基于YOLOv5的PCB板缺陷检测

一、数据集介绍

印刷电路板（PCB）瑕疵数据集：数据下载链接，是一个公共的合成PCB数据集，由北京大学发布，其中包含1386张图像以及6种缺陷（缺失孔，鼠标咬伤，开路，短路，杂散，伪铜），用于检测，分类和配准任务。选取其中445张图像进行了训练（下载了别人的）。

数据样本示例：

二、环境配置

1、github官网下载yolov5源码：https://github.com/ultralytics/yolov5

2、Anaconda安装（省略）

3、创建新的环境（python=3.6就行）

4、安装pytorch：https://pytorch.org/get-started/previous-versions/

建议安装pytorch1.7版本

pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html

5、根据下载的yolov5中的requirements.txt进行安装（缺啥补啥）

进入文件夹cd …/yolov5-master

pip install -r requirements.txt

三、构建训练数据集

1、先构建数据集文件夹

格式如下（官网下载的PCB数据可能是按照缺陷类划分文件夹的，需要手段复制到Annotations等文件夹中）：

├── data
│   ├── Annotations  进行 detection 任务时的标签文件，xml 形式，文件名与图片名一一对应
│   ├── images  存放 .jpg 格式的图片文件
│   ├── ImageSets  存放的是分类和检测的数据集分割文件，包含 train.txt,val.txt    		,trainval.txt,test.txt
│   ├── labels  存放label标注信息的txt文件，与图片一一对应

├── ImageSets(train，val，test建议按照8：1：1比例划分)
│   ├── train.txt  写着用于训练的图片名称
│   ├── val.txt  写着用于验证的图片名称
│   ├── trainval.txt  train与val的合集
│   ├── test.txt  写着用于测试的图片名称

2、训练数据生成，分为两个代码（训练集划分代码与用于yolo训练的txt格式代码）

（1）训练集划分代码

用途：主要是将数据集分类成训练数据集和测试数据集，默认train，val，test按照比例进行随机分类，运行后ImagesSets文件夹中会出现四个文件，主要是生成的训练数据集和测试数据集的图片名称，如下图。同时data目录下也会出现这四个文件，内容是训练数据集和测试数据集的图片路径。

import os
import random


trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'D:\\Dataset\\PCB_dataset\\data\\Annotations'
txtsavepath = 'D:\\Dataset\\PCB_dataset\\data\\ImageSets'
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('D:\\Dataset\\PCB_dataset\\data\\ImageSets\\trainval.txt', 'w')
ftest = open('D:\\Dataset\\PCB_dataset\\data\\ImageSets\\test.txt', 'w')
ftrain = open('D:\\Dataset\\PCB_dataset\\data\\ImageSets\\train.txt', 'w')
fval = open('D:\\Dataset\\PCB_dataset\\data\\ImageSets\\val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

（b）用于yolo训练的txt格式代码

用途：主要是将图片数据集标注后的xml文件中的标注信息读取出来并写入txt文件，运行后在labels文件夹中出现所有图片数据集的标注信息

# xml解析包

import xml.etree.ElementTree as ET
import pickle
import os

# os.listdir() 方法用于返回指定的文件夹包含的文件或文件夹的名字的列表

from os import listdir, getcwd
from os.path import join


sets = ['train', 'test', 'val']
classes = ['missing_hole', 'mouse_bite', 'open_circuit', 'short', 'spur', 'spurious_copper']


# 进行归一化操作

def convert(size, box):  # size:(原图w,原图h) , box:(xmin,xmax,ymin,ymax)
    dw = 1./size[0]     # 1/w
    dh = 1./size[1]     # 1/h
    x = (box[0] + box[1])/2.0   # 物体在图中的中心点x坐标
    y = (box[2] + box[3])/2.0   # 物体在图中的中心点y坐标
    w = box[1] - box[0]         # 物体实际像素宽度
    h = box[3] - box[2]         # 物体实际像素高度
    x = x*dw    # 物体中心点x的坐标比(相当于 x/原图w)
    w = w*dw    # 物体宽度的宽度比(相当于 w/原图w)
    y = y*dh    # 物体中心点y的坐标比(相当于 y/原图h)
    h = h*dh    # 物体宽度的宽度比(相当于 h/原图h)
    return (x, y, w, h)    # 返回 相对于原图的物体中心点的x坐标比,y坐标比,宽度比,高度比,取值范围[0-1]


# year ='2012', 对应图片的id（文件名）

def convert_annotation(image_id):
    '''
    将对应文件名的xml文件转化为label文件，xml文件包含了对应的bunding框以及图片长款大小等信息，
    通过对其解析，然后进行归一化最终读到label文件中去，也就是说
    一张图片文件对应一个xml文件，然后通过解析和归一化，能够将对应的信息保存到唯一一个label文件中去
    labal文件中的格式：calss x y w h　　同时，一张图片对应的类别有多个，所以对应的ｂｕｎｄｉｎｇ的信息也有多个
    '''
    # 对应的通过year 找到相应的文件夹，并且打开相应image_id的xml文件，其对应bund文件
    in_file = open('D:\\Dataset\\PCB_dataset\\data\\Annotations\\%s.xml' % (image_id), encoding='utf-8')
    # 准备在对应的image_id 中写入对应的label，分别为
    #     
    out_file = open('D:\\Dataset\\PCB_dataset\\data\\labels\\%s.txt' % (image_id), 'w', encoding='utf-8')
    # 解析xml文件
    tree = ET.parse(in_file)
    # 获得对应的键值对
    root = tree.getroot()
    # 获得图片的尺寸大小
    size = root.find('size')
    # 如果xml内的标记为空，增加判断条件
    if size != None:
        # 获得宽
        w = int(size.find('width').text)
        # 获得高
        h = int(size.find('height').text)
        # 遍历目标obj
        for obj in root.iter('object'):
            # 获得difficult ？？
            difficult = obj.find('difficult').text
            # 获得类别 =string 类型
            cls = obj.find('name').text
            # 如果类别不是对应在我们预定好的class文件中，或difficult==1则跳过
            if cls not in classes or int(difficult) == 1:
                continue
            # 通过类别名称找到id
            cls_id = classes.index(cls)
            # 找到bndbox 对象
            xmlbox = obj.find('bndbox')
            # 获取对应的bndbox的数组 = ['xmin','xmax','ymin','ymax']
            b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
                 float(xmlbox.find('ymax').text))
            print(image_id, cls, b)
            # 带入进行归一化操作
            # w = 宽, h = 高， b= bndbox的数组 = ['xmin','xmax','ymin','ymax']
            bb = convert((w, h), b)
            # bb 对应的是归一化后的(x,y,w,h)
            # 生成 calss x y w h 在label文件中
            out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


# 返回当前工作目录

wd = getcwd()
print(wd)


for image_set in sets:
    '''
    对所有的文件数据集进行遍历
    做了两个工作：
　　　　１．将所有图片文件都遍历一遍，并且将其所有的全路径都写在对应的txt文件中去，方便定位
　　　　２．同时对所有的图片文件进行解析和转化，将其对应的bundingbox 以及类别的信息全部解析写到label 文件中去
    　　　　　最后再通过直接读取文件，就能找到对应的label 信息
    '''
    # 先找labels文件夹如果不存在则创建
    if not os.path.exists('D:\\Dataset\\PCB_dataset\\data\\labels\\'):
        os.makedirs('D:\\Dataset\\PCB_dataset\\data\\labels\\')
    # 读取在ImageSets/Main 中的train、test..等文件的内容
    # 包含对应的文件名称
    image_ids = open('D:\\Dataset\\PCB_dataset\\data\\ImageSets\\%s.txt' % (image_set)).read().strip().split()
    # 打开对应的2012_train.txt 文件对其进行写入准备
    list_file = open('D:\\Dataset\\PCB_dataset\\data\\%s.txt' % (image_set), 'w')
    # 将对应的文件_id以及全路径写进去并换行
    for image_id in image_ids:
        list_file.write('D:\\Dataset\\PCB_dataset\\data\\images\\%s.jpg\n' % (image_id))
        # 调用  year = 年份  image_id = 对应的文件名_id
        convert_annotation(image_id)
    # 关闭文件
    list_file.close()

# os.system(‘comand’) 会执行括号中的命令，如果命令成功执行，这条语句返回0，否则返回1

# os.system("cat 2007_train.txt 2007_val.txt 2012_train.txt 2012_val.txt > train.txt")

# os.system("cat 2007_train.txt 2007_val.txt 2007_test.txt 2012_train.txt 2012_val.txt > train.all.txt")

label文件夹中某文件内容如下：

四、修改配置文件

1、数据集方面：…\yolov5-master\data文件夹中，新建一个yaml文件，内容设置如下：

train: D:\\Dataset\\PCB_dataset\\data\\train.txt  
val: D:\\Dataset\\PCB_dataset\\data\\val.txt  
test: D:\\Dataset\\PCB_dataset\\data\\test.txt  

# Classes

nc: 6  # number of classes
names: [ 'missing_hole', 'mouse_bite', 'open_circuit', 'short', 'spur', 'spurious_copper' ]  # class names

注意：路径，类别、标签名字（与标注文件中一致）

2、网络参数方面：…\yolov5-master\model文件夹中，对yolov5s.yaml（根据自己选择的模型而定）文件内容修改。

# Parameters

nc: 6  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple

更改其中的nc即标签类别数目。

3、trian.py修改

主要用到的几个参数：–weights，–cfg，–data，–epochs，–batch-size，–img-size，–project，-workers

重点注意：–weights，–cfg，–data，其他的默认即可（batch_size，workers根据自己电脑属性进行设置）。

我的–weights，–cfg，–data设置如下：

parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')
    parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='model.yaml path')
    parser.add_argument('--data', type=str, default='data/PCB.yaml', help='dataset.yaml path')

五、训练及tensorboard可视化

1、训练

两种方式：pycharm中运行或者终端cmd运行（看个人喜好）

2、训练过程可视化

啰嗦一句：yolov5-master文件夹中一个runs文件夹，其中有检测结果和训练结果，如…\runs\train\exp\results.txt中保存了每个epoch训练信息，如下所示（第一排属性是我补的）：

可视化操作：

a、打开一个新的终端，激活环境（我激活的不是训练中的环境，而是一个新的环境，其中没有pytorch，而是装了tensorflow2.0的环境）

b、cd …\yolov5-mater

c、tensorboard --logdir=runs或者python -m tensorboard.main --logdir=runs（我的前一种报错了，换的后一种才行）

d、复制其中的网址，去浏览器中打开（推荐谷歌）

e、可视化结果如下（能够边训练边观察）：

3、在GTX2070super8G显卡训练结果如下（batch_size=32，workers=4）：

4、训练权重在…\runs\train\exp\weights文件夹中，有两个权重文件best.pt与last.pt（一个最好的epoch，一个最后的epoch），其他训练结果和训练过程可视化结果也能在exp文件夹中找到（真为yolov5作者点赞）

注意：可能…\runs\train文件夹中会有多个exp文件，如exp1,exp2等，这是代表每一次新的训练。

六、效果测试

在CMD终端运行：

python detect.py --source ..\01_short_02.jpg  --weights ..\runs\train\exp24\weights\best.pt

测试结果如下（好像效果不咋地，可以更换其他yolov5系列的网络试试，或者聚类重选anchor）：

注：在pycharm中运行检测，只需更改train.py中的def parse_opt（）函数中的–source与–weights即可。

七、遇到的BUG

1、UnicodeDecodeError: ‘gbk‘ codec can‘t decode byte 0xaf in position

问题：文件保存时编码类型原因，这里只支持encoding=‘UTF-8’

解决措施参考：https://blog.csdn.net/qq_35034711/article/details/108448465

2、测试torchhub时报错

解决：降低了下requests版本就可以了

3、tensorboard --logdir logs Fatal error in launcher: Unable to create process using…

解决：logdir定位错误，另一个方法可以使用python -m tensorboard.main --logdir logs

参考：https://blog.csdn.net/Aa545620073/article/details/89374112

八、测试下torchhub（只需要几行代码就能完成检测）

# ValueError: check_hostname requires server_hostname 请降低requests版本，这里requests-2.21.0

import torch

# Model
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')  # or yolov5m, yolov5x, custom

# Images
img = 'https://ultralytics.com/images/zidane.jpg'  # or file, PIL, OpenCV, numpy, multiple

# Inference
results = model(img)

# Results
results.print()  # or .show(), .save(), .crop(), .pandas(), etc.
# results.show()

PCB训练数据资源下载（可以直接训练，跳过第三步）：

链接：https://pan.baidu.com/s/1t_94ONtT6jx6RdwEvn7PMg
提取码：zik0

代码与训练权重

链接：https://pan.baidu.com/s/1z_VTXwyxjnX-HwuvZWvQVQ
提取码：ngcc

参考资料：

YOLOV5官网：https://github.com/ultralytics/yolov5

YOLOV5猫狗识别：https://blog.csdn.net/oJiWuXuan/article/details/107558286

YOLOV5训练自己数据：https://blog.csdn.net/qq_36756866/article/details/109111065