基于YOLO实践布匹缺陷检测

在缺陷检测领域中，越来越多看到AI的身影，路面缺陷、生产缺陷、PCB缺陷、瓶装酒缺陷检测等等，目标检测等模型发挥着越来越多的作用，像瓷砖缺陷和布匹缺陷这类平面类型的缺陷也不例外，最近做的项目中大多和这类型的数据有关系，今天抽时间基于YOLO来实践布匹缺陷检测。

首先看下效果：

这里我使用的是官方原生的项目，地址在这里，首页截图如下所示：

截至目前已经有超过34.1k的star量了，很出色的项目。

目前已经迭代更新到了7.0版本，全系也都支持图像分割了。

接下来看下数据集，如下所示：

这里为了清晰看下图像数据，随机可视化了几张如下所示：

全部缺陷类别如下所示：

'xiuyin', 'jiandong', 'houduan', 'houbaoduan', 'diaogong', 'diaowei', 'diaojing', 'huibian', 
        'jiama', 'qianjie', 'gongsha', 'zhashu', 'zhadong', 'zhasha', 'cashang', 'camao', 'cadong', 
        'mingqianxian', 'lengduan', 'maoban', 'maodong', 'maoli', 'wuzi', 'youzi', 'podong', 'pobian', 
        'cusha', 'jinsha', 'weicusha', 'xianyin', 'zhiru', 'zhixi', 'jingcusha', 'jingtiaohua', 'jiedong', 
        'quewei', 'weujing', 'erduo', 'zhengneyin', 'tiaohua', 'bianzhadong', 'bianbaiyin', 'bianquewei', 
        'bianquejing', 'bianzhenyan', 'huangzi'

模型这里使用的是轻量级的s系列的模型，yaml文件如下：

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 46  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

可以看到：这里一共有46种不同类别的缺陷种类。

启动训练，默认100次epoch迭代计算，输出如下：

数据量本身不大，最终训练的效果也没有很好，看下结果。

为了直观可视化推理，这里编写了对应的界面模块，如下：

上传图像：

推理检测

这是2023年的头第一篇博文，写的时候发现CSDN改版了，多多少少有些用不习惯吧，估计适应一段时间就好了，祝大家2023心想事成，身体健康！