叶片缺陷数据集 如何训练自己的数据集之叶片缺陷

  叶片缺陷数据集 风力发电机叶片及表面缺陷识别检测数据集，一共7000张yolo数据集， 风力叶片数据集 发电机叶片缺陷数据集 风力发电机缺陷检测数据集 yolov5-v10通用 叶片缺陷检测数据集

风力发电机叶片及表面缺陷识别检测数据集介绍

数据集概述

此数据集主要用于风力发电机叶片及其表面缺陷的识别检测。该数据集包含7000张图像，涵盖了多种常见的风力发电机叶片表面缺陷类型，并以YOLO格式标注，可以直接用于YOLO系列目标检测算法模型训练。

数据集特点

• 高清影像：所有图像均为高清影像，适合用于精确的目标检测。
• 详细标注：每张图像都标注了叶片上的各种缺陷类型，可以用于训练模型来识别这些缺陷。
• 多样性：涵盖了不同种类的缺陷以及不同环境条件下的风力发电机叶片图像，适用于多种环境下的应用。
• 广泛适用性：支持YOLO系列目标检测模型，适用于叶片缺陷识别及定位任务。

数据集统计

缺陷类型	图像数量
corrosion	1058
craze	36
hide_craze	1172
surface_attach	1410
surface_corrosion	6714
surface_eye	206
surface_injure	10422
surface_oil	3182
thunderstrike	240
总计	7000

数据集结构

WindTurbineBladeDefectDetectionDataset/
├── images/  # 图像文件
│   ├── train/  # 训练集图像
│   │   ├── image_00001.jpg
│   │   ├── image_00002.jpg
│   │   └── ...
│   ├── val/  # 验证集图像
│   │   ├── image_00001.jpg
│   │   ├── image_00002.jpg
│   │   └── ...
│   └── test/  # 测试集图像
│       ├── image_00001.jpg
│       ├── image_00002.jpg
│       └── ...
├── labels/  # YOLO目标检测标注
│   ├── train/  # 训练集标签
│   │   ├── image_00001.txt
│   │   ├── image_00002.txt
│   │   └── ...
│   ├── val/  # 验证集标签
│   │   ├── image_00001.txt
│   │   ├── image_00002.txt
│   │   └── ...
│   └── test/  # 测试集标签
│       ├── image_00001.txt
│       ├── image_00002.txt
│       └── ...
└── dataset_info.txt  # 数据集描述文件

标注格式示例

YOLO目标检测格式

每行表示一个物体的边界框和类别：

class_id cx cy w h

• class_id：类别ID（从0开始编号）
  • 0: corrosion
  • 1: craze
  • 2: hide_craze
  • 3: surface_attach
  • 4: surface_corrosion
  • 5: surface_eye
  • 6: surface_injure
  • 7: surface_oil
  • 8: thunderstrike
• cx：目标框中心点x坐标 / 图像宽度。
• cy：目标框中心点y坐标 / 图像高度。
• w：目标框宽度 / 图像宽度。
• h：目标框高度 / 图像高度。

例如：

0 0.453646 0.623148 0.234375 0.461111
1 0.321021 0.456789 0.123456 0.345678
...

使用该数据集进行模型训练

1. 数据预处理与加载

首先，我们需要加载数据并将其转换为适合YOLOv5等模型使用的格式。假设你已经安装了PyTorch和YOLOv5。

import os
from PIL import Image
import torch
from torch.utils.data import Dataset, DataLoader
from torchvision import transforms

class WindTurbineBladeDefectDataset(Dataset):
    def __init__(self, image_dir, label_dir, transform=None):
        self.image_dir = image_dir
        self.label_dir = label_dir
        self.transform = transform
        self.image_files = [f for f in os.listdir(image_dir) if f.endswith('.jpg')]

    def __len__(self):
        return len(self.image_files)

    def __getitem__(self, idx):
        img_name = self.image_files[idx]
        img_path = os.path.join(self.image_dir, img_name)
        label_path = os.path.join(self.label_dir, img_name.replace('.jpg', '.txt'))

        # 加载图像
        image = Image.open(img_path).convert('RGB')
        if self.transform:
            image = self.transform(image)

        # 加载标注
        with open(label_path, 'r') as f:
            lines = f.readlines()
        
        boxes = []
        labels = []
        for line in lines:
            class_id, cx, cy, w, h = map(float, line.strip().split())
            boxes.append([cx, cy, w, h])
            labels.append(int(class_id))

        boxes = torch.tensor(boxes, dtype=torch.float32)
        labels = torch.tensor(labels, dtype=torch.int64)

        return image, boxes, labels

# 数据增强
transform = transforms.Compose([
    transforms.Resize((640, 640)),
    transforms.ToTensor(),
])

# 创建数据集
train_dataset = WindTurbineBladeDefectDataset(image_dir='WindTurbineBladeDefectDetectionDataset/images/train/', label_dir='WindTurbineBladeDefectDetectionDataset/labels/train/', transform=transform)
val_dataset = WindTurbineBladeDefectDataset(image_dir='WindTurbineBladeDefectDetectionDataset/images/val/', label_dir='WindTurbineBladeDefectDetectionDataset/labels/val/', transform=transform)
test_dataset = WindTurbineBladeDefectDataset(image_dir='WindTurbineBladeDefectDetectionDataset/images/test/', label_dir='WindTurbineBladeDefectDetectionDataset/labels/test/', transform=transform)

train_loader = DataLoader(train_dataset, batch_size=4, shuffle=True, num_workers=4)
val_loader = DataLoader(val_dataset, batch_size=4, shuffle=False, num_workers=4)
test_loader = DataLoader(test_dataset, batch_size=4, shuffle=False, num_workers=4)

2. 构建模型

我们可以使用YOLOv5模型进行目标检测任务。假设你已经克隆了YOLOv5仓库，并按照其文档进行了环境设置。

git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt

创建数据配置文件 data/wind_turbine_blade_defect_detection.yaml：

train: path/to/WindTurbineBladeDefectDetectionDataset/images/train
val: path/to/WindTurbineBladeDefectDetectionDataset/images/val
test: path/to/WindTurbineBladeDefectDetectionDataset/images/test

nc: 9  # 类别数
names: ['corrosion', 'craze', 'hide_craze', 'surface_attach', 'surface_corrosion', 'surface_eye', 'surface_injure', 'surface_oil', 'thunderstrike']

3. 训练模型

使用YOLOv5进行训练。

python train.py --img 640 --batch 16 --epochs 100 --data data/wind_turbine_blade_defect_detection.yaml --weights yolov5s.pt --cache

4. 评估模型

在验证集上评估模型性能。

python val.py --img 640 --batch 16 --data data/wind_turbine_blade_defect_detection.yaml --weights runs/train/exp/weights/best.pt --task test

5. 推理

使用训练好的模型进行推理。

python detect.py --source path/to/test/image.jpg --weights runs/train/exp/weights/best.pt --conf 0.5

实验报告

实验报告应包括以下内容：

1. 项目简介：简要描述项目的背景、目标和意义。
2. 数据集介绍：详细介绍数据集的来源、规模、标注格式等。
3. 模型选择与配置：说明选择的模型及其配置参数。
4. 训练过程：记录训练过程中的损失变化、学习率调整等。
5. 评估结果：展示模型在验证集上的性能指标（如mAP、准确率）。
6. 可视化结果：提供一些典型样本的检测结果可视化图。
7. 结论与讨论：总结实验结果，讨论可能的改进方向。
8. 附录：包含代码片段、图表等补充材料。

依赖库

确保安装了以下依赖库：

pip install torch torchvision
pip install -r yolov5/requirements.txt

总结

这个风力发电机叶片及表面缺陷识别检测数据集提供了丰富的标注数据，非常适合用于训练和评估目标检测模型。通过YOLOv5框架，可以方便地构建和训练高性能的目标检测模型。实验报告可以帮助你更好地理解和分析模型的表现，并为进一步的研究提供参考。