管道焊缝质量数据集——good和bad两种标签，0为good.1134个图片，有对应的xml标签和txt标签，可用于yolo训练

管道焊缝质量的数据集 有good和bad两种标签，0为good. 1134个图片，有对应的xml标签和txt标签，可用于yolo训练，赠送五个常用的训练脚本。

管道焊缝质量检测数据集

管道焊缝质量检测数据集

项目背景：

管道焊接是工业生产中非常重要的环节，焊缝的质量直接影响到管道的安全性和使用寿命。然而，手工检查焊缝质量耗时耗力且容易出错。利用计算机视觉技术自动检测焊缝质量，不仅可以提高检测效率，还能保证检测的一致性和准确性。本数据集旨在为管道焊缝质量检测提供高质量的标注数据，支持自动化检测系统的开发与应用。

数据集概述：

• 名称：管道焊缝质量检测数据集
• 规模：共计1,134张图像
• 标签：两类标签，其中“0”表示良好（good），“1”表示不良（bad）
• 标注格式：包含对应的.xml标签文件和适用于YOLO的.txt标签文件
• 附加内容：赠送五个常用的训练脚本

数据集特点：

1. 全面性：涵盖良好的焊缝以及存在缺陷的焊缝图像，确保数据集的多样性和实用性。
2. 高质量标注：每张图像都已详细标注，确保数据的准确性和可靠性。
3. 适用范围广：适用于多种深度学习框架，方便科研人员和开发者直接使用。
4. 标准格式：提供Pascal VOC的.xml标签文件以及YOLO的.txt标签文件，方便导入不同的检测框架。

数据集内容：

• 良好焊缝（Good）：标注了没有明显缺陷的焊缝图像。
• 不良焊缝（Bad）：标注了存在缺陷的焊缝图像，如未焊透、气孔、夹渣等。

数据集用途：

1. 质量检测：可用于训练和评估深度学习模型，特别是在管道焊缝质量检测方面。
2. 自动化检测：帮助实现焊缝质量的自动化检测，减少人工检测的工作量。
3. 科研与教育：为焊缝质量检测领域的研究和教学提供丰富的数据支持。

使用场景：

1. 自动化检测：在工业生产线上，利用该数据集训练的模型可以自动识别焊缝质量。
2. 质量控制：在质量控制系统中，利用该数据集可以提高检测的准确性和速度。
3. 生产管理：在生产管理和优化工作中，利用该数据集可以提高生产效率和产品质量。

技术指标：

• 数据量：共计1,134张图像，涵盖良好的焊缝和不良的焊缝。
• 标签格式：包含Pascal VOC的.xml标签文件和适用于YOLO的.txt标签文件。
• 标注精度：所有图像均已详细标注，确保数据的准确性和可靠性。

注意事项：

• 数据隐私：在使用过程中，请确保遵守相关法律法规，保护个人隐私。
• 数据预处理：在使用前，建议进行一定的数据预处理，如图像归一化等。

获取方式：

• 下载链接：请访问项目主页获取数据集下载链接。
• 许可证：请仔细阅读数据集的使用许可协议。

关键代码示例：

以下是关键代码的示例，包括数据加载、模型训练、检测和结果展示。

数据加载：

1import os
2import cv2
3import numpy as np
4from xml.etree import ElementTree as ET
5
6# 数据集路径
7DATASET_PATH = 'path/to/dataset'
8IMAGES_DIR = os.path.join(DATASET_PATH, 'images')
9VOC_LABELS_DIR = os.path.join(DATASET_PATH, 'voc_labels')
10YOLO_LABELS_DIR = os.path.join(DATASET_PATH, 'yolo_labels')
11
12# 加载数据集
13def load_dataset(directory):
14    images = []
15    voc_labels = []
16    yolo_labels = []
17
18    for img_file in os.listdir(IMAGES_DIR):
19        if img_file.endswith('.jpg'):
20            img_path = os.path.join(IMAGES_DIR, img_file)
21            voc_label_path = os.path.join(VOC_LABELS_DIR, img_file.replace('.jpg', '.xml'))
22            yolo_label_path = os.path.join(YOLO_LABELS_DIR, img_file.replace('.jpg', '.txt'))
23            
24            image = cv2.imread(img_path)
25            images.append(image)
26            
27            # 加载VOC标签
28            tree = ET.parse(voc_label_path)
29            root = tree.getroot()
30            voc_objects = []
31            for obj in root.findall('object'):
32                name = obj.find('name').text
33                bbox = obj.find('bndbox')
34                xmin = int(bbox.find('xmin').text)
35                ymin = int(bbox.find('ymin').text)
36                xmax = int(bbox.find('xmax').text)
37                ymax = int(bbox.find('ymax').text)
38                voc_objects.append((name, (xmin, ymin, xmax, ymax)))
39            voc_labels.append(voc_objects)
40            
41            # 加载YOLO标签
42            with open(yolo_label_path, 'r') as f:
43                yolo_label = f.read().strip()
44            yolo_labels.append(yolo_label)
45
46    return images, voc_labels, yolo_labels
47
48images, voc_labels, yolo_labels = load_dataset(DATASET_PATH)

模型训练：

1# 初始化YOLOv8模型
2model = YOLO('yolov8n.pt')
3
4# 定义训练参数
5EPOCHS = 100
6BATCH_SIZE = 16
7
8# 训练模型
9results = model.train(data='pipe_weld_quality.yaml', epochs=EPOCHS, batch=BATCH_SIZE)

模型检测：

1# 加载训练好的模型
2model = YOLO('best.pt')
3
4# 检测图像
5def detect_weld_quality(image):
6    results = model.predict(image)
7    for result in results:
8        boxes = result.boxes
9        for box in boxes:
10            x1, y1, x2, y2 = box.xyxy[0]
11            conf = box.conf
12            class_id = box.cls
13            
14            # 显示结果
15            cv2.rectangle(image, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
16            cv2.putText(image, f'Class: {class_id}, Conf: {conf:.2f}', (int(x1), int(y1)-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
17    
18    return image
19
20# 测试图像
21test_image = cv2.imread('path/to/test_image.jpg')
22result_image = detect_weld_quality(test_image)
23cv2.imshow('Detected Weld Quality', result_image)
24cv2.waitKey(0)
25cv2.destroyAllWindows()

配置文件 pipe_weld_quality.yaml：

1train: path/to/train/images
2val: path/to/val/images
3test: path/to/test/images
4
5nc: 2  # Number of classes
6names: ['Good', 'Bad']  # Class names
7
8# Training parameters
9batch_size: 16
10epochs: 100
11img_size: [640, 640]  # Image size

使用指南：

1. 数据准备：确保数据集路径正确，并且数据集已准备好。
2. 模型训练：运行训练脚本，等待训练完成。
3. 模型检测：使用训练好的模型进行检测，并查看检测结果。

结语：

本数据集提供了一个高质量的管道焊缝质量检测数据集，支持自动化检测、质量控制等多个应用场景。通过利用该数据集训练的模型，可以提高焊缝检测的效率和准确性。如果您有任何问题或需要进一步的帮助，请查阅项目文档或联系项目作者。