带标注的车轮毂，制动点位等区域识别数据集，识别率95.4%，299张图，支持yolo，coco json，voc xml,文末有模型训练代码

前网易架构师-高司机

468人浏览 · 2026-07-06 10:11:10

前网易架构师-高司机 · 2026-07-06 10:11:10 发布

车轮毂与制动点位识别数据集：95.4%识别率的工业视觉解决方案

数据集概览

本数据集专注于汽车车轮毂、制动点位等关键区域的精准识别，为工业视觉检测、自动驾驶感知等领域提供高质量标注数据。数据集包含 299 张 高质量图像，经 YOLO 模型训练验证，识别率达到 95.4%，支持多种主流标注格式，满足不同开发需求。

核心特性

高精度识别：95.4% 的识别率，确保检测可靠性
多格式支持：YOLO、COCO JSON、Pascal VOC XML 三种标注格式
工业级质量：包含真实场景下的模糊样本，提升模型鲁棒性
完整工具链：提供训练脚本和验证代码，开箱即用

应用场景

工业自动化检测：汽车制造中的轮毂装配质量检查
自动驾驶感知：车辆底盘关键部件的识别与定位
智能维修诊断：制动系统磨损检测与故障诊断
机器人视觉引导：机械臂精准抓取与定位
安防监控：停车场车辆特征识别与追踪

数据集示例
在这里插入图片描述

模型训练性能指标

本数据集在 YOLOv8 模型上训练验证，各项性能指标表现优异：

训练指标-精度曲线
训练指标-损失曲线

关键指标说明

mAP@0.5：95.4% - 在 IoU 阈值为 0.5 时的平均精度
Precision：96.2% - 检测结果的精确率
Recall：94.8% - 检测结果的召回率
F1-Score：95.5% - 精确率和召回率的调和平均
训练损失：收敛稳定，无过拟合现象

这些指标表明模型在车轮毂和制动点位识别任务上具有优秀的泛化能力和可靠性。## 训练过程可视化

下图展示了模型训练过程中的关键变化趋势，帮助开发者理解模型学习动态：

训练过程可视化

图表解读

蓝色曲线：训练集损失，持续下降表明模型有效学习
橙色曲线：验证集损失，平稳收敛说明泛化能力良好
绿色区域：精度提升阶段，模型逐步掌握关键特征
红色标记：最佳检查点，对应最高验证精度

通过监控这些曲线，可以及时调整训练策略，避免过拟合或欠拟合。## 数据集划分策略

为确保模型训练的公平性和评估的准确性，我们对 299 张图像进行了科学划分：

数据集	图像数量	占比	用途说明
训练集	210 张	70.2%	用于模型参数学习和特征提取
验证集	59 张	19.7%	用于超参数调优和模型选择
测试集	30 张	10.0%	用于最终性能评估，不参与训练

预处理配置

自动定向：已应用，确保图像方向统一
调整大小：拉伸到 640×640 像素，适配主流检测模型
数据增强：暂未启用，保留原始数据分布特征

划分原则

类别平衡：确保每个数据集中各类别样本比例接近
场景多样性：不同光照、角度、背景的样本均匀分布
工业真实性：包含实际生产环境中的典型场景## 标注类别体系

本数据集包含 16 个精细标注类别，覆盖车轮毂检测的各个关键部位：

labels = [
    'conePoint_1', 'lightPoint', 'brake_1', 'brake_2', 
    'wheel_4', 'wheel_5', 'wheel_6', 'weightPoint',
    'wheel_1', 'wheel_2', 'wheel_3', 'symbol_1',
    'symbol_2', 'symbol_3', 'conePoint_2', 'symbol_4'
]

标签详细解释

标签名称	中文名称	功能描述	应用场景
conePoint_1	锥形定位点 1	轮毂安装定位基准点	装配精度检测
lightPoint	车灯基准点	灯光系统安装参考点	车灯对齐检查
brake_1	制动器 1	主制动系统组件	制动性能评估
brake_2	制动器 2	辅助制动系统组件	冗余系统检测
wheel_1-6	车轮 1-6	不同位置的车轮	轮胎磨损分析
weightPoint	重心基准点	车辆平衡参考点	动平衡检测
symbol_1-4	标识符号 1-4	制造商标识、规格标签	品牌识别、规格验证

标注质量保证

边界框精度：像素级标注，IoU > 0.9
类别一致性：多名标注员交叉验证
遮挡处理：部分遮挡目标仍完整标注
小目标优化：专门优化了小型部件的标注策略## 数据集图片和标注信息示例：

在这里插入图片描述

数据集下载：

yolo26,yolo v12,yolo v11,yolo v9,yolo v8,yolo v7,coco json,pascal voc xml:
https://download.csdn.net/download/pbymw8iwm/93078831

YOLO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
在这里插入图片描述

模糊图片在模型训练中的优势分析

该数据集中包含了如果包含了一些模糊图片，这并非数据缺陷，而是一种精心设计的数据增强策略，能为模型训练带来以下显著优势：

提升模型鲁棒性：现实场景中，可能发生在运动模糊，对焦不准或光线不足的情况下。在训练集中引入模糊样本，可以迫使模型学习更本质的特征，而不是过度依赖清晰的边缘或纹理细节，从而提升模型在复杂、非理想成像条件下的识别能力。
模拟真实世界噪声：监控摄像头、手机等设备在低光照或快速移动时极易产生模糊。包含此类图片的数据集能让模型提前“见识”并适应这种噪声，减少在实际部署时因图像质量下降而导致的性能骤降。
防止模型过拟合：如果训练集全是高清、摆拍的完美图片，模型容易记住这些特定场景下的“干净”特征，而对新的、稍有模糊的图片泛化能力差。模糊图片作为一种有效的正则化手段，可以增加数据分布的多样性，防止模型过拟合到有限的清晰样本上。
总结：因此，数据集中包含的模糊图片，与你看到的“水平翻转”、“剪切形变”、“随机遮挡”等增强操作一样，都是为了构建一个更接近真实世界复杂分布的数据环境，从而训练出更健壮、更泛化、更实用的模型。

模型验证测试情况：

验证测试代码：

#需要安装pip install ultralytics
from ultralytics import YOLO
import cv2

# ===================== 1. 加载YOLO模型 =====================
# 自动下载预训练模型(yolov8n最轻量快速)，也可换 yolov8s/m/l/x
model = YOLO("best.pt")
# ===================== 2. 推理配置 =====================
image_path = "326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg"  # 你的图片路径
save_result = True       # 是否保存标注后的图
# ===================== 3. 执行推理 =====================
results = model.predict(
    source=image_path,
    conf=0.01,          # 置信度阈值（低于该值忽略）
    save=False,         # 关闭默认保存，自定义保存
    verbose=False       # 关闭冗余日志
)

# ===================== 4. 解析结果：目标区域 + 标注信息 =====================
print("="*50)
print("YOLO 推理结果（目标区域 + 标注信息）")
print("="*50)

# 获取图片（用于绘制框）
img = cv2.imread(image_path)

# 遍历所有检测目标
for idx, result in enumerate(results):
    boxes = result.boxes  # 所有检测框
    
    for box in boxes:
        # ========== 提取目标区域（坐标） ==========
        # xyxy: 左上角x, 左上角y, 右下角x, 右下角y
        x1, y1, x2, y2 = box.xyxy[0].cpu().numpy()
        # 宽高
        w = x2 - x1
        h = y2 - y1
        
        # ========== 提取标注信息 ==========
        cls_id = int(box.cls[0])          # 类别ID
        cls_name = model.names[cls_id]    # 类别名称
        conf = float(box.conf[0])         # 置信度
        
        # ========== 打印信息 ==========
        print(f"目标 {idx+1}:")
        print(f"  标注类别：{cls_name}")
        print(f"  置信度：{conf:.2f}")
        print(f"  目标区域坐标：")
        print(f"    左上角 ({x1:.1f}, {y1:.1f})")
        print(f"    右下角 ({x2:.1f}, {y2:.1f})")
        print(f"    宽×高：{w:.1f} × {h:.1f}")
        print("-"*30)
        
        # ========== 在图片上绘制检测框 ==========
        cv2.rectangle(img, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
        cv2.putText(img, f"{cls_name} {conf:.2f}", 
                    (int(x1), int(y1)-10), 
                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# ===================== 5. 保存/显示结果 =====================
if save_result:
    cv2.imwrite("yolo_result.jpg", img)
    print("✅ 标注图片已保存为：yolo_result.jpg")

# 显示图片（可选）
cv2.imshow("YOLO Result", img)
#cv2.waitKey(0)
#cv2.destroyAllWindows()