这个项目看起来是一个基于YOLO(You Only Look Once)算法的计算机视觉项目,专注于电路板(CB, Circuit Board)缺陷检测。以下是项目的概述:
项目名称
- CB Defect Detection YOLOB
最后更新
- 3个月前
标签
- 对象检测(Object Detection)
缺陷类别
项目中定义了6种不同类型的电路板缺陷:
- missing hole - 缺失孔
- mouse bite - 啮齿咬痕(通常指的是PCB边缘的小缺口)
- open circuit - 开路
- short - 短路
- spur - 毛刺
- spurious copper - 额外铜(不应存在的额外铜迹)
可能的工作流程
- 数据收集:收集包含上述缺陷类型的电路板图像。
- 标注:对图像中的缺陷进行标注,指定它们属于哪个类别。
- 模型训练:使用YOLOB或其他版本的YOLO算法训练模型来识别这些缺陷。
- 验证与测试:通过验证集和测试集评估模型性能。
- 部署:将训练好的模型部署到实际应用中,如生产线上的自动检测系统。
数据集介绍
这个信息提供了关于电路板缺陷检测项目的更多细节,包括数据集的格式、图像总数以及数据集分割和预处理的具体情况。以下是对这些信息的整理:
流行下载格式
- YOLOv9
- YOLOv8
- YOLOv5
- YOLOv7
- COCO JSON
- YOLO Darknet
- Pascal VOC XML
- TFRecord
- PaliGemma
- CreateML JSON
- 其他格式
数据集总览
- 总图像数:1297张
数据集分割
- 训练集:
- 占比:93%
- 图像数量:1211张
- 验证集:
- 占比:4%
- 图像数量:48张
- 测试集:
- 占比:3%
- 图像数量:38张
预处理
- 自动定向:已应用
- 调整大小:拉伸到640x640像素
数据增强
- 每个训练样本输出:3个
- 翻转:水平翻转、垂直翻转
这种设置表明项目已经准备好用于训练一个YOLO模型来检测电路板上的缺陷。通过将数据集划分为训练集、验证集和测试集,可以确保模型在训练过程中能够得到充分的训练,并且可以在未见过的数据上进行有效的评估。