​带标注的轴承划痕检测数据集识别率83.0%1180张图支持yolococo jsonvoc xml,文末有模型训练代码模型训练指标参数数据集拆分总图数1180 张图数训练集769 张图验证集236 张图测试集175 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[‘scratch’]标签解释scratch-》划痕数据集图片和标注信息示例数据集下载yolo26:https://download.csdn.net/download/pbymw8iwm/92897476yolo v12:https://download.csdn.net/download/pbymw8iwm/92897479yolo v11:https://download.csdn.net/download/pbymw8iwm/92897480yolo v9:https://download.csdn.net/download/pbymw8iwm/92897477yolo v8:https://download.csdn.net/download/pbymw8iwm/92897478yolo v7:https://download.csdn.net/download/pbymw8iwm/92897481coco json:https://download.csdn.net/download/pbymw8iwm/92897482pascal voc xml: https://download.csdn.net/download/pbymw8iwm/92897483YOLO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modelYOLO(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resultsmodel(image_path)# 获取预测结果forresultinresults:# 获取绘制了检测框的图片annotated_imageresult.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()