本文介绍了基于yolov5的工业缺陷检测方案，通过离线切图处理大尺寸图像，实现训练和预测的高效。在瓷砖瑕疵检测比赛中，采用yolov5l模型，经过30个epoch的训练，在单卡RTX 2070s上进行640x640滑动窗口预测，平均一张图耗时不到3秒，取得了较好的线上排名。文章探讨了切图策略、训练验证和预测优化，强调了yolov5在速度与精度平衡上的优势。
↑↑↑关注后"星标"Datawhale
每日干货 & 每月组队学习，不错过
Datawhale干货
作者：limzero，西安交通大学，Datawhale原创作者
比赛介绍
工业缺陷检测是当前深度学习落地的热门项目，其中瓷砖生产过程中的“质量检测环节”需要检测出瓷砖表面的瑕疵，目前比较依赖于人工，效果和效率都层次不齐。
最近天池上线的广东工业赛事针对瓷砖表面瑕疵进行智能检测，要求选手们相应的算法，尽可能快与准确的给出瓷砖疵点具体的位置和类别，主要考察疵点的定位和分类能力。
在本篇文章中，主要为大家介绍选择yolov5作为基线的方案，供大家参考。
基于yolov5的方案
线上结果:
切成 640x640 滑动窗口预测，耗时<1.5 h, 平均一张图<3s! 线上
最低0.47元/天 解锁文章
扫一扫
606
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
