PCB数据集3.1.1

在当今快速发展的工业生产领域自动化和智能化已成为提高生产效率和产品质量的关键因素。

缺陷检测作为智能制造的重要组成部分对于确保产品质量和降低生产成本具有重要意义。

随着计算机视觉技术的不断进步基于深度学习的对象检测算法尤其是YOLOYou

Only

Once系列算法因其速度快、精度高而在工业缺陷检测中得到了广泛应用。

YOLOv8作为该系列的最新版本之一以其更高效的网络结构和更准确的检测性能为缺陷检测任务带来了新的突破。

本文将深入探讨基于YOLOv8的缺陷检测任务训练过程从数据准备、模型训练到性能评估全面解析如何利用这一先进技术提升工业缺陷检测的自动化水平。

通过实际案例分析本文旨在为相关领域的研究者和工程师提供实用的技术参考和指导。

注意学习本文的训练过程需要相关的前置知识如有需要可参考文章Python基础千锋篇专栏介绍、

Jupyter

本文介绍的训练过程使用ModelScope提供的Notebook的线上环境。

分为CPU环境/GPU环境均可使用。

本文的YOLOv8的训练过程使用了ultralytics的训练技术方案。

相关文档可参考https://docs.ultralytics.com/modes/train/

三、缺陷检测任务模型训练详解

完整代码资源https://download.csdn.net/download/weixin_44063529/89645813

3.1

PCB缺陷检测数据集印刷电路板PCB瑕疵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。

我们选取了其中适用与检测任务的693张图像下载内容包括JSON和VOC格式版。

3.1.2

https://www.modelscope.cn/datasets/ModelBulider/PCB_DATASET_JSON.git!tar

-xvf

./PCB_DATASET_JSON/PCB_DATASET_JSON.tar3.1.3

import

refactor_data_format(json_path,

yolo_paths):with

data[annotations]:print(imgs[anno[image_id]][file_name])txt_path

imgs[anno[image_id]][file_name].split(.)[0]

.txt)with

imgs[anno[image_id]][w],anno[bbox][1]

imgs[anno[image_id]][h],anno[bbox][2]

imgs[anno[image_id]][w],anno[bbox][3]

anno[category_id]

imgs[anno[image_id]][w],anno[bbox][1]

imgs[anno[image_id]][h],anno[bbox][2]

imgs[anno[image_id]][w],anno[bbox][3]

anno[category_id]

./PCB_DATASET/Annotations/train.json

train_yolo_paths

./datasets/PCB_DATASET/labels/train2024val_json_path

./PCB_DATASET/Annotations/val.json

val_yolo_paths

./datasets/PCB_DATASET/labels/val2024if

not

os.path.exists(train_yolo_paths):os.makedirs(train_yolo_paths)if

not

os.path.exists(val_yolo_paths):os.makedirs(val_yolo_paths)refactor_data_format(train_json_path,

train_yolo_paths)

refactor_data_format(val_json_path,

import

r./datasets/PCB_DATASET/labels/train2024

train标签路径

r./datasets/PCB_DATASET/labels/val2024

val标签路径train_images

r./datasets/PCB_DATASET/images/train2024

保存train图像路径

r./datasets/PCB_DATASET/images/val2024

保存val图像路径if

os.path.exists(train_images):os.makedirs(train_images)if

not

os.path.exists(val_images):os.makedirs(val_images)#

not

os.path.exists(train_images):os.mkdir(train_images)

not

os.path.exists(val_images):os.mkdir(val_images)#

按照标签名移动对应图像

os.listdir(train_labels):img_name

label_name[:-3]

jpgshutil.move(os.path.join(Images_path,

img_name),

os.listdir(val_labels):img_name

label_name[:-3]

jpgshutil.move(os.path.join(Images_path,

img_name),

归一化后框的高度训练YOLOv8时需要存放数据集的目录结构如下图像与标签路径必须对应

├─datasets

通过访问https://www.modelscope.cn/my/myaccesstoken

进行获取需要提交下载申请#

snapshot_download(ModelBulider/yolo8,

local_dir./modelscope_downloads)yolo_version

yolov8l

选择训练使用yolo8的版本可以在modelscope_downloads中查看所有的YOLO8版本

yolov8_model_path

os.path.abspath(os.path.join(model_dir,

f{yolo_version}.pt))

print(yolov8_model_path)YOLO8包含了各种大小版本的模型各模型大小、性能等参数比较如下

如需要下载可CSDN私信联系博主佛系回复敬请谅解~可在yolo_version

3.2.5

download_train_file():下载训练所需的文件os.system(cp

./modelscope_downloads/Arial.ttf

__name__

__main__:download_train_file()#

Load

YOLO(f{yolo_version}.yaml).load(yolov8_model_path)

load

modelmodel.train(datadataset.yaml,

imgsz640,

model(ultralytics\\assets\\bus.jpg)

predict

更多训练参数配置可参考https://docs.ultralytics.com/modes/train/

3.2.6

训练产生的数据会生成在runs/detect/train路径下。

其中weight种存储了训练过程中表现最好的模型参数best.pt以及最后一次训练得到的模型参数(last.pt)

训练结果验证

YOLO(rruns/detect/train/weights/best.pt)

pretrained

model([rdatasets/PCB_DATASET/images/train2024/01_missing_hole_01.jpg,

rdatasets/PCB_DATASET/images/train2024/01_missing_hole_17.jpg])

return

screenresult.save(filenamefresult_{idex}.jpg)

save

在线体验https://www.modelscope.cn/studios/ModelBulider/yolo_pcb_dec