简介本资源为谢韦尔钢材表面缺陷检测数据集面向从事工业质检、缺陷识别与深度学习目标检测的开发者与研究人员可用于训练和验证钢材表面缺陷检测模型。数据集同时提供Pascal VOC与YOLO两种标注格式包含6666张jpg图片及一一对应的xml与txt标注文件标注类别共4类crack、patches、pitting、scratches总标注框数达20017个其中scratches与pitting样本较为丰富适合开展多类别缺陷检测实验。压缩包为7z格式共约2000个文件以xml标注文件为主另含一份使用前必读说明整体大小约606.94MB目录结构清晰便于直接接入主流检测框架。目前已有1142人学习下载可作为钢材缺陷检测课题的可靠数据基础帮助读者快速搭建训练与评估流程。1. 谢韦尔钢材缺陷检测数据集6666 张 VOCYOLO 双格式的落地价值拿到一个钢材缺陷检测数据集第一反应不该是「有多少张」而是「标注格式能不能直接喂进训练管线」。谢韦尔钢材缺陷检测数据集给的是 6666 张、4 类别、VOC 与 YOLO 双格式并存这个组合本身就说明它面向的是工业质检场景下的目标检测任务。钢材表面缺陷检测在产线上属于典型的少样本、高误检代价场景——漏检一块带裂纹的钢板下游可能就是整批冲压件报废。所以这类数据集的核心价值不在图片数量而在于类别定义是否贴近真实缺陷形态、标注框是否贴合缺陷边界、双格式是否省去你手写转换脚本的时间。这份资源适合三类人一是做工业质检方向、需要快速搭起 YOLO 训练基线验证算法改动的工程师二是拿它做数据增强、损失函数对比实验的研究者三是想跑通「VOC 标注 → YOLO 训练 → 推理验证」完整链路的新手。6666 张的体量不算大单卡就能跑但足够暴露数据加载、类别不平衡、标注噪声这些真实问题。下面按「先看清结构、再动手训练、最后避坑」的顺序拆开讲。2. 数据集结构与 VOC/YOLO 双格式解析2.1 目录组织与文件命名规律解压后的目录通常遵循 VOC 的标准布局同时附带一份 YOLO 格式的标签目录。常见做法是保留AnnotationsXML、JPEGImages原图、ImageSets/Main划分文件三件套再额外给一个labels目录存放 YOLO 的 txt。先别急着训练用几条命令把结构摸清楚比盲目开跑省时间。# 查看解压后的顶层结构确认 VOC 与 YOLO 目录是否齐全 ls -lh ./severstal_defect/ # 统计图片数量验证是否与简介的 6666 张一致 find ./severstal_defect/JPEGImages -type f \( -name *.jpg -o -name *.png \) | wc -l # 统计 XML 标注数量正常应与图片数一一对应 find ./severstal_defect/Annotations -name *.xml | wc -l # 查看 YOLO 标签目录确认每张图对应一个同名 txt ls ./severstal_defect/labels/ | head -20逻辑说明图片数与 XML 数不一致说明有图没标或标了没图这是后续训练报KeyError或空标签的根源。参数上find的-name用通配符兼容 jpg/png 混存的情况工业数据集经常两种格式混着来。YOLO 标签目录里每个 txt 的文件名必须和图片主名严格一致差一个下划线都会导致加载时找不到标签。2.2 VOC XML 与 YOLO txt 的字段映射VOC 的 XML 存的是绝对像素坐标xmin/ymin/xmax/ymaxYOLO 的 txt 存的是归一化后的class_id cx cy w h。两者转换的核心是除以图像宽高并把类别名映射成从 0 开始的整数索引。下面这段脚本把 VOC 转 YOLO同时生成classes.txt这是训练前必须落地的第一步。import os import xml.etree.ElementTree as ET # 类别顺序必须固定训练和推理时索引要一致 CLASSES [defect_1, defect_2, defect_3, defect_4] class_to_id {c: i for i, c in enumerate(CLASSES)} def voc_to_yolo(xml_path, img_w, img_h, out_path): tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): cls_name obj.find(name).text.strip() if cls_name not in class_to_id: continue # 跳过不在预定义类别里的标注避免索引越界 bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 归一化并转为中心点宽高 cx (xmin xmax) / 2.0 / img_w cy (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{class_to_id[cls_name]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) with open(out_path, w) as f: f.write(\n.join(lines))逻辑说明CLASSES的顺序一旦定下就不能改否则训练好的权重换一份classes.txt就全乱。归一化保留 6 位小数是 YOLO 官方推荐的精度太少会丢框太多没必要。continue那行是血泪经验——工业数据集常有标注员写了不在类别表里的名字不跳过就会在训练时抛异常。参数上img_w/img_h必须从对应图片读取不能硬编码因为数据集里图片尺寸可能不统一。2.3 训练集/验证集划分与 data.yaml 配置VOC 的ImageSets/Main里通常有train.txt和val.txt但 YOLO 训练需要的是图片路径列表加一份data.yaml。如果数据集没给划分文件就按 8:2 自己切注意保持 4 个类别的分布均衡别让某个类别在验证集里一张都没有。import random from pathlib import Path img_dir Path(./severstal_defect/JPEGImages) imgs sorted([p.stem for p in img_dir.glob(*.jpg)]) random.seed(42) # 固定种子保证每次划分一致方便复现 random.shuffle(imgs) split int(len(imgs) * 0.8) train_list, val_list imgs[:split], imgs[split:] for name, lst in [(train, train_list), (val, val_list)]: with open(f./severstal_defect/{name}.txt, w) as f: for stem in lst: f.write(f./JPEGImages/{stem}.jpg\n)逻辑说明random.seed(42)是复现实验的基本要求不固定种子两次划分结果不同指标没法对比。写进 txt 的是相对路径配合data.yaml里的path字段使用。对应的data.yaml长这样path: ./severstal_defect train: train.txt val: val.txt nc: 4 names: [defect_1, defect_2, defect_3, defect_4]参数说明nc必须等于names的长度写错会在构建检测头时报维度不匹配。names的顺序和前面CLASSES完全一致这是整条链路对齐的锚点。3. 用 YOLO 跑通训练环境、命令与参数3.1 环境配置与依赖安装钢材缺陷检测对显存要求不算高6666 张、4 类别单张 24G 显存的卡跑 YOLOv8n 或 v8s 都够。环境上建议用 conda 隔离避免和系统里的 torch 版本打架。常见做法是 Python 3.9 到 3.10torch 2.x 配对应 CUDA。# 创建独立环境避免依赖冲突 conda create -n steel_defect python3.10 -y conda activate steel_defect # 安装 ultralytics它会自动拉取匹配的 torch pip install ultralytics # 验证环境确认能识别到 GPU yolo checks逻辑说明yolo checks会打印 CUDA 是否可用、torch 版本、GPU 型号。如果这里显示 CPU only后面训练会慢到无法接受先解决驱动和 CUDA 匹配问题再往下走。参数上不建议手动pip install torch再装 ultralytics版本对不上是新手最常见的翻车点让 ultralytics 自己解析依赖更稳。3.2 启动训练与关键参数含义训练命令本身很短但每个参数都影响结果。下面这条是能直接抄的基线配置。yolo detect train \ data./severstal_defect/data.yaml \ modelyolov8s.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ patience20 \ project./runs/steel \ namebaseline逻辑说明modelyolov8s.pt用的是 COCO 预训练权重钢材缺陷和 COCO 类别不重叠但底层边缘、纹理特征仍能迁移比从零训练收敛快得多。imgsz640是速度和精度的平衡点缺陷如果特别小可以提到 1024但显存占用翻倍。patience20表示 20 轮指标不涨就早停省时间。lr00.01是 SGD 的初始学习率如果换成 AdamW 建议降到 0.001。batch16在 24G 显存上跑 640 分辨率比较稳爆显存就减半。训练过程中重点看三个输出box_loss是否稳定下降、mAP50是否在涨、cls_loss有没有异常震荡。cls_loss剧烈震荡通常意味着类别不平衡或标注里有大量空框。3.3 推理验证与结果解读训练完别只看最后的 mAP拿几张验证集图片实际跑一遍肉眼确认框的位置和类别对不对。# 对验证集图片做推理保存带框结果 yolo detect predict \ model./runs/steel/baseline/weights/best.pt \ source./severstal_defect/JPEGImages \ conf0.25 \ saveTrue \ project./runs/steel \ namepred逻辑说明conf0.25是置信度阈值工业质检场景通常宁可多报也别漏报可以适当降到 0.15 观察召回。saveTrue会把画框后的图存下来方便和原图对比。如果发现某类缺陷几乎没框出来先回去查这个类别的标注数量很可能是样本太少导致模型没学到。结果解读上mAP50看整体mAP50-95看框的精度。钢材缺陷边界往往模糊mAP50-95偏低是正常的别一味追求这个指标而把框标得过紧反而丢泛化。4. 避坑与常见问题排查4.1 解压 7z 报错但密码正确现象用7z x解压时提示密码错误但确认密码没问题。原因多半是压缩包用了非 UTF-8 的文件名编码或者分卷压缩没下全。解决Linux 下先装p7zip-full用7z x -p密码 -mcp936 文件名.7z指定中文编码如果是分卷确认.001/.002都在同一目录再解压。Windows 下换 7-Zip 最新版老版本对某些压缩算法支持不全。4.2 训练时 BN 层崩溃或 loss 变 NaN现象训练几十轮后lossnan或者报 BN 相关错误。原因通常是学习率过大、batch 太小导致批统计量不稳或者数据里有损坏图片。解决先把lr0降到 0.001 试再把batch提到 16 以上同时用脚本扫一遍图片把打不开的图剔除。钢材数据集里偶有截断的 jpg加载时不一定报错但会污染统计量。4.3 类别索引错位导致全预测成同一类现象推理结果所有框都是同一个类别。原因data.yaml的names顺序和生成 YOLO 标签时的CLASSES顺序不一致。解决回头核对两处顺序必须逐字一致。这个坑很隐蔽因为训练不会报错只是指标虚高。4.4 验证集 mAP 虚高但实际漏检严重现象mAP50到 0.9 了实际产线图却漏检。原因训练集和验证集划分时没固定种子或者验证集图片和训练集高度相似等于变相泄漏。解决固定random.seed并尽量按时间或批次划分别随机打散。工业数据尤其要注意同一块钢板的多个视角不能分到训练和验证两边。4.5 显存够但训练极慢现象GPU 利用率低训练速度远低于预期。原因数据加载成了瓶颈workers设太小或者图片存在机械硬盘上。解决把workers提到 8数据放 SSDimgsz如果不是必须 640 可以先降到 416 验证流程通不通。5. 进阶技巧用混淆矩阵定位类别混淆训练跑通只是起点真正决定这份数据集能不能用于产线的是类别间的区分度。YOLO 训练完会在runs/steel/baseline/下生成confusion_matrix.png这张图比 mAP 更能说明问题。横轴是预测类别纵轴是真实类别对角线越深越好非对角线上的亮点就是混淆源。我一般会先看两类一是某个缺陷被大量预测成背景说明召回不足可能是标注框太小或该类别样本太少二是两个缺陷类别互相混淆说明它们的视觉特征在 640 分辨率下难以区分这时候要么提高输入分辨率要么在数据增强里加针对性的裁剪和旋转。钢材缺陷里裂纹和划痕经常混靠调参解决不了得回到标注层面确认边界定义是否清晰。验证方法上除了看混淆矩阵还可以把val集里预测错误的样本单独抽出来按错误类型分文件夹人工过一遍。这一步很枯燥但能发现标注本身的系统性错误——比如某个标注员把氧化皮全标成了夹杂。这类问题不解决模型再调也是学错。一个具体技巧用yolo detect val时加save_jsonTrue导出 COCO 格式的预测结果再用 pycocotools 按类别算 AP比 YOLO 自带的汇总更细。这样能定位到具体是哪个类别拖了后腿而不是只看一个总数。从那以后我每次拿到新数据集都强制先跑一遍混淆矩阵再决定要不要加数据或改标注而不是一上来就调模型结构。希望帮到你。本文还有配套的精品资源点击获取 谢韦尔钢材缺陷检测数据集：6666张VOC+YOLO双格式实战指南
简介本资源为谢韦尔钢材表面缺陷检测数据集面向从事工业质检、缺陷识别与深度学习目标检测的开发者与研究人员可用于训练和验证钢材表面缺陷检测模型。数据集同时提供Pascal VOC与YOLO两种标注格式包含6666张jpg图片及一一对应的xml与txt标注文件标注类别共4类crack、patches、pitting、scratches总标注框数达20017个其中scratches与pitting样本较为丰富适合开展多类别缺陷检测实验。压缩包为7z格式共约2000个文件以xml标注文件为主另含一份使用前必读说明整体大小约606.94MB目录结构清晰便于直接接入主流检测框架。目前已有1142人学习下载可作为钢材缺陷检测课题的可靠数据基础帮助读者快速搭建训练与评估流程。1. 谢韦尔钢材缺陷检测数据集6666 张 VOCYOLO 双格式的落地价值拿到一个钢材缺陷检测数据集第一反应不该是「有多少张」而是「标注格式能不能直接喂进训练管线」。谢韦尔钢材缺陷检测数据集给的是 6666 张、4 类别、VOC 与 YOLO 双格式并存这个组合本身就说明它面向的是工业质检场景下的目标检测任务。钢材表面缺陷检测在产线上属于典型的少样本、高误检代价场景——漏检一块带裂纹的钢板下游可能就是整批冲压件报废。所以这类数据集的核心价值不在图片数量而在于类别定义是否贴近真实缺陷形态、标注框是否贴合缺陷边界、双格式是否省去你手写转换脚本的时间。这份资源适合三类人一是做工业质检方向、需要快速搭起 YOLO 训练基线验证算法改动的工程师二是拿它做数据增强、损失函数对比实验的研究者三是想跑通「VOC 标注 → YOLO 训练 → 推理验证」完整链路的新手。6666 张的体量不算大单卡就能跑但足够暴露数据加载、类别不平衡、标注噪声这些真实问题。下面按「先看清结构、再动手训练、最后避坑」的顺序拆开讲。2. 数据集结构与 VOC/YOLO 双格式解析2.1 目录组织与文件命名规律解压后的目录通常遵循 VOC 的标准布局同时附带一份 YOLO 格式的标签目录。常见做法是保留AnnotationsXML、JPEGImages原图、ImageSets/Main划分文件三件套再额外给一个labels目录存放 YOLO 的 txt。先别急着训练用几条命令把结构摸清楚比盲目开跑省时间。# 查看解压后的顶层结构确认 VOC 与 YOLO 目录是否齐全 ls -lh ./severstal_defect/ # 统计图片数量验证是否与简介的 6666 张一致 find ./severstal_defect/JPEGImages -type f \( -name *.jpg -o -name *.png \) | wc -l # 统计 XML 标注数量正常应与图片数一一对应 find ./severstal_defect/Annotations -name *.xml | wc -l # 查看 YOLO 标签目录确认每张图对应一个同名 txt ls ./severstal_defect/labels/ | head -20逻辑说明图片数与 XML 数不一致说明有图没标或标了没图这是后续训练报KeyError或空标签的根源。参数上find的-name用通配符兼容 jpg/png 混存的情况工业数据集经常两种格式混着来。YOLO 标签目录里每个 txt 的文件名必须和图片主名严格一致差一个下划线都会导致加载时找不到标签。2.2 VOC XML 与 YOLO txt 的字段映射VOC 的 XML 存的是绝对像素坐标xmin/ymin/xmax/ymaxYOLO 的 txt 存的是归一化后的class_id cx cy w h。两者转换的核心是除以图像宽高并把类别名映射成从 0 开始的整数索引。下面这段脚本把 VOC 转 YOLO同时生成classes.txt这是训练前必须落地的第一步。import os import xml.etree.ElementTree as ET # 类别顺序必须固定训练和推理时索引要一致 CLASSES [defect_1, defect_2, defect_3, defect_4] class_to_id {c: i for i, c in enumerate(CLASSES)} def voc_to_yolo(xml_path, img_w, img_h, out_path): tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): cls_name obj.find(name).text.strip() if cls_name not in class_to_id: continue # 跳过不在预定义类别里的标注避免索引越界 bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 归一化并转为中心点宽高 cx (xmin xmax) / 2.0 / img_w cy (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{class_to_id[cls_name]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) with open(out_path, w) as f: f.write(\n.join(lines))逻辑说明CLASSES的顺序一旦定下就不能改否则训练好的权重换一份classes.txt就全乱。归一化保留 6 位小数是 YOLO 官方推荐的精度太少会丢框太多没必要。continue那行是血泪经验——工业数据集常有标注员写了不在类别表里的名字不跳过就会在训练时抛异常。参数上img_w/img_h必须从对应图片读取不能硬编码因为数据集里图片尺寸可能不统一。2.3 训练集/验证集划分与 data.yaml 配置VOC 的ImageSets/Main里通常有train.txt和val.txt但 YOLO 训练需要的是图片路径列表加一份data.yaml。如果数据集没给划分文件就按 8:2 自己切注意保持 4 个类别的分布均衡别让某个类别在验证集里一张都没有。import random from pathlib import Path img_dir Path(./severstal_defect/JPEGImages) imgs sorted([p.stem for p in img_dir.glob(*.jpg)]) random.seed(42) # 固定种子保证每次划分一致方便复现 random.shuffle(imgs) split int(len(imgs) * 0.8) train_list, val_list imgs[:split], imgs[split:] for name, lst in [(train, train_list), (val, val_list)]: with open(f./severstal_defect/{name}.txt, w) as f: for stem in lst: f.write(f./JPEGImages/{stem}.jpg\n)逻辑说明random.seed(42)是复现实验的基本要求不固定种子两次划分结果不同指标没法对比。写进 txt 的是相对路径配合data.yaml里的path字段使用。对应的data.yaml长这样path: ./severstal_defect train: train.txt val: val.txt nc: 4 names: [defect_1, defect_2, defect_3, defect_4]参数说明nc必须等于names的长度写错会在构建检测头时报维度不匹配。names的顺序和前面CLASSES完全一致这是整条链路对齐的锚点。3. 用 YOLO 跑通训练环境、命令与参数3.1 环境配置与依赖安装钢材缺陷检测对显存要求不算高6666 张、4 类别单张 24G 显存的卡跑 YOLOv8n 或 v8s 都够。环境上建议用 conda 隔离避免和系统里的 torch 版本打架。常见做法是 Python 3.9 到 3.10torch 2.x 配对应 CUDA。# 创建独立环境避免依赖冲突 conda create -n steel_defect python3.10 -y conda activate steel_defect # 安装 ultralytics它会自动拉取匹配的 torch pip install ultralytics # 验证环境确认能识别到 GPU yolo checks逻辑说明yolo checks会打印 CUDA 是否可用、torch 版本、GPU 型号。如果这里显示 CPU only后面训练会慢到无法接受先解决驱动和 CUDA 匹配问题再往下走。参数上不建议手动pip install torch再装 ultralytics版本对不上是新手最常见的翻车点让 ultralytics 自己解析依赖更稳。3.2 启动训练与关键参数含义训练命令本身很短但每个参数都影响结果。下面这条是能直接抄的基线配置。yolo detect train \ data./severstal_defect/data.yaml \ modelyolov8s.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ patience20 \ project./runs/steel \ namebaseline逻辑说明modelyolov8s.pt用的是 COCO 预训练权重钢材缺陷和 COCO 类别不重叠但底层边缘、纹理特征仍能迁移比从零训练收敛快得多。imgsz640是速度和精度的平衡点缺陷如果特别小可以提到 1024但显存占用翻倍。patience20表示 20 轮指标不涨就早停省时间。lr00.01是 SGD 的初始学习率如果换成 AdamW 建议降到 0.001。batch16在 24G 显存上跑 640 分辨率比较稳爆显存就减半。训练过程中重点看三个输出box_loss是否稳定下降、mAP50是否在涨、cls_loss有没有异常震荡。cls_loss剧烈震荡通常意味着类别不平衡或标注里有大量空框。3.3 推理验证与结果解读训练完别只看最后的 mAP拿几张验证集图片实际跑一遍肉眼确认框的位置和类别对不对。# 对验证集图片做推理保存带框结果 yolo detect predict \ model./runs/steel/baseline/weights/best.pt \ source./severstal_defect/JPEGImages \ conf0.25 \ saveTrue \ project./runs/steel \ namepred逻辑说明conf0.25是置信度阈值工业质检场景通常宁可多报也别漏报可以适当降到 0.15 观察召回。saveTrue会把画框后的图存下来方便和原图对比。如果发现某类缺陷几乎没框出来先回去查这个类别的标注数量很可能是样本太少导致模型没学到。结果解读上mAP50看整体mAP50-95看框的精度。钢材缺陷边界往往模糊mAP50-95偏低是正常的别一味追求这个指标而把框标得过紧反而丢泛化。4. 避坑与常见问题排查4.1 解压 7z 报错但密码正确现象用7z x解压时提示密码错误但确认密码没问题。原因多半是压缩包用了非 UTF-8 的文件名编码或者分卷压缩没下全。解决Linux 下先装p7zip-full用7z x -p密码 -mcp936 文件名.7z指定中文编码如果是分卷确认.001/.002都在同一目录再解压。Windows 下换 7-Zip 最新版老版本对某些压缩算法支持不全。4.2 训练时 BN 层崩溃或 loss 变 NaN现象训练几十轮后lossnan或者报 BN 相关错误。原因通常是学习率过大、batch 太小导致批统计量不稳或者数据里有损坏图片。解决先把lr0降到 0.001 试再把batch提到 16 以上同时用脚本扫一遍图片把打不开的图剔除。钢材数据集里偶有截断的 jpg加载时不一定报错但会污染统计量。4.3 类别索引错位导致全预测成同一类现象推理结果所有框都是同一个类别。原因data.yaml的names顺序和生成 YOLO 标签时的CLASSES顺序不一致。解决回头核对两处顺序必须逐字一致。这个坑很隐蔽因为训练不会报错只是指标虚高。4.4 验证集 mAP 虚高但实际漏检严重现象mAP50到 0.9 了实际产线图却漏检。原因训练集和验证集划分时没固定种子或者验证集图片和训练集高度相似等于变相泄漏。解决固定random.seed并尽量按时间或批次划分别随机打散。工业数据尤其要注意同一块钢板的多个视角不能分到训练和验证两边。4.5 显存够但训练极慢现象GPU 利用率低训练速度远低于预期。原因数据加载成了瓶颈workers设太小或者图片存在机械硬盘上。解决把workers提到 8数据放 SSDimgsz如果不是必须 640 可以先降到 416 验证流程通不通。5. 进阶技巧用混淆矩阵定位类别混淆训练跑通只是起点真正决定这份数据集能不能用于产线的是类别间的区分度。YOLO 训练完会在runs/steel/baseline/下生成confusion_matrix.png这张图比 mAP 更能说明问题。横轴是预测类别纵轴是真实类别对角线越深越好非对角线上的亮点就是混淆源。我一般会先看两类一是某个缺陷被大量预测成背景说明召回不足可能是标注框太小或该类别样本太少二是两个缺陷类别互相混淆说明它们的视觉特征在 640 分辨率下难以区分这时候要么提高输入分辨率要么在数据增强里加针对性的裁剪和旋转。钢材缺陷里裂纹和划痕经常混靠调参解决不了得回到标注层面确认边界定义是否清晰。验证方法上除了看混淆矩阵还可以把val集里预测错误的样本单独抽出来按错误类型分文件夹人工过一遍。这一步很枯燥但能发现标注本身的系统性错误——比如某个标注员把氧化皮全标成了夹杂。这类问题不解决模型再调也是学错。一个具体技巧用yolo detect val时加save_jsonTrue导出 COCO 格式的预测结果再用 pycocotools 按类别算 AP比 YOLO 自带的汇总更细。这样能定位到具体是哪个类别拖了后腿而不是只看一个总数。从那以后我每次拿到新数据集都强制先跑一遍混淆矩阵再决定要不要加数据或改标注而不是一上来就调模型结构。希望帮到你。本文还有配套的精品资源点击获取