服装厂废料(边角料)YOLO格式分类检测数据集-优快云博客

摘要：本研究采用的服装厂废料（边角料）分类检测数据集由研究团队自主构建，具备完整的数据采集与标注流程，并具有自主知识产权。数据集面向车间废料分拣与智能回收应用，涵盖棉布、牛仔布、针织布、皮革、涤纶、缝纫线团及人造皮革等 7 类典型废料目标。样本来源于实际及模拟车间场景，覆盖不同堆叠、遮挡、视角与光照条件，具有较强的代表性与多样性，可为 YOLO11 模型训练与性能评估提供有效支撑。

作者：Bob(原创数据集)

数据集概览

本数据集为猿创作者团队自主构建，具有明确的自主知识产权，仅限科研与教学使用。未经授权，禁止任何形式的复制、传播、转售或商业使用，违者将依法追究相关法律责任。

1.数据类型
本研究采用目标检测类型的服装厂废料（边角料）数据集，通过边界框对车间场景中的废料目标进行定位与分类，实现对棉布边角料、牛仔布边角料、针织布边角料、皮革边角料、涤纶边角料、缝纫线团以及人造皮革边角料等 7 类废料的识别与检测。数据标注格式符合 YOLO 目标检测标准，可直接用于基于 YOLO 系列模型的废料实时检测、分类识别与定位任务，为后续系统部署与工业分拣应用提供数据基础。

2.标注格式
本研究采用YOLO系列目标检测算法通用的标注格式对数据集进行标注。如图所示，YOLO标注文件以文本形式存储，每行对应一个目标实例，主要包含目标类别编号、边界框中心点的相对坐标以及边界框的相对宽度和高度。所有坐标信息均采用相对于原始图像尺寸的归一化表示，取值范围为0至1，从而减少不同分辨率图像对模型训练的影响，并提高模型在多尺度目标检测任务中的适应性。

图1 YOLO 图像目标检测标注格式示意图

3.数据增强
为提高基于 YOLO11 的服装厂废料（边角料）分类检测系统在复杂生产环境下的泛化能力与鲁棒性，本文在原始废料图像数据集基础上引入多种图像数据增强策略，对训练样本进行扩展与扰动处理。通过对样本实施多样化增强操作，可有效缓解由于废料类别样本量不均衡、材质形态变化明显、拍摄角度与光照条件差异，以及废料堆叠遮挡、背景杂乱等因素导致的模型过拟合问题，从而提升系统在真实车间场景中的检测稳定性与分类识别准确率。

图2 数据集图像增强方法示例

在实现过程中，本文针对服装厂废料目标的成像特点，采用几何变换与图像质量扰动相结合的数据增强策略，以增强模型在多视角、多光照与复杂背景条件下的适应能力。其中，几何变换包括水平翻转、垂直翻转及组合翻转，用于模拟摄像头视角变化与废料摆放方向差异；图像质量扰动包括高斯模糊、随机噪声、雾化（低对比度）、颜色偏移以及亮度调节，用于模拟车间中光照波动、镜头抖动、尘埃干扰以及运动模糊等实际环境因素。

数据增强显著提升了训练样本的多样性，使模型能够学习到更加稳健的废料纹理特征与材质差异信息。实验结果表明，经过数据增强后，模型在各废料类别上的整体检测性能得到提升，有效增强了系统在真实服装生产场景下的适应能力与识别鲁棒性。

3.数据集划分
为保证模型训练与测试阶段的客观性、稳定性与评估可靠性，本文将服装厂废料（边角料）分类检测数据集划分为训练集、验证集和测试集，比例约为 70% / 20% / 10%。其中训练集 1965 张用于模型学习，验证集 562 张用于超参数调优与过程评估，测试集 281 张用于最终性能验证。划分过程中采用随机划分并尽量保持各类别样本比例一致，同时设置固定随机种子以确保实验可复现。该策略可有效避免数据泄漏，并有助于评估模型在复杂车间背景与废料遮挡条件下的泛化能力，为系统部署提供可靠依据。

图3 数据集在训练、验证和测试集上的分布

数据集来源

本系统采用自建并具有自主知识产权的服装厂废料（边角料）图像数据集。该数据集围绕服装制造过程中产生的布料边角料、线团以及皮革碎料等废弃物的外观特征进行构建，面向废料智能分类回收、生产现场监测以及分拣决策辅助等实际应用需求，重点服务于废料的类别识别与定位检测两项核心任务。

数据采集主要来源于服装厂生产车间、裁剪台、收集区等真实场景，充分考虑了复杂光照、背景干扰、遮挡重叠、形态变化等因素，以增强数据集对真实环境的适应能力。数据集共涵盖 7 类典型废料目标，分别为：棉布边角料、牛仔布边角料、针织布边角料、皮革边角料、涤纶边角料、缝纫线团以及人造皮革边角料。每一类别均包含数量充足的高质量图像及视频样本，并覆盖不同材质、颜色、尺寸及堆叠状态，保证了样本的代表性与多样性，从而为基于 YOLO11 的废料检测模型训练与性能验证提供可靠的数据支撑。

图4 数据集图片

数据集类别

表1 数据类别

数据集用途

本数据集用于服装厂废料（边角料）分类检测模型的训练与验证，包含棉布边角料、牛仔布边角料、针织布边角料、皮革边角料、涤纶边角料、缝纫线团以及人造皮革边角料等 7 类典型废料样本，并采用 YOLO 目标检测格式进行边界框标注。该数据集可应用于以下研究与开发方向：
（1）模型训练：用于 YOLO11 等模型的废料检测与分类训练；
（2）性能评估：用于复杂车间环境下模型精度与鲁棒性验证；
（3）系统开发：为废料智能分拣、回收管理及机器人应用提供数据支撑。