5类电子元器件检测数据集 | 2400张YOLO电子制造数据集
适用于AOI自动 光 学检测、电子元件盘点与目标检测研究
一、数据集概述
本数据集用于电子元器件的目标检测任务，共包含约2400张高质量标注图像，覆盖5种常见电子元器件：电容、电感、发光二极管（LED）、电阻、晶体管。该数据集旨在支持 深度学习 目标检测模型的训练、验证与测试，可广泛应用于工业自动光学检测（AOI）、电子元件盘点、自动化装配等场景下的元器件自动识别与定位，适用于YOLO系列等主流目标检测算法的训练、验证与测试。
随着电子制造业的快速发展和智能化升级，利用计算机视觉技术实现电子元器件的自动识别与定位已成为提升生产检测效率、保障产品质量、降低人力成本的重要手段。本数据集针对电子元器件检测场景中元件尺寸小、外形相似、密集排列等问题进行专项构建，可为AOI系统与电子制造自动化设备提供高质量数据支撑。
数据集下载
通过网盘分享的文件：5类电子元器件检测数据集
链接: https://pan.baidu.com/s/1Z0iWFhXdI2l4icYtmkik0w?pwd=56by
提取码: 56by
二、数据集基本信息
| 项目 | 内容 |
|---|---|
| 数据集名称 | 5类电子元器件检测数据集 |
| 数据规模 | 约2400张高质量标注图像 |
| 任务类型 | 目标检测（Object Detection） |
| 检测目标 | 5类常见电子元器件 |
| 类别数量（nc） | 5类 |
| 标注方式 | Bounding Box目标框标注 |
| 数据格式 | YOLO标准格式 |
| 数据来源 | 真实电子制造与元件检测场景采集 |
| 数据划分 | Train / Valid / Test |
| 适配模型 | YOLOv5、YOLOv8、YOLOv10、YOLOv11、Faster R-CNN等 |
三、数据集类别说明
本数据集为多类别目标检测数据集，共设置5个检测类别，涵盖电子制造中最常见的5种基础电子元器件：电容、电感、发光二极管、电阻、晶体管。
类别配置
nc: 5
names:
- capacitor
- inductor
- led
- resistor
- transistor
类别详情
| 类别ID | 类别名称 | 英文名称 | 类别说明 |
|---|---|---|---|
| 0 | 电容 | capacitor | 各类电容元件，包括陶瓷电容、电解电容等 |
| 1 | 电感 | inductor | 各类电感元件，包括贴片电感、色环电感等 |
| 2 | 发光二极管 | led | 各类发光二极管（LED），含不同颜色和封装形式 |
| 3 | 电阻 | resistor | 各类电阻元件，包括贴片电阻、色环电阻等 |
| 4 | 晶体管 | transistor | 各类晶体管，包括三极管、MOS管等 |
五类设计覆盖了电子制造中最基础、最常用的分立元器件类别，能够满足AOI自动光学检测、电子元件盘点与自动化装配等场景的核心检测需求。
四、数据集结构说明
数据集采用标准YOLO目录结构组织，已按训练集、验证集、测试集进行科学划分，每个图像对应一个同名的.txt标注文件，可直接导入各类目标检测框架。
database/
└── 5类电子元器件检测数据集
├── train
│ └── images
├── valid
│ └── images
└── test
└── images
各数据集作用如下：
- train/images：训练集图像，用于模型参数学习与特征提取；
- valid/images：验证集图像，用于超参数调优、早停监控及防止过拟合；
- test/images：测试集图像，用于最终模型性能评估与泛化能力测试。
标注文件为同名.txt格式，每行格式为类别索引 x_center y_center width height，坐标均为归一化值，可直接适配YOLO系列等目标检测框架。
五、数据集核心优势
1. 真实电子制造场景采集
数据全部来源于真实电子制造与元件检测场景，真实反映电子元器件检测实际应用场景，具有高度的工程实用价值。
覆盖场景包括：
- SMT贴片生产线
- 插件生产线
- 电子元件来料检测
- 电路板组装与检测
- 电子元器件仓储盘点
能够有效提升模型的实际部署效果。
2. 多样化元器件形态覆盖
五类元器件在封装形式、尺寸规格、外观特征上存在显著差异：
- 电容：贴片陶瓷电容（不同容值对应不同尺寸）、电解电容（圆柱形）
- 电感：贴片电感、色环电感、绕线电感
- 发光二极管：不同颜色（红、绿、蓝、黄、白）、不同封装（直插、贴片）
- 电阻：贴片电阻（不同阻值对应不同尺寸）、色环电阻（不同色环组合）
- 晶体管：不同封装（SOT-23、TO-92等）、不同极性（NPN、PNP）
同类别内包含不同规格、不同外观的多种子类型，有助于提升模型对元器件多样性的泛化能力。
3. 典型的工业检测条件
数据覆盖：
- 不同照明条件（均匀照明、环形光、同轴光、侧光）
- 不同拍摄角度（正俯视、倾斜视角）
- 不同背景（白色、蓝色、黑色不同载具与托盘）
- 元器件密集排列与单独摆放
- 不同摆放姿态（正放、偏转、翻转）
能够有效增强模型在真实AOI与自动化设备中的鲁棒性。
4. 高质量人工标注
所有图像均经过严格筛选与精细化标注：
- 标注框精准贴合元器件轮廓
- 五类元器件判别标准统一清晰
- 密集排列场景下的独立标注处理
- 无漏标现象
- 无类别混淆
有效保证模型训练质量。
5. 即用型数据组织
采用标准YOLO格式组织，已按train/valid/test划分，无需二次整理即可直接导入各类目标检测框架，快速投入模型训练、调优与评估。
6. 适配轻量化与高精度模型
数据质量高、标注精准，适配轻量化工业边缘部署模型与高精度科研模型训练，适用于AOI系统开发、电子制造智能化升级及工业视觉算法研发等场景。
六、适用场景
工业自动光学检测（AOI）
为SMT产线AOI设备提供元器件识别能力，实现贴装元器件的自动检测与缺陷识别。
电子元件盘点
在电子元器件仓储与物料管理中实现元器件的自动识别与数量盘点。
自动化装配
为贴片机、插件机等自动化装配设备提供视觉引导，实现元器件的自动定位与贴装。
电路板质检
在PCB组装完成后检测元器件是否存在错件、漏件、反向等装配缺陷。
电子制造追溯
记录生产过程中元器件的品牌、规格与批次信息，实现产品质量追溯。
工业视觉算法研发
为电子制造领域的计算机视觉算法研究提供标准化的基准数据集。
七、适用研究方向
本数据集可广泛应用于以下研究领域：
- 工业视觉检测研究
- 电子元器件识别与分类研究（5类）
- 自动光学检测（AOI）算法研究
- 小目标检测研究
- 密集排列目标检测研究
- YOLO系列模型优化研究
- 轻量化检测模型与边缘部署研究
- 域适应与跨场景泛化研究
- 智能制造与工业自动化研究
- 数据增强与少样本学习研究
八、总结
5类电子元器件检测数据集包含约2400张高质量标注图像，采用标准YOLO格式构建，专注于电子元器件的检测与分类任务。数据集覆盖电容、电感、发光二极管、电阻、晶体管5类核心电子元器件，具有场景真实、元器件形态多样、标注精准等特点，可广泛应用于AOI自动光学检测、电子元件盘点、自动化装配、电路板质检等领域，是开展电子制造视觉检测算法研发与工业自动化系统建设的优质数据资源。
