基于yolov5s+bifpn实践隧道裂缝裂痕检测
yolov5系列自诞生已经持续迭代了很多个版本了，目前官方开发者迭代的最新版本是v6.2，已经覆盖了分类、检测盒分割三大主流CV任务了，基于yolov5融合各种tricks是很多开发者或者是学生喜欢做的事情，基于yolov5也已经诞生了很多学术文章了，bifpn是一种比较有效的特征融合技术，最早在efficientnet中提出，之后很多网络也都有尝试进行融合，今天正好有时间就想着，基于yolov5来开发融合bifpn的目标检测模型，用于隧道内的裂缝裂痕检测。
首先看下最终的效果图，如下所示：
为了整体直观，这里专门是开发了对应的界面，方便使用的。
完整项目截图如下所示：
下表是对整个项目中各个文件的介绍说明：
| 文件名称 | 文件说明 |
| dataset/ | 数据集目录 |
| models/ | 模型配置目录 |
| runs/ | 模型结果目录 |
| utils/ | 公共组件目录 |
| data/ | 数据参数目录 |
| weights/ | 预训练权重目录 |
| app.gif | app效果动图 |
| demo.gif | 检测样例动图 |
| detect.py | 检测推理模块 |
| export.py | 模型转化模块 |
| guiAPP.py | APP模块 |
| inference.py | 离线推理精简模块 |
| logs.out | 训练日志 |
| startAPP.bat | 双击启动APP脚本 |
| test.jpg | 测试样例图片 |
| train.py | 训练模块 |
| val.py | 评估模块 |
| yolov5s.onnx | yolov5s原生模型 |
| yolov5s.pt | yolov5s原生模型 |
| yolov5s-bifpn.onnx | yolov5s-bifpn模型 |
| yolov5s-bifpn.pt | yolov5s-bifpn模型 |
data目录如下所示：
logo是用于界面的这个不用管，可以根据自己需要直接替换接口，self.yaml是我们编写的用于训练的数据配置，如下：
其他的都是项目自带的这里就不再介绍了。
dataset是我们构建的训练集-测试集目录。数据样例如下所示：
models目录如下所示：
yolov5s.yaml和yolov5s_bifpn.yaml分别表示原生的yolov5s模型和融合bifpn的yolov5s模型，这里以原生的yolov5s为例，如下：
这里需要修改nc。
runs是项目运行自动创建的结果存储目录。
utils是项目公用组件目录。
weights是用于存放预训练权重的目录。
启动train.py模块即可执行模型的训练计算，日志输出如下：
Starting training for 100 epochs...
Epoch gpu_mem box obj cls labels img_size
0%| | 0/59 [00:00训练过程中，结果会自动创建目录存储在runs下，如下所示：
yolov5s-bifpn模型结果：
yolov5s模型结果：
随机选取样例图像测试如下：
为了便于后续使用结果数据，这里对其结果数据进行解析存储如下：
{
"crack": [
[
0.26700732111930849,
[
0,
296,
23,
392
]
],
[
0.2672766149044037,
[
686,
648,
767,
689
]
],
[
0.2740951180458069,
[
1,
393,
26,
498
]
],
[
0.27556174993515017,
[
631,
634,
722,
671
]
],
[
0.27758586406707766,
[
582,
247,
630,
295
]
],
[
0.2786214053630829,
[
801,
711,
869,
753
]
],
[
0.28326842188835146,
[
911,
761,
966,
819
]
],
[
0.2855015993118286,
[
726,
61,
765,
126
]
],
[
0.2891019582748413,
[
541,
621,
613,
658
]
],
[
0.28970593214035036,
[
863,
745,
932,
780
]
],
[
0.28980544209480288,
[
752,
8,
785,
76
]
],
[
0.2912375032901764,
[
986,
860,
1020,
918
]
],
[
0.29403477907180788,
[
619,
205,
663,
261
]
],
[
0.29819419980049136,
[
666,
641,
740,
677
]
],
[
0.30100756883621218,
[
1005,
903,
1024,
951
]
],
[
0.30114322900772097,
[
548,
281,
588,
338
]
],
[
0.30483242869377139,
[
1,
342,
26,
450
]
],
[
0.3290395140647888,
[
820,
720,
890,
763
]
],
[
0.3302559554576874,
[
652,
165,
695,
221
]
],
[
0.3334021270275116,
[
0,
693,
35,
736
]
],
[
0.33690938353538515,
[
605,
222,
650,
275
]
],
[
0.34495481848716738,
[
0,
533,
27,
615
]
],
[
0.37444597482681277,
[
963,
713,
1018,
755
]
],
[
0.37496164441108706,
[
686,
121,
735,
176
]
],
[
0.3889273703098297,
[
358,
590,
432,
633
]
],
[
0.40112408995628359,
[
5,
612,
38,
693
]
],
[
0.40698984265327456,
[
593,
235,
640,
287
]
],
[
0.41528889536857607,
[
633,
185,
677,
244
]
],
[
0.4153532385826111,
[
446,
474,
492,
534
]
],
[
0.41710415482521059,
[
996,
879,
1024,
942
]
],
[
0.42140141129493716,
[
762,
0,
792,
47
]
],
[
0.42363840341567995,
[
675,
137,
724,
187
]
],
[
0.42380252480506899,
[
422,
583,
483,
635
]
],
[
0.43151307106018069,
[
709,
93,
750,
155
]
],
[
0.4327857792377472,
[
844,
734,
915,
775
]
],
[
0.4366927146911621,
[
555,
272,
604,
315
]
],
[
0.4374251663684845,
[
233,
649,
297,
688
]
],
[
0.44089221954345705,
[
714,
657,
784,
701
]
],
[
0.448123574256897,
[
739,
37,
774,
107
]
],
[
0.4551221430301666,
[
161,
641,
238,
690
]
],
[
0.45720604062080386,
[
769,
688,
830,
736
]
],
[
0.4593600630760193,
[
963,
839,
1007,
886
]
],
[
0.48793330788612368,
[
607,
626,
690,
664
]
],
[
0.4884047508239746,
[
925,
772,
979,
835
]
],
[
0.5071386694908142,
[
222,
597,
306,
647
]
],
[
0.5111898183822632,
[
473,
431,
514,
497
]
],
[
0.5346865057945252,
[
105,
662,
182,
713
]
],
[
0.5522925853729248,
[
540,
303,
569,
378
]
],
[
0.5579397082328796,
[
506,
367,
552,
432
]
],
[
0.5627263784408569,
[
295,
580,
388,
633
]
],
[
0.5672629475593567,
[
475,
617,
569,
653
]
],
[
0.574158251285553,
[
24,
693,
108,
731
]
],
[
0.5847405791282654,
[
426,
526,
461,
594
]
]
]
}与我之前的文章中的结果格式保持一致。