PCB印刷电路板表面缺陷检测数据集（近 3500张图片已标注）| YOLO训练数据集 AI视觉检测

质检PCB难道还一直依靠人眼去盯着查看吗？有3500张高清标注的数据集能够免费下载，可使你的YOLO模型直接学会6种常见的电路板方面的缺陷。

数据集构成

这套用于PCB表面缺陷检测的数据集，总共涵盖3500张图片，且全部都已完成专业标注。其中，数据被划分成训练集2800张、验证集350张以及测试集350张，此划分具备符合工业级模型训练的标准比例。每张图片都对应着具备缺陷类别和位置坐标信息的一个YOLO格式的txt标注文件。该数据集的目录结构清晰明确，用户在进行下载之后能够直接将其放入YOLO项目里加以使用，而无需进行额外的格式转换。

缺陷类型说明

PCB生产里最常见的6类缺陷被数据集涵盖，应该钻孔而处于那位置却没被钻穿的是漏孔，它会对元件安装以及电气联结构成影响，电路板边缘发生存在不规则破损现象的区域属于缺口，导电线路于中间断开致使电流难以正常通行的情况是断路，本来不应当连接的两条线路被错误连接到一块儿的称作短路，线路边缘出现多余铜箔突起物的是毛刺，非设计区域留存的铜箔碎片即为余铜。

数据质量特点

dataset/
├── images/
│   ├── itrain
│   ├── valid
│   └── test
├── labels/
│   ├── itrain
│   ├── valid
│   └── test

这批图片，拍摄质量极高，缺陷位置能清晰看见，背景干扰比较小。缺陷分布广泛，有明显的短路断路，还有微小的毛刺和余铜。特别要提及的是，小目标占比高，好多缺陷仅仅占图片里的千分之几像素，这恰好考验YOLO等目标检测模型对小物体的识别能力。图片里含有不同光照条件下的样本，提升了数据集的鲁棒性。

使用注意事项

应用之际，得把数据集依照既有的目录结构予以放置，于YOLO配置文档里明确规定数据集的路径以及类别名称。而类别编号的映射关联是这样的：0对着漏孔，1对着缺口。2对着断路，3对着短路，4对着毛刺，5对着余铜。训练之前，提议核查各类别的样本数量，部分缺陷兴许存在样本不均衡这一问题。此外，鉴于缺陷尺寸较为小，能够适度调节模型的锚框参数。

训练技巧建议

针对小目标检测这一问题，给出建议，在训练期间增加输入图像的分辨率，比如说将其从640x640提升至1280x1280。能够采用数据增强策略，像随机裁剪、旋转、缩放等，以此增加小样本缺陷的多样性。对于样本数量较少的缺陷类别；可以借助复制粘贴或者生成合成图像的方式来扩充数据。在模型选择方面；YOLOv5s或者YOLOv8s这种平衡速度与精度的版本是比较适合的。

0 → missing_hole
1 → mouse_bite
2 → open_circuit
3 → short
4 → spur
5 → spurious_copper

这套数据集能够直接用以工业生产线上的PCB质检系统开发，助力电子制造企业替换人工目检，在学术研究层面，适宜当作小目标检测算法的基准数据集，用以验证新模型的性能，对于正开展毕业设计或AI项目开发的同学而言，这是一个数据洁净、标注规范的实战资源，未来还能够在既有基础上拓展更多缺陷类型，或者添加视频流数据实现动态检测。

在现实可感的PCB实际制造生产流水作业线上，自动化的视觉检测系统是不是能够彻底完全地将人工进行质量检查的工作予以替代呢？诚挚欢迎大家在评论区域当中分享各自内心的看法观点，点击点赞按钮以使更多致力于工业视觉领域的朋友们能够看到这份相关资源。

path: /your/dataset/path
train: images/itrain
val: images/valid
test: images/test
nc: 6
names: ['missing_hole','mouse_bite','open_circuit','short','spur','spurious_copper']