布匹瑕疵检测实践大全，基于yolov5全系列模型[n/s/m/l/x]开发构建布匹瑕疵检测模型，对比分析各个模型性能差异

布匹瑕疵检测在我之前的文章中已经有过实践记录了，这里就不在赘述了，本文的核心目标是为了基于yolov5全系列的各个模块分别开发构建布匹瑕疵检测模型，之后通过对比分析结果数据来分析不同模块之间的差异。

首先看下效果图：

简单看下数据集：

 YOLO格式标注文件如下：

 VOC格式标注文件如下：

 随机划分数据集，五款模型保持在完全相同的条件下进行实验，默认都是100次epoch计算，接下来看结果：

【yolov5n】

 【yolov5s】

【yolov5m】

 【yolov5l】

 【yolov5x】

 肉眼可见的性能提升，从n系列开始到m系列的变化比较明显，之后就比较缓慢了，很少用x这种这么大的模型，因为训练成本是很大的。

接下来，我们来直观地进行模型间的对比，绘制各种曲线。

首先是F1值曲线：

 接下来是Precision曲线：

 之后是Recall曲线：

 最后是loss曲线：

 不难看出：x模型在性能上是独一档的存在，不过大模型大参数也有缺点，最直接的就是时耗较大，对设备算力要求较高，这个在实际生产场景中还是选择最适合自己业务需求的模型即可，不需要一味地追求高精度或者是高速度。