增强里 Mosaic 开但关掉随机裁剪的极端比例，因为布面纹理被裁碎后模型学到的是伪影不是缺陷。

# data.yaml 关键字段 path: ./fabric_dataset train: images/train val: images/val nc: 6 names: ['断经', '断纬', '破洞', '油污', '结头', '跳纱']

# 训练命令，关键参数逐个说明 python train.py \ --img 640 \ --batch 16 \ --epochs 100 \ --data data.yaml \ --weights yolov8s.pt \ --hyp hyp.fabric.yaml \ --cache

参数说明：--img 640是输入边长，小目标多可提到 800 但显存翻倍；--batch 16是显存和梯度的折中，显存够就往上加；--cache把图像缓存进内存加速读取，数据集不大时强烈建议开；--hyp指向自定义超参文件，里面重点调mosaic（建议 0.5 而非默认 1.0）、scale（缩放到 0.5 而非 0.9，避免小目标被缩没）、fl_gamma（低对比度油污可开 1.0 做 focal 补偿）。训练过程中盯val/box_loss和每类 mAP，如果某一类 mAP 长期为 0，先回去查标注转换有没有漏类，而不是急着改模型。

3.3 针对小目标和细长缺陷的增强策略

通用增强在布匹场景会帮倒忙。随机旋转 90 度对布面纹理是合理的（织造方向本身有经纬两个方向），但任意角度旋转会让细长缺陷的形态失真；色彩抖动幅度要收窄，因为油污和色差本身就是颜色差异，抖过头模型分不清是缺陷还是增强噪声。

我的做法是分阶段增强：前 50 个 epoch 开 Mosaic 和适度缩放，让模型见足够多的上下文组合；后 50 个 epoch 关掉 Mosaic，用接近真实分布的单图训练收尾，这一步对最终 mAP 通常有 1~2 个点的提升。另外针对结头这类小目标，单独做一个过采样副本，把含小目标的图在训练集里重复 2~3 次，比调 loss 权重更直接。

4. 避坑与排查：这份数据集上最容易翻车的五个地方

4.1 类别不均衡导致模型"只认大类"

现象：训练完 mAP 看着还行，但一查每类，断经破洞 recall 很高，结头 recall 接近 0。原因：结头样本占比可能不到 3%，标准交叉熵下模型倾向于全预测成背景或大类。解决：先统计每类框数，对低于 5% 的类做过采样，同时在 loss 里加类别权重或换 focal loss，验证时单独看小类的 PR 曲线而不是只看总 mAP。

4.2 标注框越界导致训练报错或静默丢样本

现象：训练日志里样本数比预期少，或者归一化后出现大于 1 的坐标。原因：原始标注的 bbox 坐标超出图像边界，转换脚本没做裁剪。解决：转换时对 x1/y1/x2/y2 做max(0, min(coord, size))裁剪，裁剪后宽高小于 2 像素的框直接丢弃，并在日志里记录丢弃数量，别让它静默消失。

4.3 输入分辨率压缩把小目标压没了

现象：验证集上大缺陷检测正常，小缺陷全漏。原因：原图可能是 2000 像素以上，直接 resize 到 640，结头从 30 像素变成不到 10 像素，特征图上几乎不可见。解决：要么提高输入尺寸到 800~1024，要么用切片推理（把大图切成带重叠的小块分别检测再合并），后者在产线高分辨率场景更常用。

4.4 背景纹理被当成缺陷

现象：模型在验证集上误检率高，检出的框落在正常布面纹理上。原因：布面本身有织纹、反光、褶皱，和某些低对比度缺陷（油污）特征接近，负样本不够多样。解决：在训练集里显式加入纯背景图作为负样本（YOLO 支持空标签图），比例控制在 10% 左右；同时收窄色彩抖动，避免增强制造出假缺陷。

4.5 验证集和训练集同源导致指标虚高

现象：本地验证 mAP 0.85，换一批新图直接掉到 0.5。原因：验证集是从同一批拍摄条件下随机切的，光照、布种、相机参数都一样，模型学到的是这批数据的特定分布。解决：按布种或拍摄批次划分训练/验证集，而不是随机切；如果数据里有多批次信息，务必按批次做 group split，这是工业场景最容易被忽略的一刀。

5. 把模型推到能用：切片推理与产线验证的具体做法

训练指标好看只是及格线，布匹瑕疵检测真正难的是高分辨率大图上的落地。产线相机拍出来的图动辄 4000×3000，直接 resize 喂模型等于自废小目标检测能力。我一般用切片推理：把大图按固定窗口切块，块间留重叠，逐块检测后把框映射回原图坐标，再用 NMS 合并跨块重复框。

import numpy as np def slice_inference(model, image, slice_size=640, overlap=128, conf=0.25): """大图切片推理：切块 -> 检测 -> 坐标回映射 -> 全局 NMS""" H, W = image.shape[:2] stride = slice_size - overlap all_boxes, all_scores, all_cls = [], [], [] for y in range(0, H, stride): for x in range(0, W, stride): patch = image[y:y+slice_size, x:x+slice_size] if patch.shape[0] < slice_size or patch.shape[1] < slice_size: patch = np.pad(patch, ((0, slice_size-patch.shape[0]), (0, slice_size-patch.shape[1]), (0, 0))) results = model(patch, conf=conf) for box in results[0].boxes: xyxy = box.xyxy[0].cpu().numpy() # 关键：加上切片偏移，映射回原图坐标 xyxy[0] += x; xyxy[1] += y xyxy[2] += x; xyxy[3] += y all_boxes.append(xyxy) all_scores.append(float(box.conf)) all_cls.append(int(box.cls)) return global_nms(all_boxes, all_scores, all_cls, iou_thr=0.5)

逻辑说明：stride = slice_size - overlap保证相邻块有重叠区，避免缺陷正好落在切缝上被切断；坐标回映射时四个角都要加偏移，只加左上角是常见错误；最后做全局 NMS，因为同一个缺陷可能被相邻两块各检一次。参数上，overlap建议不小于最大缺陷尺寸的一半，太小会漏跨块目标，太大推理耗时上升；conf在切片场景可以适当调低到 0.2，靠后续 NMS 和业务规则过滤，因为切片后单块上下文变少，置信度整体偏低。

验证环节我有个习惯：不看总 mAP，而是按缺陷类别分别算 recall 和误检率，再折算成产线上的漏检率和过杀率。布匹质检里过杀率往往比漏检率更影响产线接受度——工人被频繁误报烦到直接关掉系统，这事我见过不止一次。所以调阈值时宁可 recall 稍低，也要把过杀压住，具体阈值在验证集上按每类的 PR 曲线找拐点，而不是全局一个 0.5 了事。

最后说个我自己的教训：早期做这类项目，我总想着把模型精度再刷高两个点，结果在产线验证时发现瓶颈根本不在模型，而在切片策略和阈值标定。后来养成的习惯是，baseline 训完立刻搭一个最小可用的切片推理加可视化脚本，拿真实大图跑一遍，看漏检和误检到底长什么样，再回头决定是改模型还是改后处理。数据、模型、后处理这三段，任何一段没对齐，指标都是自欺欺人。希望帮到你。

本文还有配套的精品资源，点击获取