简介面向PCB电路板质检与视觉检测场景的缺陷识别数据集适用于工业质检工程师、算法学习者及YOLOv9目标检测项目实践。资源包含电路板缺陷图片及YOLOv9格式标注识别准确率宣称达99.8%可直接用于模型训练、验证与推理也可作为科研或课程设计的基准数据。整套资源共2000个文件以1297个txt标注文件、702张jpg原图以及1个yaml类别配置文件组成压缩包大小约120.79MBtxt文件对应缺陷位置与类别yaml定义数据路径和类别名称结构清晰便于接入YOLOv9训练流程。目前已有434人浏览学习适合需要快速搭建PCB缺陷检测模型、对比不同训练策略或扩充工业场景数据集的开发者。1. PCB缺陷检测数据集为什么值得用99.8%准确率不是玄学是数据工程的地基在PCB产线质检场景里很多人用同一个YOLOv9模型结构自己卡在97%的识别准确率上别人却拿下了99.8%。问题往往不在模型而在数据集本身标注规范、类别均衡和训练切片方式。这份1297张图片规模、按YOLOv9格式标注的PCB缺陷检测识别数据集覆盖短路、断路、缺孔、毛刺、虚焊等常见缺陷专给做AOI光学检测替代和自动视觉质检的工程师用。对新手来说它是一套能直接跑通目标检测全流程的教材级数据对熟手来说它的类别边界和验证集划分策略更值得抄。我不会把99.8%当成宣传数字下面直接拆标注格式每一行怎么定义1297张图怎么撑起稳定训练训练命令和评估参数怎么设以及最容易让准确率虚高或翻车的那些坑。2. 理解PCB缺陷数据集1297张YOLOv9格式标注图里的类别与标注规则2.1 PCB常见缺陷类别与检测难点短路、断路、缺孔、毛刺、虚焊的视觉边界PCB缺陷检测识别数据集的难点不在模型而在缺陷本体的“视觉区分度”。短路是两条相邻导线之间出现不该有的铜连接外形上和正常走线几乎同材质同颜色断路是导线上有一段不连续的缺口但光照稍微一变缺口边缘的反光会骗过常见的边缘特征缺孔则是焊盘中央该有的过孔没打穿在俯视图上只是一个圆形暗影毛刺是蚀刻不净留下的尖角突起虚焊更麻烦焊点轮廓在但内部润湿不足二维图像上只表现为反光不均。我一般把缺陷分成结构型缺陷和表面型缺陷两类。结构型缺陷短路、断路、缺孔适合用边界框目标检测直接框出来因为位置和尺寸相对固定无论拍摄角度怎么变缺陷的形态差异不大表面型缺陷毛刺、虚焊、锡渣则需要较强的光照配合否则同一个焊点换个角度标注框里的内容差异极大。这份数据集的1297张图之所以能支撑99.8%的识别准确率本质上是按结构型缺陷为主设计类别把虚焊这类难区分的表面缺陷限定在固定拍摄角度内。用目标检测做PCB质检还有一个固有难点缺陷实例占整图的比例极小。一张500×500的PCB图像里短路缺陷可能只占30×20像素算下来不到全图的千分之几。这决定了不能只依赖模型最后一层输出必须启用多尺度预测。YOLOv9的GELAN结构和可编程梯度信息在这里比我之前用过的YOLOv5的C3结构更占优它通过梯度路径规划让小目标缺陷的深层特征不衰减对微小缺陷的召回率有实打实的提升。实际在AOI替代项目里模型要把同一块板的不同缺陷同时抓准还面临类别间相似度问题。断路和鼠咬都是“铜箔缺了一块”只是程度和位置不同短路和多余铜都是“不该出现的地方有铜”。标注时必须定义可判断的规则比如短路只框两条走线之间的桥接区域多余铜只框孤立的小铜点规则定不清楚训练出来的类别混淆矩阵一定难看。我拿到任何PCB缺陷数据集的第一件事就是把全部标签文件的类别边界查一遍不轻信类别名本身。2.2 YOLOv9标注格式解剖一行txt五个数字的坐标体系与归一化规则YOLOv9的数据集格式和YOLOv5、YOLOv8一脉相承每个图像对应一个同名txt文件文件里每一行代表一个缺陷实例。这份PCB数据集如果按YOLO格式存放就是txt文本如果原始文件给的是COCO样式json训练前也要转回txt。YOLOv9仓库的官方数据加载器只认txt标注除非你自己写一个自定义Dataset类。一行标注包含五个数字空格分隔。第一列是类别ID整数从0开始计数ID和类别名的映射关系写在data.yaml里。第二列、第三列是边界框中心的x、y坐标第四列、第五列是边界框的宽度w和高度h四个数全部除以图像宽高完成归一化取值在0到1之间。归一化是硬性要求模型在预处理时按整数坐标读取原图但loss计算时统一在归一化坐标系里算IoU不归一化会出现框错位但不报错这是最常见的数据集坑之一。这里给一份标准的标注内容示例假设某缺陷类别ID是3框住一个短路缺陷实例# 标注文件: labels/xxx.txt # 格式: class_id x_center y_center width height # 坐标已归一化到 0~1, 来自标注工具导出或脚本转换 3 0.426563 0.523438 0.056250 0.035938这段坐标的含义是缺陷中心位于图像横向42.6563%、纵向52.3438%的位置宽度约为整图宽度的5.625%高度约为整图高度的3.5938%。注意这不是左上角坐标而是中心点坐标用OpenCV画框时需要换算左上角x等于x_center减去width的一半左上角y等于y_center减去height的一半。如果直接用Python的cv2.rectangle画十有八九会画偏。标注一致性直接决定准确率上限这和使用cvat标注工具还是labelimg导出关系不大。用cvat标注工具导出YOLO格式设置好项目类别后也是一行五个数字导出前要确认坐标字段选了“归一化”而不是“像素”。这个格式拿到YOLOv8、YOLOv7里也能直接训练它们都读取同样的txt五列格式唯一区别是data.yaml字段略有差异。如果你之前处理数据集用于yolov8训练再切换到yolov9时几乎不用改动标注文件只需要适配yaml配置。我在自建数据时吃过亏同一个缺陷两名标注员一个框紧贴缺陷一个框多留5像素背景训练出来的模型边界框漂移特别明显。规则应当统一为“框住缺陷最小的外接矩形不包含正常铜箔或焊盘背景”这份数据集能报到99.8%说明它在类似规则上执行得很彻底。2.3 小样本的类别均衡设计1297张图里的训练验证切分和缺类处理1297张图做目标检测规模不算大但也不是不能训练关键在于train和val怎么切以及每类缺陷的实例数是否均衡。如果直接随机切8:2很容易出现某一类缺陷在验证集里只有十几个实例指标波动大到看不出模型的真实水平。我一般先统计每一类的实例总数再按类别分层切分保证验证集里每一类的样本占比和整体一致不会出现某一类缺陷在验证集里只有个位数的情况。统计脚本如下# count_instances.py # 统计 train 和 val 下每个类别的实例数 import os from collections import Counter label_root datasets/PCB_defect/labels counter Counter() for split in [train, val]: folder os.path.join(label_root, split) for name in os.listdir(folder): if not name.endswith(.txt): continue with open(os.path.join(folder, name)) as f: for line in f: class_id int(line.strip().split()[0]) counter[(split, class_id)] 1 for key, num in sorted(counter.items()): print(key, num)跑完这个脚本你能清楚看到train和val里每一类的实例数。一个健康的划分应该满足两个硬条件train中每一类的实例数不低于100个否则这一类的特征学不透val中每一类的实例数不低于20个否则验证没有统计意义。这份PCB数据集的1297张图如果按类别分层切通常每类能分到几十个验证实例mAP曲线才会稳定而不是反复横跳。另一个被忽略的点是同一块PCB基板的不同局部图不能既出现在train又出现在val。PCB数据集常见采集方式是把一块板放在载物台上拍多个区域光板背景、铜箔纹理高度相似如果切分时不按基板ID去重模型等于提前见过了验证集内容评估出的99.8%在换一块新板时立刻掉到95%以下。数据集的切分策略和标注质量一样决定上限我习惯先列出所有图像的文件名前缀人工确认哪些属于同一块板再按板为单位切分。若某类缺陷数量确实不够我推荐三种处理顺序第一做mosaic增强在训练时把多张图拼成一张让少数类缺陷的组合形态更多样第二只对少数类样本做轻微旋转2到5度、调节亮度后再放入训练集注意PCB是规则矩形旋转超过5度会引入明显的背景伪影第三在loss里给少数类的类别权重调高1.2到1.5倍。尽量避免直接从其他渠道扒PCB数据来混不同拍摄设备的光照和分辨率会让模型域偏移更严重准确率不升反降。3. 从数据集到YOLOv9训练环境配置、数据组织与训练命令照着抄3.1 环境准备CUDA 11.8与PyTorch 2.1的最小组合在自己机器上跑通YOLOv9训练没有想象中复杂。常见做法是克隆YOLOv9仓库然后安装依赖。这里给一组我反复试过最稳的版本组合Python 3.10PyTorch 2.1.0CUDA 11.8GPU显存建议至少8GB。1297张图、640×640输入尺寸下6GB显存也能跑但batchsize会被压得很小训练速度明显变慢。安装命令分成两步先装PyTorch再装其余依赖# 创建虚拟环境, 避免污染系统 Python conda create -n yolov9 python3.10 -y conda activate yolov9 # 安装 CUDA 11.8 对应的 PyTorch, 注意不要用默认 pip 源装成 CPU 版 pip install torch2.1.0 torchvision0.16.0 --index-url https://download.pytorch.org/whl/cu118 # 克隆 YOLOv9 仓库并安装依赖 git clone https://github.com/WongKinYiu/yolov9.git cd yolov9 pip install -r requirements.txt依赖装完后先用一行命令确认GPU可用python -c import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))如果输出True和你的显卡型号说明环境没问题。如果输出False常见原因有两个一是pip把torch装成了CPU版本二是CUDA驱动版本太低PyTorch找不到可用的GPU设备。做PCB缺陷检测不建议在CPU上训练哪怕只有1297张图CPU训练一个epoch要十几分钟GPU只要几十秒后续调参效率完全不在一个数量级。3.2 数据集目录组织把1297张图按YOLOv9要求摆进images和labels拿到这份PCB缺陷数据集后第一步不是急着训练而是把目录结构整理成YOLOv9默认读取的样子。标准结构是把图片放在images/train和images/val下标注txt放在labels/train和labels/val下同级再放一个data.yaml。datasets/PCB_defect/ ├── images/ │ ├── train/ │ │ ├── 001.jpg │ │ └── ... │ └── val/ │ ├── 101.jpg │ └── ... ├── labels/ │ ├── train/ │ │ ├── 001.txt │ │ └── ... │ └── val/ │ ├── 101.txt │ └── ... └── data.yaml图片和标注文件必须同名后缀不同而已。001.jpg对应001.txt如果出现001.jpg在train而001.txt在val训练时YOLOv9会静默跳过这张图不报错你只会在日志里看到训练图像数量比预期少。整理时我一般写一个小脚本按文件名把配对缺失的文件筛出来而不是人工一个个对。如果数据集的原始压缩包是images和labels平铺的没有分train和val你需要自己按2.3节的分层策略切分。切分逻辑是读取所有图片文件名按类别实例数分层把每类的实例按比例分配到train和val然后移动对应的.jpg和.txt文件。切完后再跑一遍2.3节的统计脚本确认每一类的实例数没有偏离预期超过10%否则重新切。提示YOLOv9官方代码对图片路径里的空格和中文字符支持不好建议数据集目录统一用英文小写加下划线减少不必要的路径解析问题。3.3 写data.yaml类别名、路径与download字段的三个坑data.yaml是训练时唯一需要自己写的配置文件它告诉YOLOv9去哪找图片和标注。内容非常简单但有三个坑路径不能用相对路径带波浪号类别顺序必须和txt里的class_id一致自己整理的数据不要写download字段。一份可用的data.yaml如下# data.yaml # 路径建议写绝对路径, 避免训练时换工作目录导致图片找不到 train: /home/yourname/datasets/PCB_defect/images/train val: /home/yourname/datasets/PCB_defect/images/val # 类别列表: ID 从 0 开始, 顺序必须和标注文件一致 names: 0: missing_hole 1: mouse_bite 2: open_circuit 3: short 4: spur 5: spurious_copper注意names这个字段的缩进YAML解析对缩进敏感写错会直接报错。类别名本身不影响训练但会影响验证时输出日志的可读性建议用英文和下划线不要用中文否则终端日志可能出现编码问题。这份PCB数据集的类别通常包括缺孔(missing_hole)、鼠咬(mouse_bite)、断路(open_circuit)、短路(short)、毛刺(spur)、多余铜(spurious_copper)等具体类别数量以你手上的数据为准上面的yaml只是示范结构。路径那个坑值得多说一句。很多教程里写相对路径比如./datasets/PCB_defect在train.py所在目录跑没问题但你一旦用IDE调试或换工作目录图片路径全部失效训练报错说找不到图片。我一般直接写绝对路径省得排查。如果你把数据集和yolov9仓库放在同一个父目录下也可以写成../datasets/PCB_defect这种形式但要先确认train.py的工作目录在哪。download字段是官方仓库为内置数据集准备的自动下载开关自建数据完全不适用。如果data.yaml里残留download字段网络情况不好时训练会卡在下载环节先把它删掉或注释再从本地路径加载。3.4 训练命令与关键参数batch size、img和epoch怎么设训练YOLOv9的命令不长但参数设置直接决定最终指标。这是我在这份PCB缺陷数据集上的推荐组合# 训练命令 python train.py \ --data /home/yourname/datasets/PCB_defect/data.yaml \ --weights yolov9-c.pt \ --img 640 \ --batch-size 16 \ --epochs 200 \ --device 0 \ --project runs/PCB_defect \ --name baseline参数说明--img 640是输入图像尺寸PCB缺陷属于小目标设成640是为了平衡分辨率和显存太小了短路毛刺这类细节会被压缩掉太大了batch size跑不动--batch-size 16在8GB显存下是上限显卡显存更大可以升到32梯度更新更平稳--epochs不是越多越好我在这个数据集上发现150个epoch后mAP基本不再增长200个epoch是为了让学习率衰减更平滑后面的训练不产生明显收益。用yolov9-c.pt做预训练权重而不是随机初始化这是常规做法。预训练权重在前几轮就能把梯度引导到正确的特征提取方向训练曲线下降更快。如果训练时爆显存优先调小--batch-size而不是调小--img图像尺寸调小了缺陷特征丢失准确率天花板会被直接压住。如果训练过程loss正常下降但mAP一直很低检查是不是标签文件里出现了越界坐标或负坐标。训练过程中最应该盯的是train/box_loss和val/box_loss两条曲线用tensorboard就能看到。正常情况是train_loss持续下降val_loss在某个epoch后开始震荡不再下降如果val_loss上升而train_loss还在降那就是过拟合了把epoch降回去并加大数据增强。跑完可以用以下命令查看训练曲线tensorboard --logdir runs/PCB_defect浏览器打开http://localhost:6006就能看到训练过程。我一般会关注前50个epoch如果前50个epoch里val_loss没有明显下降趋势说明配置或数据有问题不要盲目等200个epoch跑完再排查那是浪费时间。4. 验证与调优训练完如何稳定复现99.8%的识别准确率4.1 用val.py评估mAP50、mAP50-95和precision/recall先看哪个训练结束后立刻用val.py跑一遍验证集对比训练过程中每个epoch保存的best.pt和last.pt看哪个权重在验证集上指标更高。这里要区分一个概念99.8%的识别准确率在目标检测里通常不会只指mAP更可能指某一类缺陷的precision或整体precision也可能是按置信度阈值判定后的识别正确率。不同报告口径下数字差很多你得先知道自己要复现的是哪个口径。# 验证命令 python val.py \ --data /home/yourname/datasets/PCB_defect/data.yaml \ --weights runs/PCB_defect/baseline/weights/best.pt \ --img 640 \ --batch-size 16 \ --device 0验证输出里主要看四个数Precision、Recall、mAP50、mAP50-95。PCB缺陷检测的核心矛盾是漏检比误检更致命所以我会优先看Recall。如果你的目标是把识别准确率做到99.8%对应的应该是精度很高、召回率也不低的组合。光看mAP50容易自欺欺人因为mAP50把IoU阈值放宽到0.5边界框偏了30%也算命中这对PCB缺陷检测来说太宽松了。指标含义PCB场景关注优先级Precision预测为缺陷中确实是缺陷的比例中Recall真实缺陷中被检出的比例高mAP50IoU阈值0.5下的平均精度中mAP50-95IoU阈值0.5到0.95的综合平均精度高mAP50-95是把IoU阈值从0.5到0.95每隔0.05算一个mAP再取平均它更能反映定位精度。一份标注干净的数据集训练出来的模型mAP50和mAP50-95之间通常差5到10个百分点。如果差得太多说明模型的框定位不准缺陷位置对了但边界贴合度差这对产线后续的坐标输出和机械臂抓取会有影响。4.2 置信度阈值与NMS参数把评估指标和“99.8%”对齐val.py默认用conf0.001和iou0.6去评估这是为了画PR曲线而设的宽松参数。实际部署时的置信度阈值通常是0.25或0.5。这里出现一个很常见的偏差你拿默认参数跑出来的precision可能不到99.8%但把置信度阈值调到0.5precision立刻升到99.8%以上因为低置信度的假阳性被滤掉了。要在指定置信度下复核precision和recall严谨的做法是自己过一遍验证集把预测结果按置信度排序后逐点计算PR曲线。下面是一段简化版的评估代码思路# eval_at_threshold.py # 在给定置信度阈值下统计 precision / recall # detections: (class_id, conf, x1, y1, x2, y2) 的列表 # groundtruth: (class_id, x1, y1, x2, y2) 的列表 conf_thres 0.5 iou_thres 0.5 tp 0 fp 0 fn 0 for det in detections: if det.conf conf_thres: continue # match_iou 负责计算检测框和所有真值框的 IoU # 这里省略具体匹配逻辑, 核心是比较并累加 tp / fp matched match_iou(det, groundtruth, iou_thres) precision tp / (tp fp 1e-9) recall tp / (tp fn 1e-9) print(fconf{conf_thres:.2f} precision{precision:.4f} recall{recall:.4f})这个流程做过一遍你就明白一份数据集说99.8%的识别准确率背后一定有具体的置信度阈值和IoU阈值。我的经验是在PCB缺陷场景Confidence0.5附近precision能达到99.8%且recall不跌到98%以下这个阈值组合就是可部署的合理位置。如果你为了追求99.8%的precision把置信度调到0.9recall会掉到95%以下产线上漏检的代价远大于误检这种表面好看的指标没有意义。4.3 训练与推理预处理不一致部署时指标掉多少不奇怪还有一个非常容易踩的坑是训练和推理的图像尺寸不一致。训练用640输入推理时直接拿原始尺寸或用了1280box坐标分布在完全不同的尺度上NMS的行为也会变化。YOLOv9的val.py会自动把图像缩放到--img指定尺寸但你用自己写的推理脚本时经常忘了加letterbox预处理结果检测框全部漂移。而在PCB场景下缺陷位置偏移几个像素坐标输出就没法用了。正确的做法是训练、验证、推理都使用同一个预处理管道。YOLOv9仓库里的letterbox函数会把图像等比缩放到640×640并用灰色填充边缘推理脚本里也要调同一个函数。这里不展开长代码核心就一句话别在推理时单独写一套resize逻辑尽量复用仓库里训练用的数据预处理函数。验证时的batch-size尽量和训练时保持一致Batch Normalization在验证模式下用的是训练阶段统计的均值方差batch-size变化不会引起大偏差但会轻微影响推理速度和显存占用。如果你在模型里加了依赖batch统计的自定义层batch-size变了结果会有可见波动这种问题在PCB这类小数据集上会被放大。我通常训练batch16val也固定batch16指标更稳定。5. PCB缺陷检测避坑与常见问题训练和评估中的5个血泪经验5.1 现象loss持续下降但mAP卡在93%不涨原因类别不均衡某一类缺陷实例数远超其他类模型把精力全压在多数类上。这份PCB数据集的1297张图如果某类只有60个实例另一类有300个前者的召回率会很差mAP自然上不去。解决先跑2.3节的统计脚本确认每类实例数。如果多数类超过200个实例可以对少数类做复制增强也可以在训练时给少数类加更大的loss权重。我一般不用重采样因为PCB缺陷图像的背景高度相似复制增强容易过拟合更倾向直接给数据加mosaic增强让模型多看到不同拼贴组合。5.2 现象验证集mAP很高换一块新PCB板检测效果崩掉原因数据划分时没有按基板去重。同一个板的不同局部图同时进了train和val相当于模型在考试前见过答案。这在PCB缺陷数据集里极其常见采集时同一块板会连拍多张。解决采集和切分阶段绑定一个基板ID字段切分时保证同一个基板ID的所有图像全进train或全进val。1297张图如果压缩包里没带基板ID一个补救办法是用图像相似度聚类把高度相似的图归到同一组再按组切分至少能缓解泄漏。这个坑最隐蔽因为训练曲线和验证指标都正常只有上线才暴露。5.3 现象训练时报错“unable to open image file”检查后发现jpg文件没问题原因这是YOLOv9仓库里常见的OpenCV读图兼容性问题PNG、JPEG的某些子格式读取失败报错信息不直接提示。我踩过最狠的一次是数据集中混入了批量从PDF导出的灰度JPEGOpenCV读出来是空数组但不报错训练loss直接变成NaN。解决训练之前统一做一次全量数据清洗用PIL读一遍全部图像捕获异常并打印坏文件路径。顺便把图像统一转成三通道RGB的JPEG或PNG不要保留奇怪的色彩空间和位深。这能在源头消灭绝大多数训练中途崩溃的问题代价只是几秒钟。5.4 现象模型把正常的焊盘误检成缺孔缺陷原因缺孔的表现形态和低角度光照下的正常焊盘非常相似如果标注时把个别正常焊盘也框进去了模型学到的是“圆形的暗色区域就是缺孔”泛化时就会误检。解决回到标注规则缺孔必须满足“焊盘中央没有孔洞或孔洞未贯穿”这一明确条件边界框应同时覆盖焊盘和孔区。如果现有数据集的缺孔类本身包含误标需要抽检并重新标注。这确实是累活但直接决定99.8%的精度能不能成立我在复现这类数据时一定会抽查每个类别的标注切片而不是只依赖统计数字。5.5 现象训练时显存不够调低batch后准确率掉了一个百分点原因batch-size降低Batch Normalization的均值和方差估计噪声变大小样本数据集上更明显。直接调低batch是不合理的做法它会连锁影响学习率的最佳匹配值。解决先从--img 640降到--img 512PCB缺陷在512输入下只要不是极端小目标也能有不错表现如果显存还不够再开--cache把数据预加载到内存减少数据加载时的显存峰值。实在要降batch就把学习率从默认的0.01同步调低否则梯度更新步长过大模型在最优值附近震荡。6. 从1297张图到产线部署推理速度优化与鲁棒性验证技巧模型训练完成只是第一步真正上线做AOI检测还得过推理速度和长尾场景这两关。这份PCB数据集训练出的YOLOv9模型在GPU上640输入、batch 1的推理速度通常在10到20毫秒之间关键瓶颈在预处理和后处理。要让产线代码看懂模型输出就把它封装成输入一张图像、输出缺陷类别和中心坐标的检测函数。# inference.py # 封装单张 PCB 图像的推理流程 import torch import cv2 # 加载模型并固定为评估模式 model torch.load(best.pt, map_locationcpu)[model].float() model.eval() def detect_pcb(image_path, conf0.5, iou0.5): img cv2.imread(image_path) # letterbox 保持宽高比并填充灰色边缘, 与训练时预处理一致 img_letter, scale, pad letterbox(img, 640) img_tensor torch.from_numpy(img_letter).permute(2, 0, 1).unsqueeze(0) with torch.no_grad(): results model(img_tensor) # 非极大值抑制, 再按 scale 和 pad 逆算回原图坐标 dets non_max_suppression(results, conf_thresconf, iou_thresiou)[0] boxes_original scale_coords(img, dets[:, :4], img_letter.shape) return boxes_original, dets[:, 4], dets[:, 5]这里最核心的个人经验是把letterbox和scale_coords写进部署代码里不要省略。我此前在部署阶段犯过错误以为推理时直接resize原图到640×640就行结果坐标全部偏移。letterbox保持原图长宽比并用灰边填充模型训练时看到的是这种形状推理时不照着做输入分布就变了检测效果自然打折。模型鲁棒性验证方面我会专门采集三种挑战场景不同光照角度下的同一块板子、同一缺陷在不同位置的表现、以及不同批次板子的背景变化。用1297张训练出来的模型在这些挑战场景上的召回率不掉超过2%才敢说上线。如果你的光源环境变了拍摄角度从垂直变成30度倾斜模型会崩得相当明显这种问题靠再训练不如靠固定光源和机械定位解决。我的习惯是每种缺陷类别单独写一张precision和recall的对照表每次改阈值或换模型权重都跑一遍这张表再决定是否发布。做缺陷检测越久越坚信98%和99.8%之间的差距不在模型结构而在每个环节的校准一致性。希望这份从数据集格式、训练到验证和部署的完整路径能帮你的PCB缺陷检测项目少走几段弯路。本文还有配套的精品资源点击获取
YOLOv9 PCB缺陷检测数据集训练与部署实战指南
简介面向PCB电路板质检与视觉检测场景的缺陷识别数据集适用于工业质检工程师、算法学习者及YOLOv9目标检测项目实践。资源包含电路板缺陷图片及YOLOv9格式标注识别准确率宣称达99.8%可直接用于模型训练、验证与推理也可作为科研或课程设计的基准数据。整套资源共2000个文件以1297个txt标注文件、702张jpg原图以及1个yaml类别配置文件组成压缩包大小约120.79MBtxt文件对应缺陷位置与类别yaml定义数据路径和类别名称结构清晰便于接入YOLOv9训练流程。目前已有434人浏览学习适合需要快速搭建PCB缺陷检测模型、对比不同训练策略或扩充工业场景数据集的开发者。1. PCB缺陷检测数据集为什么值得用99.8%准确率不是玄学是数据工程的地基在PCB产线质检场景里很多人用同一个YOLOv9模型结构自己卡在97%的识别准确率上别人却拿下了99.8%。问题往往不在模型而在数据集本身标注规范、类别均衡和训练切片方式。这份1297张图片规模、按YOLOv9格式标注的PCB缺陷检测识别数据集覆盖短路、断路、缺孔、毛刺、虚焊等常见缺陷专给做AOI光学检测替代和自动视觉质检的工程师用。对新手来说它是一套能直接跑通目标检测全流程的教材级数据对熟手来说它的类别边界和验证集划分策略更值得抄。我不会把99.8%当成宣传数字下面直接拆标注格式每一行怎么定义1297张图怎么撑起稳定训练训练命令和评估参数怎么设以及最容易让准确率虚高或翻车的那些坑。2. 理解PCB缺陷数据集1297张YOLOv9格式标注图里的类别与标注规则2.1 PCB常见缺陷类别与检测难点短路、断路、缺孔、毛刺、虚焊的视觉边界PCB缺陷检测识别数据集的难点不在模型而在缺陷本体的“视觉区分度”。短路是两条相邻导线之间出现不该有的铜连接外形上和正常走线几乎同材质同颜色断路是导线上有一段不连续的缺口但光照稍微一变缺口边缘的反光会骗过常见的边缘特征缺孔则是焊盘中央该有的过孔没打穿在俯视图上只是一个圆形暗影毛刺是蚀刻不净留下的尖角突起虚焊更麻烦焊点轮廓在但内部润湿不足二维图像上只表现为反光不均。我一般把缺陷分成结构型缺陷和表面型缺陷两类。结构型缺陷短路、断路、缺孔适合用边界框目标检测直接框出来因为位置和尺寸相对固定无论拍摄角度怎么变缺陷的形态差异不大表面型缺陷毛刺、虚焊、锡渣则需要较强的光照配合否则同一个焊点换个角度标注框里的内容差异极大。这份数据集的1297张图之所以能支撑99.8%的识别准确率本质上是按结构型缺陷为主设计类别把虚焊这类难区分的表面缺陷限定在固定拍摄角度内。用目标检测做PCB质检还有一个固有难点缺陷实例占整图的比例极小。一张500×500的PCB图像里短路缺陷可能只占30×20像素算下来不到全图的千分之几。这决定了不能只依赖模型最后一层输出必须启用多尺度预测。YOLOv9的GELAN结构和可编程梯度信息在这里比我之前用过的YOLOv5的C3结构更占优它通过梯度路径规划让小目标缺陷的深层特征不衰减对微小缺陷的召回率有实打实的提升。实际在AOI替代项目里模型要把同一块板的不同缺陷同时抓准还面临类别间相似度问题。断路和鼠咬都是“铜箔缺了一块”只是程度和位置不同短路和多余铜都是“不该出现的地方有铜”。标注时必须定义可判断的规则比如短路只框两条走线之间的桥接区域多余铜只框孤立的小铜点规则定不清楚训练出来的类别混淆矩阵一定难看。我拿到任何PCB缺陷数据集的第一件事就是把全部标签文件的类别边界查一遍不轻信类别名本身。2.2 YOLOv9标注格式解剖一行txt五个数字的坐标体系与归一化规则YOLOv9的数据集格式和YOLOv5、YOLOv8一脉相承每个图像对应一个同名txt文件文件里每一行代表一个缺陷实例。这份PCB数据集如果按YOLO格式存放就是txt文本如果原始文件给的是COCO样式json训练前也要转回txt。YOLOv9仓库的官方数据加载器只认txt标注除非你自己写一个自定义Dataset类。一行标注包含五个数字空格分隔。第一列是类别ID整数从0开始计数ID和类别名的映射关系写在data.yaml里。第二列、第三列是边界框中心的x、y坐标第四列、第五列是边界框的宽度w和高度h四个数全部除以图像宽高完成归一化取值在0到1之间。归一化是硬性要求模型在预处理时按整数坐标读取原图但loss计算时统一在归一化坐标系里算IoU不归一化会出现框错位但不报错这是最常见的数据集坑之一。这里给一份标准的标注内容示例假设某缺陷类别ID是3框住一个短路缺陷实例# 标注文件: labels/xxx.txt # 格式: class_id x_center y_center width height # 坐标已归一化到 0~1, 来自标注工具导出或脚本转换 3 0.426563 0.523438 0.056250 0.035938这段坐标的含义是缺陷中心位于图像横向42.6563%、纵向52.3438%的位置宽度约为整图宽度的5.625%高度约为整图高度的3.5938%。注意这不是左上角坐标而是中心点坐标用OpenCV画框时需要换算左上角x等于x_center减去width的一半左上角y等于y_center减去height的一半。如果直接用Python的cv2.rectangle画十有八九会画偏。标注一致性直接决定准确率上限这和使用cvat标注工具还是labelimg导出关系不大。用cvat标注工具导出YOLO格式设置好项目类别后也是一行五个数字导出前要确认坐标字段选了“归一化”而不是“像素”。这个格式拿到YOLOv8、YOLOv7里也能直接训练它们都读取同样的txt五列格式唯一区别是data.yaml字段略有差异。如果你之前处理数据集用于yolov8训练再切换到yolov9时几乎不用改动标注文件只需要适配yaml配置。我在自建数据时吃过亏同一个缺陷两名标注员一个框紧贴缺陷一个框多留5像素背景训练出来的模型边界框漂移特别明显。规则应当统一为“框住缺陷最小的外接矩形不包含正常铜箔或焊盘背景”这份数据集能报到99.8%说明它在类似规则上执行得很彻底。2.3 小样本的类别均衡设计1297张图里的训练验证切分和缺类处理1297张图做目标检测规模不算大但也不是不能训练关键在于train和val怎么切以及每类缺陷的实例数是否均衡。如果直接随机切8:2很容易出现某一类缺陷在验证集里只有十几个实例指标波动大到看不出模型的真实水平。我一般先统计每一类的实例总数再按类别分层切分保证验证集里每一类的样本占比和整体一致不会出现某一类缺陷在验证集里只有个位数的情况。统计脚本如下# count_instances.py # 统计 train 和 val 下每个类别的实例数 import os from collections import Counter label_root datasets/PCB_defect/labels counter Counter() for split in [train, val]: folder os.path.join(label_root, split) for name in os.listdir(folder): if not name.endswith(.txt): continue with open(os.path.join(folder, name)) as f: for line in f: class_id int(line.strip().split()[0]) counter[(split, class_id)] 1 for key, num in sorted(counter.items()): print(key, num)跑完这个脚本你能清楚看到train和val里每一类的实例数。一个健康的划分应该满足两个硬条件train中每一类的实例数不低于100个否则这一类的特征学不透val中每一类的实例数不低于20个否则验证没有统计意义。这份PCB数据集的1297张图如果按类别分层切通常每类能分到几十个验证实例mAP曲线才会稳定而不是反复横跳。另一个被忽略的点是同一块PCB基板的不同局部图不能既出现在train又出现在val。PCB数据集常见采集方式是把一块板放在载物台上拍多个区域光板背景、铜箔纹理高度相似如果切分时不按基板ID去重模型等于提前见过了验证集内容评估出的99.8%在换一块新板时立刻掉到95%以下。数据集的切分策略和标注质量一样决定上限我习惯先列出所有图像的文件名前缀人工确认哪些属于同一块板再按板为单位切分。若某类缺陷数量确实不够我推荐三种处理顺序第一做mosaic增强在训练时把多张图拼成一张让少数类缺陷的组合形态更多样第二只对少数类样本做轻微旋转2到5度、调节亮度后再放入训练集注意PCB是规则矩形旋转超过5度会引入明显的背景伪影第三在loss里给少数类的类别权重调高1.2到1.5倍。尽量避免直接从其他渠道扒PCB数据来混不同拍摄设备的光照和分辨率会让模型域偏移更严重准确率不升反降。3. 从数据集到YOLOv9训练环境配置、数据组织与训练命令照着抄3.1 环境准备CUDA 11.8与PyTorch 2.1的最小组合在自己机器上跑通YOLOv9训练没有想象中复杂。常见做法是克隆YOLOv9仓库然后安装依赖。这里给一组我反复试过最稳的版本组合Python 3.10PyTorch 2.1.0CUDA 11.8GPU显存建议至少8GB。1297张图、640×640输入尺寸下6GB显存也能跑但batchsize会被压得很小训练速度明显变慢。安装命令分成两步先装PyTorch再装其余依赖# 创建虚拟环境, 避免污染系统 Python conda create -n yolov9 python3.10 -y conda activate yolov9 # 安装 CUDA 11.8 对应的 PyTorch, 注意不要用默认 pip 源装成 CPU 版 pip install torch2.1.0 torchvision0.16.0 --index-url https://download.pytorch.org/whl/cu118 # 克隆 YOLOv9 仓库并安装依赖 git clone https://github.com/WongKinYiu/yolov9.git cd yolov9 pip install -r requirements.txt依赖装完后先用一行命令确认GPU可用python -c import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))如果输出True和你的显卡型号说明环境没问题。如果输出False常见原因有两个一是pip把torch装成了CPU版本二是CUDA驱动版本太低PyTorch找不到可用的GPU设备。做PCB缺陷检测不建议在CPU上训练哪怕只有1297张图CPU训练一个epoch要十几分钟GPU只要几十秒后续调参效率完全不在一个数量级。3.2 数据集目录组织把1297张图按YOLOv9要求摆进images和labels拿到这份PCB缺陷数据集后第一步不是急着训练而是把目录结构整理成YOLOv9默认读取的样子。标准结构是把图片放在images/train和images/val下标注txt放在labels/train和labels/val下同级再放一个data.yaml。datasets/PCB_defect/ ├── images/ │ ├── train/ │ │ ├── 001.jpg │ │ └── ... │ └── val/ │ ├── 101.jpg │ └── ... ├── labels/ │ ├── train/ │ │ ├── 001.txt │ │ └── ... │ └── val/ │ ├── 101.txt │ └── ... └── data.yaml图片和标注文件必须同名后缀不同而已。001.jpg对应001.txt如果出现001.jpg在train而001.txt在val训练时YOLOv9会静默跳过这张图不报错你只会在日志里看到训练图像数量比预期少。整理时我一般写一个小脚本按文件名把配对缺失的文件筛出来而不是人工一个个对。如果数据集的原始压缩包是images和labels平铺的没有分train和val你需要自己按2.3节的分层策略切分。切分逻辑是读取所有图片文件名按类别实例数分层把每类的实例按比例分配到train和val然后移动对应的.jpg和.txt文件。切完后再跑一遍2.3节的统计脚本确认每一类的实例数没有偏离预期超过10%否则重新切。提示YOLOv9官方代码对图片路径里的空格和中文字符支持不好建议数据集目录统一用英文小写加下划线减少不必要的路径解析问题。3.3 写data.yaml类别名、路径与download字段的三个坑data.yaml是训练时唯一需要自己写的配置文件它告诉YOLOv9去哪找图片和标注。内容非常简单但有三个坑路径不能用相对路径带波浪号类别顺序必须和txt里的class_id一致自己整理的数据不要写download字段。一份可用的data.yaml如下# data.yaml # 路径建议写绝对路径, 避免训练时换工作目录导致图片找不到 train: /home/yourname/datasets/PCB_defect/images/train val: /home/yourname/datasets/PCB_defect/images/val # 类别列表: ID 从 0 开始, 顺序必须和标注文件一致 names: 0: missing_hole 1: mouse_bite 2: open_circuit 3: short 4: spur 5: spurious_copper注意names这个字段的缩进YAML解析对缩进敏感写错会直接报错。类别名本身不影响训练但会影响验证时输出日志的可读性建议用英文和下划线不要用中文否则终端日志可能出现编码问题。这份PCB数据集的类别通常包括缺孔(missing_hole)、鼠咬(mouse_bite)、断路(open_circuit)、短路(short)、毛刺(spur)、多余铜(spurious_copper)等具体类别数量以你手上的数据为准上面的yaml只是示范结构。路径那个坑值得多说一句。很多教程里写相对路径比如./datasets/PCB_defect在train.py所在目录跑没问题但你一旦用IDE调试或换工作目录图片路径全部失效训练报错说找不到图片。我一般直接写绝对路径省得排查。如果你把数据集和yolov9仓库放在同一个父目录下也可以写成../datasets/PCB_defect这种形式但要先确认train.py的工作目录在哪。download字段是官方仓库为内置数据集准备的自动下载开关自建数据完全不适用。如果data.yaml里残留download字段网络情况不好时训练会卡在下载环节先把它删掉或注释再从本地路径加载。3.4 训练命令与关键参数batch size、img和epoch怎么设训练YOLOv9的命令不长但参数设置直接决定最终指标。这是我在这份PCB缺陷数据集上的推荐组合# 训练命令 python train.py \ --data /home/yourname/datasets/PCB_defect/data.yaml \ --weights yolov9-c.pt \ --img 640 \ --batch-size 16 \ --epochs 200 \ --device 0 \ --project runs/PCB_defect \ --name baseline参数说明--img 640是输入图像尺寸PCB缺陷属于小目标设成640是为了平衡分辨率和显存太小了短路毛刺这类细节会被压缩掉太大了batch size跑不动--batch-size 16在8GB显存下是上限显卡显存更大可以升到32梯度更新更平稳--epochs不是越多越好我在这个数据集上发现150个epoch后mAP基本不再增长200个epoch是为了让学习率衰减更平滑后面的训练不产生明显收益。用yolov9-c.pt做预训练权重而不是随机初始化这是常规做法。预训练权重在前几轮就能把梯度引导到正确的特征提取方向训练曲线下降更快。如果训练时爆显存优先调小--batch-size而不是调小--img图像尺寸调小了缺陷特征丢失准确率天花板会被直接压住。如果训练过程loss正常下降但mAP一直很低检查是不是标签文件里出现了越界坐标或负坐标。训练过程中最应该盯的是train/box_loss和val/box_loss两条曲线用tensorboard就能看到。正常情况是train_loss持续下降val_loss在某个epoch后开始震荡不再下降如果val_loss上升而train_loss还在降那就是过拟合了把epoch降回去并加大数据增强。跑完可以用以下命令查看训练曲线tensorboard --logdir runs/PCB_defect浏览器打开http://localhost:6006就能看到训练过程。我一般会关注前50个epoch如果前50个epoch里val_loss没有明显下降趋势说明配置或数据有问题不要盲目等200个epoch跑完再排查那是浪费时间。4. 验证与调优训练完如何稳定复现99.8%的识别准确率4.1 用val.py评估mAP50、mAP50-95和precision/recall先看哪个训练结束后立刻用val.py跑一遍验证集对比训练过程中每个epoch保存的best.pt和last.pt看哪个权重在验证集上指标更高。这里要区分一个概念99.8%的识别准确率在目标检测里通常不会只指mAP更可能指某一类缺陷的precision或整体precision也可能是按置信度阈值判定后的识别正确率。不同报告口径下数字差很多你得先知道自己要复现的是哪个口径。# 验证命令 python val.py \ --data /home/yourname/datasets/PCB_defect/data.yaml \ --weights runs/PCB_defect/baseline/weights/best.pt \ --img 640 \ --batch-size 16 \ --device 0验证输出里主要看四个数Precision、Recall、mAP50、mAP50-95。PCB缺陷检测的核心矛盾是漏检比误检更致命所以我会优先看Recall。如果你的目标是把识别准确率做到99.8%对应的应该是精度很高、召回率也不低的组合。光看mAP50容易自欺欺人因为mAP50把IoU阈值放宽到0.5边界框偏了30%也算命中这对PCB缺陷检测来说太宽松了。指标含义PCB场景关注优先级Precision预测为缺陷中确实是缺陷的比例中Recall真实缺陷中被检出的比例高mAP50IoU阈值0.5下的平均精度中mAP50-95IoU阈值0.5到0.95的综合平均精度高mAP50-95是把IoU阈值从0.5到0.95每隔0.05算一个mAP再取平均它更能反映定位精度。一份标注干净的数据集训练出来的模型mAP50和mAP50-95之间通常差5到10个百分点。如果差得太多说明模型的框定位不准缺陷位置对了但边界贴合度差这对产线后续的坐标输出和机械臂抓取会有影响。4.2 置信度阈值与NMS参数把评估指标和“99.8%”对齐val.py默认用conf0.001和iou0.6去评估这是为了画PR曲线而设的宽松参数。实际部署时的置信度阈值通常是0.25或0.5。这里出现一个很常见的偏差你拿默认参数跑出来的precision可能不到99.8%但把置信度阈值调到0.5precision立刻升到99.8%以上因为低置信度的假阳性被滤掉了。要在指定置信度下复核precision和recall严谨的做法是自己过一遍验证集把预测结果按置信度排序后逐点计算PR曲线。下面是一段简化版的评估代码思路# eval_at_threshold.py # 在给定置信度阈值下统计 precision / recall # detections: (class_id, conf, x1, y1, x2, y2) 的列表 # groundtruth: (class_id, x1, y1, x2, y2) 的列表 conf_thres 0.5 iou_thres 0.5 tp 0 fp 0 fn 0 for det in detections: if det.conf conf_thres: continue # match_iou 负责计算检测框和所有真值框的 IoU # 这里省略具体匹配逻辑, 核心是比较并累加 tp / fp matched match_iou(det, groundtruth, iou_thres) precision tp / (tp fp 1e-9) recall tp / (tp fn 1e-9) print(fconf{conf_thres:.2f} precision{precision:.4f} recall{recall:.4f})这个流程做过一遍你就明白一份数据集说99.8%的识别准确率背后一定有具体的置信度阈值和IoU阈值。我的经验是在PCB缺陷场景Confidence0.5附近precision能达到99.8%且recall不跌到98%以下这个阈值组合就是可部署的合理位置。如果你为了追求99.8%的precision把置信度调到0.9recall会掉到95%以下产线上漏检的代价远大于误检这种表面好看的指标没有意义。4.3 训练与推理预处理不一致部署时指标掉多少不奇怪还有一个非常容易踩的坑是训练和推理的图像尺寸不一致。训练用640输入推理时直接拿原始尺寸或用了1280box坐标分布在完全不同的尺度上NMS的行为也会变化。YOLOv9的val.py会自动把图像缩放到--img指定尺寸但你用自己写的推理脚本时经常忘了加letterbox预处理结果检测框全部漂移。而在PCB场景下缺陷位置偏移几个像素坐标输出就没法用了。正确的做法是训练、验证、推理都使用同一个预处理管道。YOLOv9仓库里的letterbox函数会把图像等比缩放到640×640并用灰色填充边缘推理脚本里也要调同一个函数。这里不展开长代码核心就一句话别在推理时单独写一套resize逻辑尽量复用仓库里训练用的数据预处理函数。验证时的batch-size尽量和训练时保持一致Batch Normalization在验证模式下用的是训练阶段统计的均值方差batch-size变化不会引起大偏差但会轻微影响推理速度和显存占用。如果你在模型里加了依赖batch统计的自定义层batch-size变了结果会有可见波动这种问题在PCB这类小数据集上会被放大。我通常训练batch16val也固定batch16指标更稳定。5. PCB缺陷检测避坑与常见问题训练和评估中的5个血泪经验5.1 现象loss持续下降但mAP卡在93%不涨原因类别不均衡某一类缺陷实例数远超其他类模型把精力全压在多数类上。这份PCB数据集的1297张图如果某类只有60个实例另一类有300个前者的召回率会很差mAP自然上不去。解决先跑2.3节的统计脚本确认每类实例数。如果多数类超过200个实例可以对少数类做复制增强也可以在训练时给少数类加更大的loss权重。我一般不用重采样因为PCB缺陷图像的背景高度相似复制增强容易过拟合更倾向直接给数据加mosaic增强让模型多看到不同拼贴组合。5.2 现象验证集mAP很高换一块新PCB板检测效果崩掉原因数据划分时没有按基板去重。同一个板的不同局部图同时进了train和val相当于模型在考试前见过答案。这在PCB缺陷数据集里极其常见采集时同一块板会连拍多张。解决采集和切分阶段绑定一个基板ID字段切分时保证同一个基板ID的所有图像全进train或全进val。1297张图如果压缩包里没带基板ID一个补救办法是用图像相似度聚类把高度相似的图归到同一组再按组切分至少能缓解泄漏。这个坑最隐蔽因为训练曲线和验证指标都正常只有上线才暴露。5.3 现象训练时报错“unable to open image file”检查后发现jpg文件没问题原因这是YOLOv9仓库里常见的OpenCV读图兼容性问题PNG、JPEG的某些子格式读取失败报错信息不直接提示。我踩过最狠的一次是数据集中混入了批量从PDF导出的灰度JPEGOpenCV读出来是空数组但不报错训练loss直接变成NaN。解决训练之前统一做一次全量数据清洗用PIL读一遍全部图像捕获异常并打印坏文件路径。顺便把图像统一转成三通道RGB的JPEG或PNG不要保留奇怪的色彩空间和位深。这能在源头消灭绝大多数训练中途崩溃的问题代价只是几秒钟。5.4 现象模型把正常的焊盘误检成缺孔缺陷原因缺孔的表现形态和低角度光照下的正常焊盘非常相似如果标注时把个别正常焊盘也框进去了模型学到的是“圆形的暗色区域就是缺孔”泛化时就会误检。解决回到标注规则缺孔必须满足“焊盘中央没有孔洞或孔洞未贯穿”这一明确条件边界框应同时覆盖焊盘和孔区。如果现有数据集的缺孔类本身包含误标需要抽检并重新标注。这确实是累活但直接决定99.8%的精度能不能成立我在复现这类数据时一定会抽查每个类别的标注切片而不是只依赖统计数字。5.5 现象训练时显存不够调低batch后准确率掉了一个百分点原因batch-size降低Batch Normalization的均值和方差估计噪声变大小样本数据集上更明显。直接调低batch是不合理的做法它会连锁影响学习率的最佳匹配值。解决先从--img 640降到--img 512PCB缺陷在512输入下只要不是极端小目标也能有不错表现如果显存还不够再开--cache把数据预加载到内存减少数据加载时的显存峰值。实在要降batch就把学习率从默认的0.01同步调低否则梯度更新步长过大模型在最优值附近震荡。6. 从1297张图到产线部署推理速度优化与鲁棒性验证技巧模型训练完成只是第一步真正上线做AOI检测还得过推理速度和长尾场景这两关。这份PCB数据集训练出的YOLOv9模型在GPU上640输入、batch 1的推理速度通常在10到20毫秒之间关键瓶颈在预处理和后处理。要让产线代码看懂模型输出就把它封装成输入一张图像、输出缺陷类别和中心坐标的检测函数。# inference.py # 封装单张 PCB 图像的推理流程 import torch import cv2 # 加载模型并固定为评估模式 model torch.load(best.pt, map_locationcpu)[model].float() model.eval() def detect_pcb(image_path, conf0.5, iou0.5): img cv2.imread(image_path) # letterbox 保持宽高比并填充灰色边缘, 与训练时预处理一致 img_letter, scale, pad letterbox(img, 640) img_tensor torch.from_numpy(img_letter).permute(2, 0, 1).unsqueeze(0) with torch.no_grad(): results model(img_tensor) # 非极大值抑制, 再按 scale 和 pad 逆算回原图坐标 dets non_max_suppression(results, conf_thresconf, iou_thresiou)[0] boxes_original scale_coords(img, dets[:, :4], img_letter.shape) return boxes_original, dets[:, 4], dets[:, 5]这里最核心的个人经验是把letterbox和scale_coords写进部署代码里不要省略。我此前在部署阶段犯过错误以为推理时直接resize原图到640×640就行结果坐标全部偏移。letterbox保持原图长宽比并用灰边填充模型训练时看到的是这种形状推理时不照着做输入分布就变了检测效果自然打折。模型鲁棒性验证方面我会专门采集三种挑战场景不同光照角度下的同一块板子、同一缺陷在不同位置的表现、以及不同批次板子的背景变化。用1297张训练出来的模型在这些挑战场景上的召回率不掉超过2%才敢说上线。如果你的光源环境变了拍摄角度从垂直变成30度倾斜模型会崩得相当明显这种问题靠再训练不如靠固定光源和机械定位解决。我的习惯是每种缺陷类别单独写一张precision和recall的对照表每次改阈值或换模型权重都跑一遍这张表再决定是否发布。做缺陷检测越久越坚信98%和99.8%之间的差距不在模型结构而在每个环节的校准一致性。希望这份从数据集格式、训练到验证和部署的完整路径能帮你的PCB缺陷检测项目少走几段弯路。本文还有配套的精品资源点击获取
