YOLOV5应用实战项目:钢材表面缺陷检测(数据集:NEU-CLS)笔记

本文记录的是YOLOV5的实战笔记,是一个用yolov5检测钢材表面缺陷的实战案例。

主要分为以下几个步骤:
>1. 将原始标签xml文件数据处理成yolo要求的txt格式;(Labels标签数据已按照yolo要求的txt格式处理完成,数据集见文中下载方式)
>2. 进行yolo模型的文件配置
>3. 训练yolo模型
>4. 用训练好的YOLO模型进行图片检测

目录

1. NEU-CLS数据集

2. 实战视频链接如下

3.YOLOV5模型配置及训练笔记

4.训练结果相关说明

5.使用模型进行检测


1. NEU-CLS数据集

下载方式:
方式一:已上传至CSDN资源,链接如下
[钢材表面缺陷检测数据集:NEU-DET 用于钢材表面的6种缺陷检测]
方式二:
关注GZH:阿旭算法与机器学习,回复:“NEU”即可获取本文数据集

2. 实战视频链接如下

【YOLOV5应用实战项目系列】教程

3.YOLOV5模型配置及训练个人笔记

  1. 准备好数据集

图片数据集与Label数据集(txt格式)。图像名称与Label名称一一对应。我已将Labelss标签处理为txt格式文件,见上面数据集中。

YOLOV5应用实战项目:钢材表面缺陷检测(数据集:NEU-CLS)笔记_第1张图片

YOLOV5应用实战项目:钢材表面缺陷检测(数据集:NEU-CLS)笔记_第2张图片

 YOLOV5应用实战项目:钢材表面缺陷检测(数据集:NEU-CLS)笔记_第3张图片

标签Label的格式,必须是一个txt文件,一个txt文件中可存放多个标签,文件内容格式如下:

YOLOV5应用实战项目:钢材表面缺陷检测(数据集:NEU-CLS)笔记_第4张图片

第一个0:代表缺陷的类别信息。从0-5:分别代表6种缺陷类别。

后面四个参数分别代表矩形框的中心点X, Y, 及矩形框with,height。(注:这些都是相对于原始图像的相对位置参数

  1. 添加配置文件data.yaml

YOLOV5应用实战项目:钢材表面缺陷检测(数据集:NEU-CLS)笔记_第5张图片

Train:代表训练集路径

Val:代表验证集路径

Nc:代表分类类别数目

Names:代表各个分类的名称
  1. 配置train.py文件的运行参数(pycharm中的配置方式如下

YOLOV5应用实战项目:钢材表面缺陷检测(数据集:NEU-CLS)笔记_第6张图片

​​​​​

--data ./datasets/NEU-DET/data.yaml
--cfg ./models/yolov5s.yaml
--batch-size 4

Data:代表之前配置的配置文件data.yaml路径

Cfg:代表使用的yolo模型路径

Batch-size:代表每一批训练的样本数。(根据电脑配置合理设置)4,8,16,32等

参数设置好后,就可以运行train.py文件训练模型了。

4.训练结果相关说明

训练过程中,会在runs目录下生成训练的一些过程文件以及训练好的模型。

Weights:中存放的是训练好的模型;

Results:会记录每一个epoch训练完后的模型结果。

YOLOV5应用实战项目:钢材表面缺陷检测(数据集:NEU-CLS)笔记_第7张图片

5.使用模型进行检测

模型检测使用的是detect.py文件,

  1. 配置detect.py的运行参数

YOLOV5应用实战项目:钢材表面缺陷检测(数据集:NEU-CLS)笔记_第8张图片


YOLOV5应用实战项目:钢材表面缺陷检测(数据集:NEU-CLS)笔记_第9张图片

--source E:\CJX_DL\YOLO_shizhan\YOLOV5\yolov5-master\datasets\NEU-DET\valid\images\
--weights E:\CJX_DL\YOLO_shizhan\YOLOV5\yolov5-master\runs\train\exp2\weights\best.pt
--save-txt
--conf 0.6

Socurce:表示所需检测的image对象路径,可以指定单个img也可以指定img目录。

Weights:表示训练好的模型路径,一般在run/train目录下:best.pt表示训练过程中效果最好的模型,last.pt表示最后一次训练出的模型。

YOLOV5应用实战项目:钢材表面缺陷检测(数据集:NEU-CLS)笔记_第10张图片

然后就可以运行detect.py监测文件了。监测结果会默认存放到runs/detect目录下

YOLOV5应用实战项目:钢材表面缺陷检测(数据集:NEU-CLS)笔记_第11张图片

 YOLOV5应用实战项目:钢材表面缺陷检测(数据集:NEU-CLS)笔记_第12张图片

如果文章对你有帮助,感谢点赞+关注!

欢迎关注下方名片:阿旭算法与机器学习,共同学习交流~

你可能感兴趣的:(深度学习实战,YOLO,python,开发语言)