轮胎X光缺陷数据集四类常见轮胎X光图缺陷数据集包含四类常见缺陷及标签，采用coco格式构建，可以直接用于yolo训练，引用请注明，训练加验证共1523张图片，有对应标签

look me head

于 2024-10-02 04:39:20 发布

阅读量882

点赞数 15

分类专栏：数据集文章标签：获取QQ767172261 数据集轮胎X光缺陷

本文链接：https://blog.csdn.net/2401_83580557/article/details/142677315

版权

数据集专栏收录该内容

358 篇文章 12 订阅

订阅专栏

轮胎X光缺陷数据集四类常见轮胎X光图缺陷数据集包含四类常见缺陷及标签，采用coco格式构建，可以直接用于yolo训练，引用请注明，训练加验证共1523张图片，有对应标签

轮胎X光缺陷数据集介绍

名称

轮胎X光缺陷数据集 (Tire X-ray Defect Detection Dataset)

规模

图像数量：1523张图像（训练集和验证集）。
类别：4类常见轮胎X光图缺陷。

数据划分

训练集 (Train)：通常占总数据的80%左右，约1218张图像。
验证集 (Validation)：通常占总数据的20%左右，约305张图像。

缺陷类别

类别1：帘线断裂 (Cord Break)
类别2：气泡 (Bubbles)
类别3：异物 (Foreign Objects)
类别4：裂纹 (Cracks)

标注格式

标注文件格式：COCO格式，可以直接用于YOLO等目标检测模型的训练。
标注内容：每个图像对应的标注文件包含以下信息：
- image_id：图像的唯一标识符。
- file_name：图像文件名。
- width 和 height：图像的宽度和高度。
- annotations：一个列表，每个元素表示一个缺陷实例，包含以下字段：
  - category_id：缺陷类别的ID（从1到4）。
  - bbox：边界框坐标 [x, y, width, height]，其中 (x, y) 是边界框左上角的坐标。
  - segmentation：可选的多边形分割点，用于更精确的分割任务。
  - area：边界框的面积。
  - iscrowd：是否为群体目标（通常是0）。

示例COCO格式的标注文件内容：

{
  "images": [
    {
      "id": 1,
      "file_name": "000001.jpg",
      "width": 800,
      "height": 600
    }
  ],
  "annotations": [
    {
      "id": 1,
      "image_id": 1,
      "category_id": 1,
      "bbox": [100, 150, 200, 250],
      "segmentation": [[100, 150, 300, 150, 300, 400, 100, 400]],
      "area": 50000,
      "iscrowd": 0
    },
    {
      "id": 2,
      "image_id": 1,
      "category_id": 2,
      "bbox": [200, 200, 100, 100],
      "segmentation": [[200, 200, 300, 200, 300, 300, 200, 300]],
      "area": 10000,
      "iscrowd": 0
    }
  ],
  "categories": [
    {"id": 1, "name": "Cord Break"},
    {"id": 2, "name": "Bubbles"},
    {"id": 3, "name": "Foreign Objects"},
    {"id": 4, "name": "Cracks"}
  ]
}

数据特点

高质量与高分辨率：所有图像均为高分辨率，适合进行精细的目标检测任务。
多样性和复杂性：图像覆盖了不同类型的轮胎和不同的缺陷情况，增加了模型的泛化能力。
详尽标注：每个图像都附有精确的边界框和可选的分割标注，确保了训练数据的质量。

应用领域

质量控制：在轮胎生产过程中，自动检测并分类常见的X光缺陷，提高产品质量。
维护与检修：对已使用的轮胎进行定期检查，及时发现潜在的安全隐患。
自动化检测：结合工业机器人或自动化系统，实现轮胎缺陷的自动化检测，提高检测效率。

实现示例

以下是一个简化的Python脚本框架，展示如何使用YOLOv5来训练这个数据集。我们将使用Ultralytics提供的YOLOv5库来进行训练。

1. 安装依赖库

首先，确保安装了必要的依赖库。可以在项目目录中的requirements.txt文件中列出这些依赖库，然后运行以下命令进行安装：

pip install -r requirements.txt

requirements.txt 文件内容示例：

torch==1.10.0
torchvision==0.11.1
opencv-python-headless==4.5.4.60
albumentations==1.1.0
git+https://github.com/ultralytics/yolov5.git

2. 准备数据集

假设你的数据集结构如下：

tire_xray_defects/
├── images/
│   ├── train/
│   └── val/
└── labels/
    ├── train/
    └── val/
coco_annotations/
├── train.json
└── val.json

3. 创建配置文件

创建一个YOLOv5的配置文件data.yaml，指定数据集路径和类别信息。

# data.yaml
train: ./tire_xray_defects/images/train
val: ./tire_xray_defects/images/val

nc: 4  # number of classes
names: ['Cord Break', 'Bubbles', 'Foreign Objects', 'Cracks']  # class names

4. 训练模型

使用YOLOv5进行训练。这里以YOLOv5s为例，其他版本（如YOLOv5m, YOLOv5l, YOLOv5x）也可以按需选择

import torch
from yolov5 import train

# 设置设备
device = 'cuda' if torch.cuda.is_available() else 'cpu'

# 训练参数
data_yaml = 'path_to_data.yaml'  # 替换为实际的data.yaml路径
weights = 'yolov5s.pt'  # 使用预训练权重
epochs = 100
batch_size = 16
imgsz = 640  # 图像大小
workers = 4  # 数据加载线程数

# 开始训练
train.run(
    data=data_yaml,
    weights=weights,
    epochs=epochs,
    batch_size=batch_size,
    imgsz=imgsz,
    workers=workers,
    device=device
)

5. 评估模型

训练完成后，可以使用验证集来评估模型性能。

from yolov5 import val

# 评估参数
data_yaml = 'path_to_data.yaml'
weights = 'runs/train/exp/weights/best.pt'  # 替换为实际的最佳权重路径
imgsz = 640
conf_thres = 0.5  # 置信度阈值
iou_thres = 0.6  # IoU阈值

# 开始评估
val.run(
    data=data_yaml,
    weights=weights,
    imgsz=imgsz,
    conf_thres=conf_thres,
    iou_thres=iou_thres,
    device=device
)