基于yolov5-v7.0开发构建银行卡号实例分割检测识别分析系统

本文链接：https://blog.csdn.net/Together_CZ/article/details/128692506

在之前的文章中我们已经做了很多基于yolov5完成实例分割的项目，感兴趣的话可以自行移步阅读：

《基于YOLOv5-v7.0的药片污染、缺损裂痕实例分割检测识别分析系统》

《基于yolov5-v7.0开发构建裸土实例分割检测识别模型》

《基于yolov5-v7.0开发实践实例分割模型超详细教程》

《基于yolov5-v7.0开发构建工业机械齿轮瑕疵实例分割检测识别分析系统》

《基于yolov5-v7.0开发构建汽车车损实例分割检测识别分析系统》

本文主要的目的就是基于官方的v7.0分支的模型来开发构建银行卡号分割检测识别系统。这里不仅精确分割得到了银行卡号的区域，而且进行了精确的面积计算。话不多说，首先来看效果图：

简单看下数据情况：

数据标注如下所示：

实例标注内容如下所示：

0 0.23255813953488372 0.5509761388286334 0.8588039867109635 0.5227765726681128 0.8621262458471761 0.6008676789587852 0.23421926910299004 0.6290672451193059

这里一共只有一个目标对象：

bankcardnum

在data目录下新建self.yaml文件，内容如下:

#Dataset
path: ./datasets/bankcardnum-seg  
train: images/train 
val: images/train  
test:  images/train 



# Classes
names:
  0: bankcardnum

模型yaml文件如下：

#Parameters
nc: 1  # 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
 
 
#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
  ]
 
 
#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)
  ]

这里是基于s系列模型开发构建自己的应用的，主要就是修改nc符合自己的数据集类别即可。

默认执行100次的迭代计算，日志输出如下所示：