-
Notifications
You must be signed in to change notification settings - Fork 0
-
Star 6
缺陷检测是图像处理领域一个应用广泛的问题。本课题依托科研项目，采用无人机上的图像探测器采集工厂内部货架图片；通过图片配准及比对，识别螺丝松动等缺陷。从而防止隐患的发生。也可以使用公开数据集处理，课题主要是算法，不限制算法依托的软件平台。
CHEN814/defect-detection
Folders and files
| Name | Name | Last commit message | Last commit date | |
|---|---|---|---|---|
Latest commitHistory9 Commits | ||||
images preprocessing | images preprocessing | |||
README.md | README.md | |||
process_data.py | process_data.py | |||
xlm2yolo.py | xlm2yolo.py | |||
Repository files navigation
缺陷检测是图像处理领域一个应用广泛的问题。本课题依托科研项目，采用无人机上的图像探测器采集工厂内部货架图片；通过图片配准及比对，识别螺丝松动等缺陷。从而防止隐患的发生。也可以使用公开数据集处理，课题主要是算法，不限制算法依托的软件平台。
环境
模型算法选择：YOLOv6
https://yolov6-docs.readthedocs.io/zh-cn/latest
其中，python =3.9；torch=2.2.0；cpu版本
数据集
数据集选择GC10-DET。GC10-DET是在真实工业中收集的表面缺陷数据集。一个真实的行业。它包含十种类型的表面缺陷，即冲孔（Pu）、焊缝（Wl）、新月形缝隙（Cg）、水斑（Water Spot）。油斑(Os)、丝斑(Ss)、夹杂物(In)、轧坑(Rp)、折痕(Cr)、腰部折痕 (Wf)。所收集的缺陷都在钢板的表面。该数据集包括3570张灰度图像。
GC10-DET数据集可以在github上获得： https://github.com/lvxiaoming2019/GC10-DET-Metallic-Surface-Defect-Matasets
因原始数据集有误，可采用链接中修正错误后的版本： http://t.csdnimg.cn/jNolA
训练集和验证集划分
训练集和验证集的划分：数据总共2294个，按照约9：1比例分训练集train和验证集val，其中训练集1998个，验证集296个。
统一格式
因为采用YOLOv6模型，需要将数据集转化成特定形式。格式转换过程如下。
images：将图片划分在训练集和验证集两个文件夹中。<br/>
annotations：train和val分别生成json文件，参考http://t.csdnimg.cn/JFkYw。<br/>
labels：数据集的标签为xml格式，需要转换成txt格式，并对数据进行归一化处理，以便yolo算法使用，参考http://t.csdnimg.cn/skq1Y。
整理后的数据集文件结构如下：
COCO 数据集
├── coco<br/>
│ ├── annotations<br/>
│ │ ├── instances_train2017.json<br/>
│ │ └── instances_val2017.json<br/>
│ ├── images<br/>
│ │ ├── train2017<br/>
│ │ └── val2017<br/>
│ ├── labels<br/>
│ │ ├── train2017<br/>
│ │ ├── val2017<br/>
YOLO格式的数据集下载链接
YOLO格式的GC10-DET数据集
链接：https://pan.baidu.com/s/11slnV0Bvpagweqxzi2UgDw?pwd=zzai <br/>
提取码：zzai
模型训练、评估、推理
配置文件准备
创建数据集配置文件
- 数据集组织成COCO格式后，选择YOLOv6/data/coco.yaml作为配置文件。（其他数据集格式参考官网文档，目前支持VOC格式和自定义数据集）
- 配置文件中train和val路径必填，test选填，其他信息按要求填好即可。
选择网络配置文件
- 如果是训练 COCO 数据集或与 COCO 差异较大的数据集，建议选用 yolov6n(/s/m/l).py 配置文件；
- 如果是训练自定义数据集，建议选用 yolov6n(/s/m/l)_finetune.py 配置文件；
模型训练
CPU
cpu训练时一直在报错，对YOLOv6源码修改，记录如下：（用gpu训练时要改回去）
- yolov6/utils/envs.py，第20行，device = ‘cpu’
def select_device(device):
device = 'cpu'
os.environ['CUDA_VISIBLE_DEVICES'] = '-1'
LOGGER.info('Using CPU for training... ')
# for testing, set device to 'cpu'.
'''
if device == 'cpu':
os.environ['CUDA_VISIBLE_DEVICES'] = '-1'
LOGGER.info('Using CPU for training... ')
elif device:
os.environ['CUDA_VISIBLE_DEVICES'] = device
assert torch.cuda.is_available()
nd = len(device.strip().split(','))
LOGGER.info(f'Using {nd} GPU for training... ')
cuda = device != 'cpu' and torch.cuda.is_available()
device = torch.device('cuda:0' if cuda else 'cpu')
'''
return device
- yolov6/core/engine.py，458行，将dp_mode和ddp_model恒定为0
def parallel_model(args, model, device):
# If DP mode
dp_mode = 0
# dp_mode = device.type != 'cpu' and args.rank == -1 #For test
if dp_mode and torch.cuda.device_count() > 1:
LOGGER.warning('WARNING: DP not recommended, use DDP instead.\n')
model = torch.nn.DataParallel(model)
# If DDP mode
ddp_mode = 0
# ddp_mode = device.type != 'cpu' and args.rank != -1 #For test
if ddp_mode:
model = DDP(model, device_ids=[args.local_rank], output_device=args.local_rank)
return model
GPU
(...)
模型推理
步骤 0. 从 YOLOv6官方github 下载一个训练好的模型权重文件，或选择您自己训练的模型；<br/>
步骤 1. 通过 tools/infer.py文件进行推理。<br/>
P5 models<br/>
python tools/infer.py --weights yolov6s.pt --source img.jpg / imgdir / video.mp4<br/>
P6 models<br/>
python tools/infer.py --weights yolov6s6.pt --img-size 1280 1280 --source img.jpg / imgdir / video.mp4<br/>
运行后，在runs/inference/exp目录下能看到对应的可视化结果。
关键参数说明见官网，网址最前面写过。
About
缺陷检测是图像处理领域一个应用广泛的问题。本课题依托科研项目，采用无人机上的图像探测器采集工厂内部货架图片；通过图片配准及比对，识别螺丝松动等缺陷。从而防止隐患的发生。也可以使用公开数据集处理，课题主要是算法，不限制算法依托的软件平台。
Resources
Stars
Watchers
Forks
Releases
Packages 0
Languages
- Jupyter Notebook 77.0%
- Python 23.0%