深度学习框架目标检测算法如何使用Yolov8训练汽车轮胎轮毂缺陷数据集检测识别汽车轮胎钢圈缺陷数据集建立深度学习汽车汽车轮胎轮毂缺陷检测识别-CSDN博客

本文链接：https://blog.csdn.net/2401_88440984/article/details/148160869

深度学习框架目标检测算法如何使用Yolov8汽车轮胎轮毂缺陷数据集检测识别汽车轮胎钢圈缺陷数据集建立深度学习汽车汽车轮胎轮毂缺陷识别

文章目录

以下文字及代码仅供参考。
汽车轮胎钢圈轮毂缺陷检测数据集

在这里插入图片描述

轮毂缺陷检测YOLO数据集

— 在这里插入图片描述

🛠️ 轮毂缺陷检测数据集统计表（共7 类）

类别名称	图片数量	标注框数量	训练集图片数（约80%）	验证集图片数（约20%）
Peeling（剥落）	460	1276	368	92
Out_Of_Roundness（失圆）	37	48	30	7
Brake_Thermal_Cracks（制动热裂纹）	70	391	56	14
Contact_Fatigue_Cracks（接触疲劳裂纹）	300	817	240	60
Blue hole（蓝孔）	311	483	249	62
Rollerpile（辊堆缺陷）	301	320	241	60
flat（扁平化）	293	315	234	59
总计	1445	3650	1156 (80%)	289 (20%)

数据说明：

数据集总图片数：1445 张
总标注框数：3650 个
按照 8:2 的比例划分为训练集和验证集
每张图片中可能包含多个缺陷目标（如多个标注框），因此标注框总数大于图片总数

：

生成 .yaml 配置文件用于 YOLO 模型训练
自动生成 train/val 文件列表（txt/json）
轮毂缺陷检测的数据集结构， 7类轮毂缺陷目标检测任务
数据组织方式（YOLO格式）
data.yaml 配置文件
模型训练代码
推理预测代码
性能评估方法

✅ 一、数据准备与组织结构

确保你的数据集按照以下目录结构进行组织：

hub_defect_dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/
└── data.yaml

示例说明：

images/train/：存放训练图像（1156张）
labels/train/：每个图像对应的 .txt 标注文件
images/val/：验证图像（289张）
labels/val/：对应标注文件

注：每张图像必须有一个同名的 .txt 文件，内容格式为：class_id center_x center_y width height，且所有坐标归一化到 [0,1]。

✅ 二、创建 `data.yaml` 文件

在项目根目录下创建 data.yaml 文件，内容如下：

train: ./hub_defect_dataset/images/train
val: ./hub_defect_dataset/images/val

nc: 7
names: ['Peeling', 'Out_Of_Roundness', 'Brake_Thermal_Cracks', 'Contact_Fatigue_Cracks', 'Blue hole', 'Rollerpile', 'flat']

✅ 三、安装依赖库

pip install ultralytics opencv-python matplotlib numpy

✅ 四、模型训练代码（Python脚本）

from ultralytics import YOLO

# 加载预训练模型或从配置文件初始化
model = YOLO('yolov8s.yaml')  # 可换成 yolov8n / m / l / x

# 开始训练
results = model.train(
    data='./hub_defect_dataset/data.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    name='hub_defect_train',
    project='runs/hub_defect',
    exist_ok=True,
    device=0 if torch.cuda.is_available() else 'cpu'
)

# 保存最佳权重
best_weights_path = model.save('./hub_defect_best.pt')
print(f"Best weights saved to {best_weights_path}")

✅ 五、模型验证与性能评估

from ultralytics import YOLO

# 加载训练好的模型
model = YOLO('./hub_defect_best.pt')

# 在验证集上评估
metrics = model.val()

# 打印关键指标
print(f"mAP@0.5:0.95: {metrics.box.map:.4f}")
print(f"mAP@0.5: {metrics.box.map50:.4f}")
print(f"Recall: {metrics.box.recall.mean():.4f}")
print(f"Precision: {metrics.box.precision.mean():.4f}")

✅ 六、单图推理 + 结果可视化

from ultralytics import YOLO
import cv2

def detect_and_show(image_path):
    model = YOLO('./hub_defect_best.pt')

    results = model.predict(source=image_path, conf=0.25)
    
    for result in results:
        im_array = result.plot()
        im = cv2.cvtColor(im_array, cv2.COLOR_RGB2BGR)
        cv2.imshow("Detection Result", im)
        cv2.waitKey(0)
        cv2.destroyAllWindows()

# 测试一张图片
detect_and_show('path/to/test_image.jpg')

✅ 七、批量推理并保存结果

from ultralytics import YOLO

model = YOLO('./hub_defect_best.pt')

# 批量处理指定文件夹下的图片，并保存结果
model.predict(
    source='./hub_defect_dataset/images/val',
    save=True,
    project='runs/hub_defect/predictions',
    name='val_results',
    conf=0.25
)

✅ 八、生成分类报告与混淆矩阵（进阶）

需要将真实标签和预测标签提取出来后使用 sklearn.metrics 工具：

from sklearn.metrics import classification_report, confusion_matrix
import seaborn as sns
import matplotlib.pyplot as plt

# 假设 y_true 和 y_pred 是两个列表，包含真实类别和预测类别 ID
class_names = ['Peeling', 'Out_Of_Roundness', 'Brake_Thermal_Cracks', 'Contact_Fatigue_Cracks', 'Blue hole', 'Rollerpile', 'flat']

# 分类报告
print(classification_report(y_true, y_pred, target_names=class_names))

# 混淆矩阵
cm = confusion_matrix(y_true, y_pred)
sns.heatmap(cm, annot=True, fmt="d", xticklabels=class_names, yticklabels=class_names)
plt.xlabel("Predicted")
plt.ylabel("True")
plt.title("Confusion Matrix")
plt.show()