【目标检测】基于yolov6的钢筋检测和计数(附代码和数据集)

已于 2023-10-31 14:24:10 修改
阅读量2k 收藏 8
点赞数 2
分类专栏： 深度学习之目标检测实战 文章标签： 目标检测 人工智能 深度学习
于 2023-01-12 18:00:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/AugustMe/article/details/128654811
版权
本文介绍了基于YOLOv6的钢筋检测和计数项目，涵盖数据集制作、模型训练、评估及推理。通过环境配置、数据集准备和模型配置，展示了如何使用YOLOv6进行目标检测，解决建筑行业中钢筋计数的难题。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

写在前面：
首先感谢兄弟们的关注和订阅，让我有创作的动力，在创作过程我会尽最大能力，保证作品的质量，如果有问题，可以私信我，让我们携手共进，共创辉煌。（专栏订阅用户订阅专栏后免费提供数据集和源码一份，超级VIP用户不在服务范围之内，不想订阅专栏的兄弟们可以私信我详聊）

“路虽远，行则将至；事虽难，做则必成。只要有愚公移山的志气、滴水穿石的毅力，脚踏实地，埋头苦干，积跬步以至千里，就一定能够把宏伟目标变为美好现实。”

Hello，大家好，我是augustqi。

今天给大家分享的目标检测项目是：基于yolov6的钢筋检测和计数实战项目(附代码和数据集)，本项目也是从零开始制作自己的数据集，并训练yolov6的保姆级教程。

以下内容，完全是我根据参考资料和个人理解撰写出来的，不存在滥用原创的问题。

1. 引言

YOLOv6是美团视觉智能部结合业界现有技术研发的一款目标检测框架，该框架同

了解本专栏 订阅专栏 解锁全文 超级会员免费看
基于YOLOv8的钢筋检测计数含完整数据集完美运行
crasher123的博客
03-20 604
钢筋数量统计是钢材生产、销售过程中的重要组成部分，在钢筋生产企业或钢筋交易市场，将钢筋捆扎后，现场盘点工人主要使用不同颜色的彩笔多次标记以区分计数和未计数钢筋。经过长期、高强度的工作，人的眼睛和大脑容易疲劳，计数误差会大大增加。因此，钢筋数量计数方法的研究和开发是钢材生产和销售行业非常紧迫的问题。随着图像处理技术的发展，越来越多的研究机构将图像处理技术应用于钢筋及其他棒材的自动计数。目前，由于市场需求较大，生产线钢筋在线自动计数系统、捆扎钢筋自动计数系统的开发已成为钢筋生产销售和机器视觉技术的热点话题。
【目标检测】基于yolov5的钢筋检测和计数(附代码和数据集)
学无止境、积少成多、厚积薄发
03-31 4975
【目标检测】基于yolov5的钢筋检测和计数(附代码和数据集)
钢筋端面数据集（含标注信息）
06-04
钢筋作为工业建筑的基础性底层材料，被广泛的应用于房屋建筑，桥梁建筑， 公共建筑等众多建筑业。而不论是钢筋厂商生产钢筋的过程中，还是各大施工场地引入钢筋的过程中，对钢筋进行点支计数都是十分重要的一个环节。而在当下，该环节绝大多数是采用厂商人员或验收人员人工计数的方法来统计钢筋数量，该过程消耗较多的人力资源，耗时颇长，并且出错率较高，不利于工程的整体快速推进，无法满足厂商或企业对智能化产业的要求。 此数据集可以用来实现钢筋智能计数模型。
基于PaddleX实现的钢筋计数
m0_63642362的博客
12-04 1396
在工业生产中，钢筋、圆木计数的场景非常多见，它们有个共性特点：产品密集、环境不固定、模型端侧部署。针对此类场景，通过使用PaddleX的YOLOv3算法构建一套产品计数的方便，并实现在边缘端部署。
人工智能钢筋计数数据集(训练集501-569)
07-12
由于单个文件大小限制，完整数据集被拆分成多个。 本数据集共计包含569张VOC格式训练集标注图片和85张测试集未标注图片。 此部分为第501-569张训集图片，均为钢筋横截面图片，可用于钢筋计数算法开发工作。 参考博客链接可查看图片质量，可以参考后决定是否满足你的需要再下载。 https://blog.csdn.net/qq_41007606/article/details/125735761?spm=1001.2014.3001.5502
YOLO钢筋检测计数数据集(5000+图像，标注完整)
m0_73878864的博客
03-17 1218
YOLO钢筋检测计数数据集，包含5125张真实场景下，密集钢筋图像，高精度yolo标注完整，全部原始图像，未使用增强。
钢筋盘点计数数据集图片展示
李鑫玉的博客
07-12 1137
钢筋盘点计数数据集展示，供资源下载的朋友查看图片质量
钢筋（螺纹钢）检测计数数据集
m0_73878864的博客
01-20 566
人工智能深度学习钢筋（螺纹钢）检测计数数据集，近2000张图像，人工打标，标注完整。
【CSV to VOC 格式】智能盘点—钢筋数量AI识别 数钢筋，数据集转换 成我们常用格式“xml” code 代码
小欧欧的博客
01-11 4113
一、首先建立文件夹 VOC_GJ 在这个下面建立三个JPEGImages、Annotations、ImageSets ImageSets下面建立Main 二、生成train.txt test.txt import os train_file=open('path/ImageSets/Main/train.txt','w') test_file=open('path/ImageSets/...
人工智能钢筋计数数据集(测试集1-85)
07-12
本数据集共计包含569张VOC格式训练集标注图片和85张测试集未标注图片。 此部分为第1-85张测试集图片，均为钢筋横截面图片，可用于钢筋计数算法开发工作。 参考博客链接可查看图片质量，可以参考后决定是否满足你的...
目标检测-yolov6源码
07-18
完整的yolov6源码文件包，不能翻出去的可以在这里下载yolov6源码； 嫌弃外面网速慢的可以在这里下载，下载速度会快速很多； 该框架新出的，使用过程中会遇到的问题比较多。 如果需要进行摄像头识别或者训练自己数据集的可以参考我发表的相关文章，希望对你有所帮助。
人工智能钢筋计数数据集(训练集401-500)
07-12
由于单个文件大小限制，完整数据集被拆分成多个。 本数据集共计包含569张VOC格式训练集标注图片和85张测试集未标注图片。 此部分为第401-500张训集图片，均为钢筋横截面图片，可用于钢筋计数算法开发工作。 参考博客链接可查看图片质量，可以参考后决定是否满足你的需要再下载。 https://blog.csdn.net/qq_41007606/article/details/125735761?spm=1001.2014.3001.5502
detect_steel_number:DCIC 钢筋数量AI识别 baseline 0.98+
05-06
比赛地址 环境依赖 ubuntu, python3, tensorflow, keras, skimage, opencv-python, numpy, pandas, matplotlib等 我的方案 关于检测/分割模型选择 尝试了 retinanet、faster rcnn、fpn 和 msak rcnn ，其中 mask rcnn 得分 0.980，从 kaggle 上得知使用 U-Net 全卷积网络进行语义分割可能效果比较好，目前还没有尝试。 关于预训练模型 经过后期大佬分享，建议选用 coco 预训练模型。 关于优化器选择 前期选择默认 SGD 优化器，后来在 60epoch 后选择用 Adam 优化器。 I found that the model reaches a local minima faster when trained using Adam optimizer c
人工智能钢筋计数数据集(训练集201-300)
07-12
由于单个文件大小限制，完整数据集被拆分成多个。 本数据集共计包含569张VOC格式训练集标注图片和85张测试集未标注图片。 此部分为第201-300张训集图片，均为钢筋横截面图片，可用于钢筋计数算法开发工作。 参考博客链接可查看图片质量，可以参考后决定是否满足你的需要再下载。 https://blog.csdn.net/qq_41007606/article/details/125735761?spm=1001.2014.3001.5502
人工智能钢筋计数数据集(训练集101-200)
07-12
由于单个文件大小限制，完整数据集被拆分成多个。 本数据集共计包含569张VOC格式训练集标注图片和85张测试集未标注图片。 此部分为第101-200张训集图片，均为钢筋横截面图片，可用于钢筋计数算法开发工作。 参考博客链接可查看图片质量，可以参考后决定是否满足你的需要再下载。 https://blog.csdn.net/qq_41007606/article/details/125735761?spm=1001.2014.3001.5502
【实战】钢筋计数，目标检测模型接口部署 python
鱼大
02-22 2097
一、背景 推荐一个不错的博客的项目，钢筋点数。基于faster-rcnn模型的pytorch的接口部署。 说到接口部署，我们得了解它是一种什么方式，怎么应用起来就是一个问题。 我们使用过百度、腾讯、阿里的智能云服务时，大多数都是以API接口形式提供，通过接口，用户发送一张图片给API，api再返回去相应的内容，并告诉你如何解析。 二、接口实现要靠web框架 其实这并不难，我们的python web框架有很多，大家可以尝试tornado 、flask、以及Django。 三、模型部署时需要...
【精华】YOLOv6训练自己的数据集
LeeZhao的博客
07-12 3696
YOLOv6训练自己的数据集, 以Objects365为例
钢材计数数据集VOC+YOLO格式250张1类别
01-21
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：250 标注数量(xml文件个数)：250 标注数量(txt文件个数)：250 标注类别数：1 标注类别名称:["rebar"] 每个类别标注的框数： rebar 框数 = 30942 总框数：30942 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
[python]使用pyqt5搭建yolov8钢筋计数一次性钢材计数系统
FL1623863129的博客
01-21 1253
需要注意的是，Yolov8虽然是一种强大的目标检测模型，但在钢筋计数任务中可能仍然存在一些挑战。在钢筋计数任务中，Yolov8可以有效地识别和计数图像中的钢筋。为了提高模型的准确性，可以使用数据增强技术，如旋转、缩放和翻转等，来增加训练数据。数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)通过收集合适的数据集、训练模型、评估性能和调整参数，可以获得准确的钢筋计数结果，提高生产效率和质量。
opencv竹签计数
最新发布
03-12
<think>好的，用户想用OpenCV实现竹签计数。首先我需要回顾一下OpenCV中常用的物体计数方法，比如Blob检测、轮廓分析、霍夫变换等。根据之前的引用[1]，Blob Detection和轮廓分析被用于钢管计数，但结合深度学习效果更好。不过用户可能希望先用传统方法尝试。 首先，竹签的形状通常是细长的，可能排列比较密集。传统图像处理步骤一般是预处理、分割、检测。预处理可能需要灰度化、二值化、去噪。然后通过边缘检测或阈值处理来分割竹签。 考虑到竹签的细长形状，可能需要使用边缘检测，比如Canny，然后找轮廓或者用霍夫直线变换来检测每根竹签。不过如果竹签排列密集，可能会有粘连，这时候轮廓分析可能会合并多个竹签，导致计数不准。这时候可能需要形态学操作来分离物体，比如腐蚀膨胀。 另外，引用[1]中提到结合深度学习更好，但用户可能暂时不想用深度学习，所以需要尽量优化传统方法。可能需要测试不同的预处理参数，比如高斯模糊的核大小、阈值处理的参数，或者形态学操作的迭代次数。 示例代码方面，可能需要读取图像，转灰度，高斯模糊，Canny边缘检测，然后找轮廓，或者使用二值化后的图像进行轮廓分析。计数轮廓的数量，但要注意处理重叠的情况。或者使用HoughLinesP检测直线，统计直线数量作为竹签数量。 需要注意的是，如果竹签的末端比较圆，可能Blob检测会更有效，比如通过面积、圆度等参数过滤。或者如果竹签在图像中呈现为圆形截面，可能需要霍夫圆检测，但引用[1]提到Hough Circle用于钢管检测，钢管截面是圆形，但竹签可能截面较小，或者形状不同。 因此，可能的步骤是： 1. 图像预处理：转灰度，高斯模糊，二值化。 2. 形态学操作：开运算去除噪点，闭运算连接断裂部分。 3. 边缘检测或阈值处理得到二值图像。 4. 使用轮廓分析，找到所有轮廓，排除过小或过大的区域。 5. 统计轮廓数量作为竹签数目。 但实际中可能需要调整参数，比如二值化的阈值、形态学操作的核大小等。如果效果不好，可能需要尝试其他方法，比如霍夫直线检测，或者结合Blob检测的参数设置。 此外，引用[2]提到的run函数可能涉及深度学习模型，但用户目前可能不需要。不过可以提到如果传统方法效果不佳，可以考虑结合深度学习模型进行目标检测，比如YOLO等。 现在需要编写示例代码，可能使用轮廓分析的方法。需要注意可能遇到的问题，比如光照不均导致二值化效果差，或者竹签颜色与背景相近，这时可能需要调整颜色空间，比如使用HSV通道分离。 总之，步骤大致是预处理→分割→检测→计数。需要测试不同参数，并提供示例代码，并说明可能的优化方向。</think>以下是使用OpenCV实现竹签计数的基本方法和示例代码，主要基于轮廓分析技术： ### 一、实现步骤 1. **图像预处理** - 灰度化：将图像转换为单通道灰度图 - 高斯模糊：使用$5 \times 5$高斯核降噪 - 自适应阈值：处理光照不均问题$$ T(x,y) = \mu(x,y) - C $$ 其中$\mu$是局部均值，$C$为常数[^1] 2. **形态学操作** - 开运算：消除细小噪点 - 闭运算：填充孔洞，连接断裂区域 3. **目标检测** - Canny边缘检测：$$ \text{梯度幅值} = \sqrt{(G_x^2 + G_y^2)} $$ - 轮廓查找：使用层次轮廓分析 4. **过滤与计数** - 面积过滤：排除过小/过大区域 - 长宽比过滤：保留细长形状特征 ### 二、示例代码 ```python import cv2 import numpy as np def count_bamboo_sticks(img_path): # 读取图像 img = cv2.imread(img_path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 预处理 blurred = cv2.GaussianBlur(gray, (5, 5), 0) thresh = cv2.adaptiveThreshold(blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2) # 形态学操作 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3)) opened = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2) closed = cv2.morphologyEx(opened, cv2.MORPH_CLOSE, kernel, iterations=3) # 轮廓检测 contours, _ = cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 过滤条件 min_area = 50 max_area = 500 valid_contours = [] for cnt in contours: area = cv2.contourArea(cnt) if min_area < area < max_area: x,y,w,h = cv2.boundingRect(cnt) aspect_ratio = w/h if w > h else h/w if aspect_ratio > 3: # 细长特征 valid_contours.append(cnt) # 绘制结果 result = cv2.drawContours(img, valid_contours, -1, (0,255,0), 2) count = len(valid_contours) cv2.putText(result, f"Count: {count}", (10,30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0,0,255), 2) cv2.imshow("Result", result) cv2.waitKey(0) return count # 使用示例 count = count_bamboo_sticks("bamboo.jpg") print(f"检测到竹签数量：{count}") ``` ### 三、优化建议 1. **光照补偿**：使用CLAHE算法增强对比度 2. **颜色空间转换**：尝试HSV空间分离竹签颜色 3. **深度学习融合**：当传统方法失效时，可结合YOLO等目标检测模型[^2] 4. **三维重构**：对于堆叠场景，可尝试多视角成像
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

机器不学习我学习

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值