基于YOLOv5s的纸板缺陷检测(附数据集与Coovally操作步骤)

本文内容:以纸板缺陷检测为例操作的整个过程，从创建数据集到训练模型再到预测结果每个步骤进行可视化操作与分析。

文末有数据集获取方式，请先看检测效果

• 现状

物流行业快速发展，对于网购的需求不断增大，随之而来的就是纸板制造质量问题。纸板生产过程中不免存在破损、划痕、起泡等缺陷。传统的检测方式主要依赖于人眼观察，这种方式很可能造成漏检、错检等情况，而且效率低。结合YOLO算法进行纸板缺陷检测，不仅能够在短时间内完成大量纸板的检测任务，并且准确识别出各种缺陷，提高纸板质量合格率，减少人力成本。

• 数据集来源

公开数据集。数据集中共包含1056张纸板破损的照片，用于检测纸板破损情况。

• 操作步骤与结果分析

1. 创建数据集：点击创建数据集，填入基本信息，上传图片数据压缩包和标签文件；

2.模型训练：选择任务类型、模型算法以及实验参数；

还可以点击增强算法，进行图像增强；

3.任务训练结束后，可查看任务是否成功及训练成功的指标数；

在数据详情中能了解到数据集和标签的具体信息；

还能看到标签类别与真实标签、预测标签的数量，以及精确率和召回率等信息；

4.模型转换：Coovally平台支持云边端转换，可转换成onnx、TensorRT格式；

5.模型部署：模型部署完成后即可上传图片，进行预测；

图片1预测结果

图片2预测结果

图片3预测结果

6.模型下载与分享：用户可根据自己的需求在Coovally平台进行下载和分享；

Coovally平台还有很多工具可以帮助建模，譬如转换工具，可以进行多种类型的标签相互转换。而且当你在上传数据集时，系统自动根据数据集格式，生成另外两种标签格式，如上传COCO格式的数据集，则系统自动生成VOC、YOLO格式的标签；或点击工具按钮进入详情页面，点击转换工具，可进行：VOC<->COCO、 VOC<->YOLO、VOC<->labelme、COCO <-> YOLO、COCO<->labelme(<->:双向转换符）。

本次训练得到的YOLOv5s模型在数据集上表现良好，能够在实际的纸板缺陷检测场景中应用。感兴趣的朋友可以私信我获取数据集。

此外，Coovally是一个AI项目开发与应用平台，能够通过数据集上传来构建相应模型，支持140+原生预训练深度学习模型与自研算法模型。操作简单快捷。关注我获得更多Coovally详情，期待您参与并体验Coovally平台。

官网点击：Coovally