从0梳理1场CV缺陷检测赛事！

↑↑↑关注后"星标"Datawhale

每日干货 & 每月组队学习，不错过

 Datawhale干货 

作者：江保祥，厦门大学

一、布匹缺陷检测比赛分析

1. 赛题背景

去年的广东工业大赛已入选到全球人工智能技术大赛热身赛，大赛聚焦布匹疵点智能检测，要求选手研究开发高效可靠的计算机视觉算法，提升布匹疵点检验的准确度，降低对大量人工的依赖，提升布样疵点质检的效果和效率。

比赛地址：https://tianchi.aliyun.com/competition/entrance/531864/introduction

2. 比赛要求

要求算法既要检测布匹是否包含疵点，又要给出疵点具体的位置和类别，既考察疵点检出能力、也考察疵点定位和分类能力。

3. 评估指标

赛题分数计算方式:0.2ACC+0.8mAP

ACC：是有瑕疵或无瑕疵的分类指标，考察瑕疵检出能力。

其中提交结果name字段中出现过的测试图片均认为有瑕疵，未出现的测试图片认为是无瑕疵。

mAP：参照PASCALVOC的评估标准计算瑕疵的mAP值。

4. 提交说明

平台采用了基于GPU计算资源的提交镜像的方式，将本地代码打包成镜像提交，推送至阿里云容器镜像仓库后，在天池提交页面中输入镜像地址、用户名和仓库密码。由比赛平台拉取镜像运行， 运行结束即可在成绩页面查询运行日志及评测结果。

二、比赛数据分析

1. 数据大小

数据大小 官方一共提供了9576张图片用于训练其中有瑕疵图片5913张，无瑕疵图片3663张 瑕疵类别共有34个类别，在最终提交结果上对一些相似类别进行了合并后，共分为15个瑕疵类别。图片尺寸：4096 * 1696。

2. 比赛难点

种类较多，且数据分布不均 缺陷形状具有极端的长宽比 图片尺寸较大，部分缺陷尺寸小，小目标问题。

三、快速实现比赛Baseline

完整代码已开源 或后台回复 缺陷检测 下载
开源地址：https://github.com/datawhalechina/team-learning-cv/tree/master/DefectDetection

视频讲解：https://www.bilibili.com/video/BV1dK4y1Q7dc

1. 开源框架选择

任务分析

此次任务是布匹瑕疵检测，首先考虑的应该是目标检测框架。当前目标检测主要分为one-stage和two-stage两种类型，以YOLO,SSD等框架为代表的one-stage速度快,以Faster-RCNN为代表的two-stage框架精度高。基于本次任务时间有限制在1小时内，因此采用单阶段YOLOV5的方案

环境配置

# pip install -U -r requirements.txt

#Output:
Cython
numpy==1.17
opencv-python
torch>=1.4