智慧工业螺母损伤检测数据集8类螺母缺陷数据集、YOLOv11n工业缺陷检测、紧固件外观检测数据集、机械零部件AI质检源码、紧固件视觉检测模型、工业外观缺陷识别数据集、螺母生锈断裂划痕识别、工业零件正反面缺陷检测5880张yolo和voc两种标注方式图像尺寸:640*6408类训练集图像数量:3360; 验证集图像数量:1260 测试集图像数量:1260类别名称: 每一类图像数 每一类标注数Excellent 优秀: 743,743Side_Excellent 侧面优秀: 733,733Rust 生锈: 740,740Side_Rust 侧面生锈: 733,733Fracture 断裂: 733,733Side-Fracture 侧面断裂: 732,732Scratches 划痕: 733,733Side_Scratches 侧面划痕: 733,733image num: 5880一、螺母损伤检测数据集详情表项目详细参数数据集名称螺母损伤检测数据集总图像数量5880张图像尺寸640×640标注格式YOLO、VOC类别总数8类训练集3360张验证集1260张测试集1260张Excellent优秀图像数743标注数743Side_Excellent侧面优秀图像数733标注数733Rust生锈图像数740标注数740Side_Rust侧面生锈图像数733标注数733Fracture断裂图像数733标注数733Side-Fracture侧面断裂图像数732标注数732Scratches划痕图像数733标注数733Side_Scratches侧面划痕图像数733标注数733训练配置YOLOv11n训练轮次30 epoch配套资源训练测试全源码、训练权重、PyQt可视化界面源码2.模型代码模型训练使用yolov11n训练30个epoch训练结果map如描述图所示。3.qt界面运行界面采用pyqt编写本项目已经训练好模型配置好环境后可直接使用运行效果见描述图像二、YOLOv11 训练代码1. 数据集配置文件nut_defect.yamlpath:./datasets/nut_defecttrain:images/trainval:images/valtest:images/testnc:8names:0:Excellent1:Side_Excellent2:Rust3:Side_Rust4:Fracture5:Side-Fracture6:Scratches7:Side_Scratches2. 训练、验证、推理代码fromultralyticsimportYOLOimportwarnings warnings.filterwarnings(ignore)deftrain_nut_defect():# 加载轻量化YOLOv11n模型modelYOLO(yolo11n.pt)model.train(datanut_defect.yaml,epochs30,imgsz640,batch16,device0,workers4,patience8,projectruns/train,namenut_defect_detect,saveTrue,valTrue)print(螺母损伤检测模型训练完成)defeval_model():# 模型精度评估modelYOLO(runs/train/nut_defect_detect/weights/best.pt)metricsmodel.val(datanut_defect.yaml,imgsz640)print(fmAP0.5:{metrics.box.map50:.4f})defpredict_source(source):# 图片/视频/摄像头推理检测modelYOLO(runs/train/nut_defect_detect/weights/best.pt)resultsmodel.predict(sourcesource,imgsz640,conf0.45,saveTrue,show_labelsTrue,show_confTrue)returnresultsif__name____main__:train_nut_defect()eval_model()# predict_source(test.jpg)三、PyQt界面说明基于PyQt开发可视化操作界面附带完整源码。模型已完成训练配置运行环境后即可直接使用可直观展示螺母缺陷类型、置信度等检测结果操作简单。四、应用场景工业质检机械加工、紧固件生产线在线检测自动判别螺母外观缺陷设备运维大型机械、钢结构设施巡检排查螺母生锈、断裂、划痕等隐患智能制造搭建自动化视觉检测工位替代人工分拣不良品教学实训工业缺陷检测、机器视觉方向课程设计、毕业设计算法研发小型零部件缺陷识别算法测试、模型迭代优化赛事竞赛工业表面缺陷检测类竞赛基线数据集与模型