Hello,大家好,我是augustqi。今天手把手带大家做一个深度学习实战项目:基于yolov7的钢板表面缺陷检测(Ubuntu系统)。多的不说,少的不唠,下面开始今天的教程。
以下内容,完全是我根据参考资料和个人理解撰写出来的,不存在滥用原创的问题。
源码地址:
https://github.com/WongKinYiu/yolov7
可以上github网站直接下载,也可以使用git命令进行下载,本次教程下载源码的时间是2022.10.13,项目在不断更新,因此不同时间下载,源代码稍有不同(目前只有一个版本,后续应该会出现新版本)。
下载得到的源码压缩包:
将源码压缩包上传到GPU服务器上:
解压文件夹:
得到的项目结构如下:
本教程使用的是东北大学带钢表面缺陷检测数据集,该数据集收集了夹杂、划痕、压入氧化皮、裂纹、麻点、斑块6种缺陷,每种缺陷300张图片,图片的尺寸为200×200。
voc格式的数据集,每张图片对应一个xml文件:
使用labelimg标注工具查看数据:
注:没有labelimg工具的朋友,可以打开本地的Anaconda Prompt窗口进行安装
安装命令为:
pip install labelimg
使用命令:
本数据集在之前的文章中介绍过,想获取数据集的朋友可以查看公众号之前发布的文章。
将数据集上传到GPU服务器的项目目录下:
数据集转换:
编写一个prepare_train_val.py脚本,实现xml文件格式转为yolo文件格式,并实现数据集的划分:
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
import random
from shutil import copyfile
classes = ["crazing", "inclusion", "patches", "pitted_surface", "rolled-in_scale", "scratches"]
def clear_hidden_files(path):
dir_list = os.listdir(path)
for i in dir_list:
abspath = os.path.join(os.path.abspath(path), i)
if os.path.isfile(abspath):
if i.startswith("._"):
os.remove(abspath)
else:
clear_hidden_files(abspath)
def convert(size, box):
dw = 1./size[0]
dh = 1./size[1]
x = (box[0] + box[1])/2.0
y = (box[2] + box[3])/2.0
w = box[1] - box[0]
h = box[3] - box[2]
x = x*dw
w = w*dw
y = y*dh
h = h*dh
return (x,y,w,h)
def convert_annotation(image_id):
in_file = open('VOCdevkit/VOC2007/Annotations/%s.xml' %image_id)
out_file = open('VOCdevkit/VOC2007/YOLOLabels/%s.txt' %image_id, 'w')
tree=ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
bb = convert((w,h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
in_file.close()
out_file.close()
prepare_train_val.py完整代码获取:
https://blog.csdn.net/AugustMe/article/details/127320880
本项目在Ubuntu 20.04系统,2张Tesla P100显卡下进行的。为本项目新建一个虚拟环境,当然,也可以使用现有的环境;新建环境的好处是避免破坏之前项目的环境:
conda create --name yolov7 python=3.7.13
yolov7虚拟环境新建好之后,激活它:
conda activate yolov7
这样,我们就可以在yolov7虚拟环境下安装一系列的库。
根据requirements.txt中的内容,安装依赖库。
例如安装torch、torchvision:
查看GPU版本的torch是否安装成功:
显示True,说明安装成功。
其他依赖库也是通过pip来安装:
剩余依赖库的安装不再赘述。
在data文件夹下新建一个voc_neu.yaml文件(可以自定义命名):
写入内容如下:
# 注意路径,否则会报错
train: /home/myuser/det/yolov7_neu/yolov7-main/VOCdevkit/images/train
val: /home/myuser/det/yolov7_neu/yolov7-main/VOCdevkit/images/val
nc: 6
names: ['crazing', 'inclusion', 'patches', 'pitted_surface', 'rolled-in_scale', 'scratches']
由于yolov7提供了好几个模型:
我们每一次训练只能使用一个,因此需要在cfg/training/(和cfg/deploy/文件夹下的并不是一样的,后面慢慢介绍)文件夹下选一个模型:
我们选用yolov7x模型,将yolov7x.yaml的内容复制到新建的yolov7x_neu.yaml,并修改类别数量:
下载预训练模型(我们使用的是cfg/training/下的yolov7x模型,所以下载yolov7x_training.pt预训练模型):
在项目下新建一个weights文件夹,将yolov7_training.pt放入:
切换到项目所在目录,执行命令:
# 指定预训练权重、模型结构、图片路径、训练轮数、批次大小、图片大小
python train.py --weights weights/yolov7x_training.pt --cfg cfg/training/yolov7x_neu.yaml --data data/voc_neu.yaml --epochs 100 --batch-size 16 --img-size 640 --project runs/train
开始训练:
查看GPU使用情况:
batch-size的大小不宜过大,否则出现内存溢出的错误:
训练结束:
将待测试的图片放入testpics文件夹:
执行命令:
# 指定训练好的模型、测试图片路径、图片大小
# 检测多张
python detect.py --weights runs/train/exp/weights/best.pt --source testpics --img-size 640 --project runs/detect
# 检测单张
python detect.py --weights runs/train/exp/weights/best.pt --source testpics/patches_166.jpg --img-size 640 --project runs/detect
在runs/detect文件夹下查看检测结果:
六个类别的[email protected]为0.756,总体上可以实现缺陷的检测。其实,这个数据集的质量也不是很高,才导致各项指标不是特别高。永远记住:数据决定上限,模型决定下限,“算法不是最diao的,数据才是”。
模型训练完以后,还有很多工程要做,如何提高检出率,降低过检率;以及怎么部署就得折腾一番,后面我会继续更新表面缺陷检测系列文章。
看到这里了,用你那发财的小手,给我点一个赞再走呗。
[1]https://github.com/WongKinYiu/yolov7
[2]https://zhuanlan.zhihu.com/p/547878330