![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/78ba38c318eaffe77aaf27482e0c2d62.png)
带钢缺陷，钢材表面缺陷12种缺陷分割【数据集】 和 出处
用于语义分割![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/947c2ba9d9535645900730e4ef2a8aca.png)
数据集说明：
包含12种缺陷和对应的像素级标签
每种50张
分辨率200x200
位深24
其他信息如图
文件包含：
数据集，和论文出处
12种缺陷为：
abrasionmask,
iron-sheet ash,
liquid,
oxide-scale,
oil-spot,
water-spot,
patch,
punching,
red-iron sheet,
roll-printing,
scratch,
inclusion![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/c02ab95cac03856eb6373702f3b98f1b.png)
好的，以下是详细的文档格式，包含了如何使用YOLOv8进行带钢缺陷语义分割的数据集训练。文档包括数据集准备、模型训练、评估、可视化训练结果、清理临时文件以及推理和显示结果的步骤。
### 使用 YOLOv8 训练带钢缺陷语义分割

#### 数据集信息

- **类别**: 12种缺陷 (abrasionmask, iron-sheet ash, liquid, oxide-scale, oil-spot, water-spot, patch, punching, red-iron sheet, roll-printing, scratch, inclusion)
- **图片数量**: 每种缺陷50张，共600张
- **分辨率**: 200x200
- **位深**: 24

#### 步骤概述

1. **数据集准备**
2. **创建数据集配置文件 (`data.yaml`)**
3. **分割数据集**
4. **训练模型**
5. **评估模型**
6. **可视化训练结果**
7. **清理临时文件**
8. **推理和显示结果**

#### 详细步骤

 1. 数据集准备

确保你的数据集已经按照上述格式准备好，并且包含 `images` 和 `labels` 目录。
```
steel_defect_detection/
├── datasets/
│   └── steel_defect_dataset/
│       ├── images/
│       │   ├── image1.jpg
│       │   ├── image2.jpg
│       │   └── ...
│       └── labels/
│           ├── image1.png
│           ├── image2.png
│           └── ...
└── main.py
```
 2. 创建数据集配置文件 (`data.yaml`)

创建一个 `data.yaml` 文件来配置数据集路径和类别信息。
```
train: ./datasets/steel_defect_dataset/train/images
val: ./datasets/steel_defect_dataset/val/images

nc: 12  # 类别数量
names: ['abrasionmask', 'iron-sheet ash', 'liquid', 'oxide-scale', 'oil-spot', 'water-spot', 'patch', 'punching', 'red-iron sheet', 'roll-printing', 'scratch', 'inclusion']
```
3. 分割数据集

将数据集分割成训练集和验证集。
```
import os
import random
from pathlib import Path
import shutil

def split_dataset(data_dir, train_ratio=0.8):
    images = list(Path(data_dir).glob('*.jpg'))
    random.shuffle(images)
    
    num_train = int(len(images) * train_ratio)
    train_images = images[:num_train]
    val_images = images[num_train:]
    
    train_dir = Path(data_dir).parent / 'train'
    val_dir = Path(data_dir).parent / 'val'
    
    train_img_dir = train_dir / 'images'
    train_label_dir = train_dir / 'labels'
    val_img_dir = val_dir / 'images'
    val_label_dir = val_dir / 'labels'
    
    train_img_dir.mkdir(parents=True, exist_ok=True)
    train_label_dir.mkdir(parents=True, exist_ok=True)
    val_img_dir.mkdir(parents=True, exist_ok=True)
    val_label_dir.mkdir(parents=True, exist_ok=True)
    
    for img in train_images:
        label_path = img.with_suffix('.png')
        shutil.copy(img, train_img_dir / img.name)
        shutil.copy(label_path, train_label_dir / label_path.name)
    
    for img in val_images:
        label_path = img.with_suffix('.png')
        shutil.copy(img, val_img_dir / img.name)
        shutil.copy(label_path, val_label_dir / label_path.name)

# 使用示例
split_dataset('./datasets/steel_defect_dataset/images')
```
 4. 训练模型

使用YOLOv8进行训练。
```
import torch
from ultralytics import YOLO

# 设置随机种子以保证可重复性
torch.manual_seed(42)

# 定义数据集路径
dataset_config = 'data.yaml'

# 加载预训练的YOLOv8n-seg模型（用于语义分割）
model = YOLO('yolov8n-seg.pt')

# 训练模型
results = model.train(
    data=dataset_config,
    epochs=100,
    imgsz=200,
    batch=16,
    name='steel_defect_detection',
    project='runs/train'
)

# 评估模型
metrics = model.val()

# 保存最佳模型权重
best_model_weights = 'runs/train/steel_defect_detection/weights/best.pt'
print(f"Best model weights saved to {best_model_weights}")
```
 5. 可视化训练结果

可视化训练结果。
```
from ultralytics import YOLO

# 加载训练好的模型
model = YOLO('runs/train/steel_defect_detection/weights/best.pt')

# 可视化训练结果
model.plot_results(save=True, save_dir='runs/train/steel_defect_detection')
```
6. 清理临时文件

清理不必要的临时文件。
```
import shutil

def clean_temp_files(project_dir):
    temp_dirs = [
        f'{project_dir}/wandb',
        f'{project_dir}/cache'
    ]
    
    for dir_path in temp_dirs:
        if os.path.exists(dir_path):
            shutil.rmtree(dir_path)
            print(f"Removed directory: {dir_path}")

# 使用示例
clean_temp_files('runs/train/steel_defect_detection')
```
 7. 推理和显示结果

推理和显示结果。
```
from ultralytics import YOLO
import cv2
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt

# 7.1 检测单张图片
def detect_image(model, image_path, conf_threshold=0.5):
    results = model.predict(image_path, conf=conf_threshold)[0]
    annotated_frame = annotate_image(image_path, results, model)
    return annotated_frame

def annotate_image(image_path, results, model):
    frame = cv2.imread(image_path)
    mask_alpha = 0.5  # Mask transparency
    
    for result in results.masks.cpu().numpy():
        mask = result.data[0] * 255
        mask = mask.astype(np.uint8)
        
        contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        for contour in contours:
            cv2.drawContours(frame, [contour], -1, (0, 255, 0), 2)
    
    return frame

# 7.2 检测视频
def detect_video(model, video_path, conf_threshold):
    cap = cv2.VideoCapture(video_path)
    frames = []
    while cap.isOpened():
        ret, frame = cap.read()
        if not ret:
            break
        results = model.predict(frame, conf=conf_threshold)[0]
        annotated_frame = annotate_image(frame, results, model)
        frames.append(annotated_frame)
    cap.release()
    return frames

# 7.3 检测摄像头
def detect_camera(model, conf_threshold):
    cap = cv2.VideoCapture(0)
    frames = []
    while True:
        ret, frame = cap.read()
        if not ret:
            break
        results = model.predict(frame, conf=conf_threshold)[0]
        annotated_frame = annotate_image(frame, results, model)
        frames.append(annotated_frame)
        cv2.imshow('Camera Detection', annotated_frame)
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
    cap.release()
    cv2.destroyAllWindows()
    return frames

# 主函数
def main():
    # 加载模型
    model = YOLO('runs/train/steel_defect_detection/weights/best.pt')
    
    # 动态调整置信度阈值
    conf_threshold = 0.5
    
    # 输入方式选择
    input_type = "Image"  # 可选: "Image", "Video", "Camera"
    
    if input_type == "Image":
        test_image_path = './datasets/steel_defect_dataset/images/test_image.jpg'
        annotated_image = detect_image(model, test_image_path, conf_threshold)
        cv2.imwrite('annotated_test_image.jpg', annotated_image)
        plt.imshow(cv2.cvtColor(annotated_image, cv2.COLOR_BGR2RGB))
        plt.axis('off')
        plt.show()
        
        # 统计检测到的物体数量
        results = model.predict(test_image_path, conf=conf_threshold)[0]
        class_counts = {}
        for result in results.boxes.cpu().numpy():
            cls = int(result.cls[0])
            class_name = model.names[cls]
            if class_name in class_counts:
                class_counts[class_name] += 1
            else:
                class_counts[class_name] = 1
        
        print("Detection Summary:")
        for class_name, count in class_counts.items():
            print(f"{class_name}: {count}")
    
    elif input_type == "Video":
        test_video_path = './datasets/steel_defect_dataset/videos/test_video.mp4'
        frames = detect_video(model, test_video_path, conf_threshold)
        for i, frame in enumerate(frames):
            cv2.imwrite(f'frame_{i}.jpg', frame)
            plt.imshow(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB))
            plt.axis('off')
            plt.show()
    
    elif input_type == "Camera":
        frames = detect_camera(model, conf_threshold)
        for i, frame in enumerate(frames):
            cv2.imwrite(f'camera_frame_{i}.jpg', frame)
            plt.imshow(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB))
            plt.axis('off')
            plt.show()

if __name__ == "__main__":
    main()
```
#### 运行脚本

在终端中运行以下命令来执行整个流程：
```
python main.py
```
### 总结

以上文档包含了从数据集准备、模型训练、评估、可视化训练结果、清理临时文件到推理和显示结果的所有步骤。希望这些详细的信息和代码能够帮助你顺利实施和优化你的带钢缺陷语义分割系统。

带钢缺陷，钢材表面缺陷12种缺陷分割【数据集】 和 出处用于语义分割数据集说明：包含12种缺陷和对应的像素级标签每种50张分辨率200x200位深24其他信息如图文件包含：数据集，和论文出处12种缺陷为：abrasionmask,iron-sheet ash,liquid,oxide-scale,oil-spot,water-spot,patch,punching,red-iron sheet,roll-printing,scratch,inclusion好的，以下是详细的文档格式，包含了如何使用YOLOv8进行带钢缺陷语义分割的数据集训练。文档包括数据集准备、模型训练、评估、可视化训练结果、清理临时文件以及推理和显示结果的步骤。

如何使用YOLOv8进行带钢缺陷语义分割的数据集训练钢材表面缺陷语义分割数据集 钢材表面缺陷带钢缺陷 包含12种缺陷和对应的像素级标签 每种50张 分辨率200

带钢缺陷，钢材表面缺陷12种缺陷分割【数据集】 和 出处用于语义分割数据集说明：包含12种缺陷和对应的像素级标签每种50张分辨率200x200位深24其他信息如图文件包含：数据集，和论文出处12种缺陷为：abrasionmask,iron-sheet ash,liquid,oxide-scale,oil-spot,water-spot,patch,punching,red-iron sheet,r

人工智能

算法

大数据

带钢缺陷语义分割数据集包含12种常见缺陷类型，每种50张200x200分辨率图像，适用于YOLOv8模型训练。数据集涵盖abrasionmask、iron-sheetash等缺陷，提供像素级标签和论文出处，支持工业质检AI开发。

代码解释

YOLO

2026上云采购 | AI焕新·智启新局

datainlong

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

如何使用YOLOv8进行带钢缺陷语义分割的数据集训练钢材表面缺陷语义分割数据集 钢材表面缺陷带钢缺陷 包含12种缺陷和对应的像素级标签 每种50张 分辨率200-腾讯云开发者社区-腾讯云

如何使用YOLOv8进行带钢缺陷语义分割的数据集训练钢材表面缺陷语义分割数据集钢材表面缺陷带钢缺陷包含12种缺陷和对应的像素级标签每种50张分辨率200

如何使用YOLOv8进行带钢缺陷语义分割的数据集训练钢材表面缺陷语义分割数据集钢材表面缺陷带钢缺陷包含12种缺陷和对应的像素级标签每种50张分辨率200

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

如何使用YOLOv8进行带钢缺陷语义分割的数据集训练钢材表面缺陷语义分割数据集 钢材表面缺陷带钢缺陷 包含12种缺陷和对应的像素级标签 每种50张 分辨率200

如何使用YOLOv8进行带钢缺陷语义分割的数据集训练钢材表面缺陷语义分割数据集 钢材表面缺陷带钢缺陷 包含12种缺陷和对应的像素级标签 每种50张 分辨率200

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

如何使用YOLOv8进行带钢缺陷语义分割的数据集训练钢材表面缺陷语义分割数据集钢材表面缺陷带钢缺陷包含12种缺陷和对应的像素级标签每种50张分辨率200

如何使用YOLOv8进行带钢缺陷语义分割的数据集训练钢材表面缺陷语义分割数据集钢材表面缺陷带钢缺陷包含12种缺陷和对应的像素级标签每种50张分辨率200