基于轻量级yolov5n开发构建涵洞场景下洞体墙体缺陷病害检测分割系统

在前文：

《AI助力隧道等洞体类场景下水泥基建缺陷检测，基于DeeplabV3Plus开发构建洞体场景下壁体建筑缺陷分割系统》

我们基于DeepLabv3Plus尝试构建了洞体类建筑缺损病害问题分割系统，本文的核心思想是想要基于yolo这一经典的模型来开发构建洞体墙体建筑缺陷检测分割系统。首先看下效果图：

本文选择的是最为轻量级的n系列的模型来开发训练分割模型，n系列模型详情结构如下所示：

简单看下数据集：
 

实例标注数据如下所示：

模型文件如下所示：

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 10  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.25  # 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, Segment, [nc, anchors, 32, 256]],  # Detect(P3, P4, P5)
  ]

默认设定100次的epoch 训练计算，看下结果详情：
数据可视化如下：

混淆矩阵如下：

F1值曲线如下所示：

精确率曲线如下所示：

召回率曲线如下所示：

PR曲线如下所示：

训练指标可视化如下所示：

batch计算实例如下所示：

可以看到轻量级的n系列的模型已经有不俗的表现了，后面会再尝试下其他参数量级的模型。