煤和皮带识别数据集：YOLOv11目标检测实战与训练指南

简介一套面向煤炭工业视觉监测场景的煤与传送带皮带识别数据集采用YOLOv11格式标注可支撑传送带异物检测、煤流状态分析、皮带跑偏预警等任务适合目标检测初学者及矿业智能化项目开发者直接使用。包体共625个文件包含312张JPG图像与对应的312个TXT标注文件以及1个YAML配置文件图像与标注一一对应YAML中已定义类别信息解压后即可按YOLOv11训练流程调用整体压缩包约39.63MB。已有518人学习下载数据集图片来自实际工况场景标注包含皮带与煤两类目标平均识别率高达99.5%可为模型训练、验证与算法对比提供标准数据基础。对需要快速构建选煤厂视觉识别模型或进行皮带煤流检测实验的读者这套数据可显著减少采集与标注成本直接用于训练、测试与模型迭代。1. 煤和皮带识别数据集为什么这条传送带检测值得单独做一套 YOLOv11 标注煤矿选煤厂里最不值钱但也最容易出事的画面就是那条黑乎乎的传送带。皮带跑偏、煤量过大、异物卡堵监控墙上一片灰黑人眼盯十分钟就开始麻木。煤和皮带识别这个任务难不在算法难在数据煤是黑色的皮带也是黑色的光照一差两者在画面里的边界几乎是玄学。而这套用 YOLOv11 格式标注的煤和传送带识别数据集恰恰是把最难的那部分标注问题解决了——它把皮带和煤分别标成独立类别平均识别率能做到 99.5%。这套资源适合谁两类人最对口一类是做煤矿智能化、选煤厂视觉巡检的工程师手里有摄像头但没有干净数据正愁标注成本另一类是在校学生或刚转行做目标检测的开发者拿工业现场的脏数据练手比用 VOC 或 COCO 那种工整数据集更有实战价值。它解决的核心问题很具体给你一份开箱即用的 YOLOv11 训练原料类别只有两个——belt皮带和 coal煤背景干净、目标明确适合快速验证模型也适合做检测逻辑的基准测试。数据集的量级和场景覆盖面决定了它适合做迁移学习的底座。我的建议是别一上来就追求 mAP 刷分先用它跑通数据加载、标注解析、训练验证全流程再谈优化。接下来我会从数据集结构、标注格式、训练流程、验证方法到踩坑记录把这套资源的每个细节拆开给你看。2. 数据集结构与 YOLOv11 标注格式先看清目录里有什么拿到数据集的第一件事不是解压就跑而是把目录结构摸清楚。这部分的坑最多——很多人在标注格式上栽跟头其实不是模型的问题是对数据组织方式理解错了。2.1 目录划分与数据分配比例这套煤和皮带数据集的目录组织方式遵循 Ultralytics 的标准 layout也就是 YOLOv11 官方训练时默认读取的结构。解压后你会看到一个主目录下面按 images 和 labels 分成 train、val、test 三个子集。coal_belt_dataset/ ├── images/ │ ├── train/ # 训练集图像 │ ├── val/ # 验证集图像 │ └── test/ # 测试集图像 ├── labels/ │ ├── train/ # 训练集标注 │ ├── val/ # 验证集标注 │ └── test/ # 测试集标注 ├── data.yaml # 类别定义与路径配置 └── README.md # 数据集说明训练集承担主要的学习任务数量最多验证集用于每个 epoch 结束后评估模型状态决定是否保存权重测试集只做最终一次性验证不在训练过程中参与任何决策。这个分配比例是目标检测任务里最常用的做法训练集占大头、验证集和测试集各留一小部分能有效避免模型在验证集上反复调参导致的过拟合。2.2 Txt 标注文件解析一行一个目标YOLOv11 的标注格式和 YOLOv5、YOLOv8 完全一致每个图像对应一个同名 txt 文件放在 labels 目录的对应子集下。每行代表一个目标五个数值依次是 class_id、x_center、y_center、width、height所有坐标都是相对图像尺寸的归一化值。打开一个标注文件内容大致长这样0 0.492188 0.635417 0.307292 0.229167 1 0.621094 0.682292 0.166667 0.150000第一行的0是类别编号对应 data.yaml 里的第一个类别我做项目时习惯把 belt 排在前面后面四个数字依次是目标中心点的 x、y 坐标和宽、高全部归一化到 0-1 之间。需要注意的是YOLOv11 标注不接受未归一化的像素坐标也不接受x1y1x2y2这种左上右下角点格式如果你打算往这个数据集里补充自己的图像必须先用脚本转成归一化的中心点格式。2.3 Data.yaml 配置训练前必须检查的三个字段训练开始前的第一步是检查 data.yamlYOLOv11 会严格按这个文件读取类别和路径。一个常见错误是类别顺序和实际标注不一致导致模型训练完后输出张冠李戴的预测结果。path: ../coal_belt_dataset # 数据集根目录相对路径或绝对路径 train: images/train # 训练集图像目录 val: images/val # 验证集图像目录 test: images/test # 测试集图像目录 nc: 2 # 类别总数 names: [belt, coal] # 类别名称列表顺序必须和标注txt中的class_id一致三个字段容易出错第一是path如果用相对路径它是相对于当前运行目录的不是相对于 yaml 文件所在目录我因为这个翻过车第二是names的顺序txt 标注里的 class_id 是按这个列表索引确定的一旦顺序错了皮带会被当成煤煤会被当成皮带第三是test字段训练时 YOLOv11 不会用到它但做最终验证时如果没配好脚本会直接报错找不到路径。2.4 用脚本检查标注文件是否有异常标注质量决定模型上限拿到数据集后我习惯先跑一遍检查脚本确认没有空标注、越界框和类别编号溢出。这三类问题在模型训练时不一定报错但会以诡异的 loss 波动和召回率低的形式反馈出来。import os label_dir labels/train valid_ids {0, 1} # 根据 data.yaml 的 nc 和 names 设置 empty_files [] bad_lines [] for fname in os.listdir(label_dir): if not fname.endswith(.txt): continue path os.path.join(label_dir, fname) lines open(path, encodingutf-8).read().strip().splitlines() if not lines: empty_files.append(fname) continue for line in lines: parts line.strip().split() if len(parts) ! 5: bad_lines.append((fname, line, 字段数不为5)) continue cls_id int(parts[0]) if cls_id not in valid_ids: bad_lines.append((fname, line, f类别编号 {cls_id} 越界)) for v in parts[1:]: if not 0.0 float(v) 1.0: bad_lines.append((fname, line, f坐标值 {v} 超出[0,1])) print(f空标注文件: {len(empty_files)} 个) for f in empty_files[:10]: print( , f) print(f异常行: {len(bad_lines)} 条) for f, line, reason in bad_lines[:10]: print(f , f, line, reason)逻辑不复杂逐行解析每个标注文件检查字段数是否为 5、类别编号是否在合法范围内、归一化坐标是否都在 0-1 之间。空标注文件在训练时不会立刻报错但会让 loss 计算时该图片没有正样本导致收敛不稳定坐标越界则可能让 anchor 匹配失效。跑完这个脚本心里才有底。3. 训练煤和皮带检测模型从环境配置到第一次跑通目录结构和数据质量确认无误后下一步是搭环境、改配置、训练。这里的每一步都有固定套路跟着走就能跑通但参数含义必须搞清楚不然出问题了不知道往哪调。3.1 Ultralytics 环境配置版本对齐是第一优先级YOLOv11 的官方实现跑在 Ultralytics 框架上安装命令很简单但版本对齐是个隐形坑。直接用最新版很可能遇到 API 变动我之前遇到过一次 det 模型结构定义改了、训练脚本直接报错的情况。conda create -n yolo11 python3.10 -y conda activate yolo11 pip install ultralytics8.3.0 pip install torch2.1.0 torchvision0.16.0 --index-url https://download.pytorch.org/whl/cu118Python 3.10 是目前兼容性最好的版本3.11 和 3.12 在某些依赖上仍有编译问题。Ultralytics 版本锁在 8.3.0这个版本对 YOLOv11 的支持最稳。PyTorch 用 2.1.0 配 CUDA 11.8是工业环境中验证过的组合如果你的显卡驱动只支持更新的 CUDA可以换成 cu121 的对应版本但 torch 和 torchvision 的版本必须严格对应否则 import 时直接报错。装完跑一句yolo detect predict modelyolov11n.pt source...验证环境能出结果再进下一步。3.2 YOLOv11 模型选型n 还是 s取决于你的显卡YOLOv11 按规模分成 n、s、m、l、x 五个档位。煤和皮带是两个大目标类别场景相对固定不是小目标密集任务所以 n 和 s 足够用不需要上 l 或 x。模型规格参数量适合场景显存占用batch16, 640yolov11n约 260 万边缘设备、快速验证约 4GByolov11s约 940 万通用工业检测基线约 8GByolov11m约 2000 万高精度要求场景约 12GB我建议第一次训练用 yolov11n先把流程跑通看基线指标再根据显存余量升级到 s。煤和皮带在画面中占比大、纹理特征差异明显n 模型的容量完全够用训练速度快好几倍迭代调试的效率高得多。3.3 第一次训练参数配置和命令行详解环境就绪、yaml 配置正确后训练命令本身不长但每个参数都值得理解。我一般保留batch、epochs、imgsz、device四个关键参数其他用默认值跑第一轮之后再针对性调整。yolo detect train \ modelyolov11n.pt \ datacoal_belt_dataset/data.yaml \ epochs100 \ batch16 \ imgsz640 \ device0 \ workers4 \ project./runs \ namecoal_belt_v1 \ pretrainedTruemodelyolov11n.pt指定的是预训练权重Ultralytics 会自动从官方源下载如果你在内网环境需要提前手动下载放到当前目录。epochs100是训练轮次煤和皮带类别简单、背景单一100 轮足够收敛再多的轮次提升有限还浪费时间。batch16取决于显存显存不足时优先降到 8不要同时降低 imgsz否则目标占比变大后感受野匹配会出问题。imgsz640是 YOLOv11 的默认训练分辨率煤皮带这类大目标没必要上 1280。workers4是数据加载线程数Windows 上如果报 DataLoader worker 错误改成 0 可以绕过但训练会慢一些。3.4 训练过程中的实时监控loss 曲线怎么看训练跑起来后终端会实时刷新每个 epoch 的 loss 和指标。很多人只看最后的 mAP忽略中间过程这是不对的。box_loss 和 cls_loss 应该在前 20 轮快速下降然后趋于平缓如果 loss 曲线反复震荡不收敛问题基本出在数据侧而不是模型侧。yolo detect train ... --plotsTrue加plotsTrue参数后训练结束后会在runs/coal_belt_v1/目录下生成 curves.png 和三张 loss 曲线图。Box_loss 关注预测框和真实框的位置偏差Cls_loss 关注类别判断错误Dfl_loss 是分布损失。如果前 20 轮 cls_loss 下降明显、box_loss 波动大说明标注框的位置质量有问题需要回头检查标注文件如果两者下降都慢先查学习率是不是太大Ultralytics 默认会自适应调整一般不用手动干预。4. 验证与 99.5% 识别率的可信度用指标拆解来验证训练完成后验证环节是判断模型能不能用的关键。99.5% 这个数字听起来很亮眼但必须拆开看它是在什么数据上、用什么指标算出来的不然容易被单一数字误导。4.1 三类指标精确率、召回率、mAP 各说明什么煤和皮带识别是二分类目标检测任务判断模型好坏不能只看一个指标。精确率Precision衡量预测出的目标里有多少是真正正确的召回率Recall衡量真实目标被找回了多少mAP 是综合指标对各类别 AP 取平均。from ultralytics import YOLO model YOLO(runs/coal_belt_v1/weights/best.pt) metrics model.val(datacoal_belt_dataset/data.yaml, splittest) print(fmAP50: {metrics.box.map50:.4f}) print(fmAP50-95: {metrics.box.map:.4f}) print(fPrecision: {metrics.box.mp:.4f}) print(fRecall: {metrics.box.mr:.4f})splittest这个参数很关键默认验证是在 val 集上做要想评估真正没参与训练的数据必须显式指定 test。运行完后mAP50 是 IOU 阈值 0.5 下的平均精度工业检测场景最常用的指标mAP50-95 是 0.5 到 0.95 区间内多个 IOU 阈值的平均更严格。煤和皮带这类大目标任务mAP50 达到 0.99 以上、mAP50-95 在 0.9 左右说明模型状态是健康的。4.2 混淆矩阵和 PR 曲线的判读方法验证结束后Ultralytics 会在 runs 目录下生成 confusion_matrix.png 和 PR_curve.png。混淆矩阵能直接看到两个类别互相混淆的程度——煤被误判成皮带、皮带被误判成煤以及背景被误判成目标的情况。对角线越亮越好背景行的误检如果明显亮起说明模型对边界不清晰的目标产生了幻觉。PR 曲线的形状同样有讲究。曲线越贴近右上角说明模型在保持高召回的同时精确率也没有崩塌。煤和皮带任务里最怕的场景是模型为了追求召回率把背景里的黑块、阴影、设备边缘都当成煤框出来精确率直线下降。如果你的 PR 曲线在召回率 0.9 以上急剧下坠基本可以判定是背景误检问题处理方向是检查训练集的负样本是否足够。4.3 验证集的划分细节确保指标有说服力99.5% 的识别率要让人信服前提是验证集和训练集没有重叠。我验证这个数据集的做法是随机抽查 val 和 test 目录里的图像文件名在训练集里逐个查找确认不存在。另外还要确认同一场景的连续帧没有同时进训练集和验证集——煤矿监控视频抽帧做数据集时很容易犯这个错连续帧高度相似模型等于变相见到了验证数据指标虚高。4.4 可视化验证让预测结果说话指标是抽象的量化总结最终说服力还是来自可视化输出。用训练好的权重跑一批测试集图像保存预测结果肉眼检查边界情况。yolo detect predict \ modelruns/coal_belt_v1/weights/best.pt \ sourcecoal_belt_dataset/images/test/ \ conf0.5 \ iou0.45 \ saveTrue \ save_txtTrueconf0.5是置信度阈值低于这个分数的预测会被过滤掉煤和皮带这类高置信度任务0.5 合理如果误检多可以提到 0.7iou0.45是 NMS 的 IoU 阈值控制重叠框的合并策略。save_txtTrue会把预测结果存成 txt 文件方便后续做自动化分析。预测结果图像放大了看两个点皮带边缘是否框得干净煤堆的边界在阴影区域是否有漏检。这些视觉上的问题指标未必能完全反映出来。5. 避坑指南煤皮带检测最常见的五个翻车现场这一章是血泪经验集合。我在实际项目里踩过的坑有些在训练阶段才暴露有些到了现场部署才浮出水面。每条都按现象、原因、解决的顺序写清楚你可以直接对照排查。5.1 全黑画面下标注框偏移训练出来皮带检测框系统性偏左现象模型训练完皮带检测框在正常画面下没问题但逆光或者煤粉覆盖严重的段落框总是偏左边缘贴合不齐。原因标注阶段在暗光条件下看不清皮带右边缘标注员凭感觉标边框右边线普遍内缩。模型学到的是偏移后的分布推理时自然继承了同样的系统性误差。解决重新检查光照不足图像的标注质量重点关注暗部边缘位置。用图像增强工具把亮度拉起来再看或者把标注框和前一帧、后一帧的框做个对比偏差超过 5% 的帧单独提出来重新标注。没有捷径这类问题只能靠复查数据解决。5.2 训练 loss 持续下降但 mAP 卡在 0.8 上不去现象训练日志里 loss 曲线很正常平滑下降但 val 指标卡在 0.8 附近不再提升加 epoch 也没用。原因类别不平衡。煤这个类别的目标数量远多于皮带——画面上皮带通常只有一条煤堆却可能有好几处模型把大部分容量用在拟合煤的特征上皮带成了少数类AP 拉低整体 mAP。解决最简单有效的方法是调整类别权重Ultralytics 里可以在 data.yaml 之外给模型配置 loss 权重。另一个思路是做数据增强时把包含皮带的图像做水平翻转、小角度旋转制造更多皮带样本。如果标注数据允许裁剪出皮带区域单独做增强后合成新训练图也是常用手法。5.3 推理时把传送带托辊误检成煤现象模型单独跑测试图像没问题一上现场视频每隔几秒就把托辊、支架等深色金属件框成煤置信度还不低。原因训练数据里负样本不足模型没有见过足够多的像煤但不是煤的工业现场物体。托辊的圆形轮廓和煤堆的局部纹理在灰度上高度相似模型学到的判别特征不够有区分度。解决收集现场真实负样本截取不含煤的传送带段落图像标上空标签或背景类加入训练集重新训练。我一般会让负样本占比到 10%-15%效果立竿见影。还有一种更轻量的方案是提高置信度阈值从 0.5 提到 0.7能压制一部分误检但治标不治本。5.4 测试集指标高现场一到夜间光源下全线崩溃现象白天测试视频检测正常晚上开启补光灯后大量漏检皮带框丢失率超过三成。原因训练图像以白天自然光和均匀人工光为主夜间的点状补光产生强阴影和局部高光图像分布和训练集差距过大。本质是数据域漂移不是模型结构问题。解决从现场采集夜间数据补充训练集是最彻底的办法。如果拿不到用数据增强模拟低照度效果随机降低亮度、增加对比度扰动能在一定程度上缓解。注意增强幅度不要过大把图像压成全黑反而破坏训练有效性。5.5 标注类别顺序随意排列训练时正常但导出模型后 classes 对应错乱现象训练阶段一切正常loss 和指标都好看但用导出的 ONNX 或 TensorRT 模型做推理时输出的类别标签对不上——煤变成皮带皮带变成煤。原因训练时的 data.yaml 和导出后推理脚本里的 class names 不一致。训练框架内部按 yaml 顺序编号导出模型的类别索引是固定的但推理代码如果硬编码了标签列表顺序一错输出标签就串了。解决导出模型时指定 names 参数强制和训练时保持一致。推理代码里用同一个 yaml 文件加载类别列表不要手写。我自己的习惯是把 data.yaml 里类的顺序定好后永远不再改动新增类别只往后追加不插队。6. 进阶玩法用难例挖掘把 99.5% 推到工业现场可用的 99.8%当你把基础流程跑通、指标稳定在 99.5% 上下之后真正的工作才开始。工业场景的验收标准和公开数据集排名完全是两回事——你要的不是排行榜上的好看数字而是连续运行一个月不出错。这里讲一个我项目里反复用的方法难例挖掘。先定义什么叫难例。在你的测试集上跑一遍推理把预测置信度在 0.3-0.7 之间的所有检测结果单独导出这些就是模型犹豫的样本。它们分为两类一类是预测正确但置信度低说明模型虽然认对了但特征不够坚定另一类是预测错误框的位置错、类别错或者把背景框出来了这些是模型真正的盲区。把这两类图像找出来人工复查标注是否正确——有时候是标注本身错了模型其实是对的这种情况就改标注而不是改模型如果标注无误模型确实判错就把这些难例混入训练集做一次增量训练。循环这个流程两三轮指标的提升幅度比我调任何超参数都大。做增量训练时有个细节值得注意从上次训练结束的权重继续不要从头开始学习率调到初始值的三分之一左右。Ultralytics 里可以用resumeTrue加lr0.0005这样的组合把新数据和原训练集合并后一起训练。经验法则是难例数量占原数据集 10%-20% 时效果最好加太多会稀释原有分布加太少又学不到东西。另一个能直接影响现场稳定性的技巧是关注类别置信度阈值设置。很多部署方案对两个类用同一个阈值但煤和皮带在实际场景里的先验概率差距很大——皮带永远在画面里煤可能一段时间内完全没有。我现在的做法是分开设阈值皮带阈值 0.4因为漏检皮带会导致后续跑偏检测和异物检测失效煤阈值 0.75宁可漏一个边界模糊的煤堆角不要频繁误报干扰调度。Ultralytics 的 predict 脚本原生只支持单阈值但你可以预测后在结果对象里按类别过滤或者干脆导出 ONNX 后自己写推理处理起来并不复杂。至于要不要把检测结果接进业务系统、如何用前后帧约束消除单帧闪断那是另一个长度的话题。至少从数据集到可用模型这层做到难例挖掘这一轮你已经比大多数停留在训练完看 mAP的项目走得更远了。这套流程走完后我自己最深的体感是数据集的标注质量永远是第一位的其次是负样本的丰富度模型结构只是把你的数据水平兑现出来的工具。从那以后我每次拿到新数据集都强制自己先做一遍完整的数据体检再谈训练——体检工具的脚本都是从这个数据集的检查脚本改的。希望帮到你。本文还有配套的精品资源点击获取