YOLOX进行目标检测(东北大学钢材表面缺陷数据集)

YOLOX训练数据集(东北大学数据集)

参考博文添加链接描述

1. 版本配置

cuda:11.6     #nvidia-smi查看自己电脑支持的版本
Python:3.9
torch-1.12.0+cu116-cp39-cp39-win_amd64.whl #下载地址https://download.pytorch.org/whl/torch_stable.html
torchvision-0.13.0+cu116-cp39-cp39-win_amd64.whl #下载地址https://download.pytorch.org/whl/torch_stable.html

2.配置环境并验证

2.1 YOLOX源码下载地址

https://github.com/Megvii-BaseDetection/YOLOX

2.2 执行安装

pip install -r requirements.txt

~~~~~~~~~~~~~~~~~~~~~~
#为支持Python3.9修改requirements.txt的onnx版本
onnx==1.9.0

#执行安装
python setup.py install

#安装apex,下载地址
https://github.com/NVIDIA/apex

#下载完成后,解压后,在Shell里,进入到apex-master中执行安装命令
pip install -r requirements.txt   python setup.py install
 
#安装pycocotools
pip install pycocotools

#下载预训练模型放到根目录
https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_s.pth。

#验证环境,执行
python tools/demo.py image -f exps/default/yolox_s.py -c ./yolox_s.pth
--path assets/dog.jpg --conf 0.3 --nms 0.65 --tsize 640 --save_result --device gpu

​ 测试结果
在这里插入图片描述


3.制作数据集

3.1下载数据集

按照测试集,训练集,验证集2:1:1的比例进行创建

链接:https://pan.baidu.com/s/1BeLQswzExLJ1tQrlWBhUcA?pwd=x04j 
提取码:x04j

3.2转化为VOC2007数据集

新建data/VOCdevkit
将下载好的VOC2007数据集粘贴到此文件夹

4.训练自己的数据集


4.1 修改exps/example/yolox_voc/yolox_voc_s.py

  1. 本次使用的类别有6类,所以将num_classes修改为6。

修改num类别

  1. 修改文件路径,将data_dir修改为自己目录,删掉image_sets里面的2012

在这里插入图片描述

  1. 修改test路径,将data_dir修改为自己目录

在这里插入图片描述

4.2 打开yolox/data/datasets/voc_classes.py文件,修改为自己的类别名:

在这里插入图片描述

4.3 打开yolox/data/datasets/voc.py,去掉{}里的s,否则找不到文件路径

在这里插入图片描述

4.4 重新编译yolox

python setup.py install

4.5 命令行执行

python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 1 -b 4 --fp16  -c yolox_s.pth

4.6 采用train.py文件执行

#修改批处理大小为4
 parser.add_argument("-b", "--batch-size", type=int, default=4, help="batch size")
  
#修改设备数为1
parser.add_argument("-d", "--devices", default=1, type=int, help="device for training" )

#修改训练的模型声明文件
  parser.add_argument(
        "-f",
        "--exp_file",
        default='exps/example/yolox_voc/yolox_voc_s.py',
        type=str,
        help="plz input your experiment description file",
    )
  
 #上次训练的结果,继续训练和fine turning时填写check point路径
 parser.add_argument("-c", "--ckpt", default='yolox_s.pth', type=str, help="checkpoint file")
  
#训练时采用混合精度
parser.add_argument(
        "--fp16",
        dest="fp16",
        default=True,
        action="store_true",
        help="Adopting mix precision training.",
    )

若在训练过程中终止,继续训练

#将其修改为True
parser.add_argument(
     "--resume", default=True, action="store_true", help="resume training"
  )
  
#上次训练的结果
parser.add_argument(
"-c", "--ckpt", default='YOLOX_outputs/yolox_voc_s/best_ckpt.pth', type=str, help="checkpoint file"
)

#修为自己想要开始的轮数
parser.add_argument(
"-e",
"--start_epoch",
default=None,
type=int,
help="resume training start epoch",
)

5.测试

5.1 修改参数

# 在yolox/data/datasets/__init__.py中导入“VOC_CLASSES”
from.voc_classes import VOC_CLASSES

#修改tools/demo.py中代码,将“COCO_CLASSES”,改为“VOC_CLASSES”
from yolox.data.datasets import COCO_CLASSES,VOC_CLASSES

#将“306”行的Predictor类初始化传入的“COCO_CLASSES”改为“VOC_CLASSES”
  predictor = Predictor(
        model, exp, VOC_CLASSES, trt_file, decoder,
        args.device, args.fp16, args.legacy,
    )

5.2 命令行测试

#重新执行编译
python setup.py install

#命令行测试,在.assets文件夹下新建NEU文件夹,保存测试用例
python tools/demo.py image -f exps/example/yolox_voc/yolox_voc_s.py -c 
YOLOX_outputs/yolox_voc_s/latest_ckpt.pth --path ./assets/NEU --conf 0.3 --nms 0.65 --tsize 640 --save_result --device gpu

测试示例:

在这里插入图片描述

5.3 使用demo.py测试

#修改以下数据
parser.add_argument(
'-do', "--demo", default="image", help="demo type, eg. image, video and webcam"
)

#修改测试路径
parser.add_argument(
"--path", default="./assets/NEU", help="path to images or video"
)

#修改模型声明文件
parser.add_argument(
  "-f",
  "--exp_file",
  default="exps/example/yolox_voc/yolox_voc_s.py",
  type=str,
  help="please input your experiment description file",
)

#修改训练结果路径
parser.add_argument(
  "-c", "--ckpt", default="YOLOX_outputs/yolox_voc_s/best_ckpt.pth", 
type=str, help="ckpt for eval")

#修改设备为gpu
parser.add_argument(
  "--device",
  default="gpu",
  type=str,
  help="device to run our model, can either be cpu or gpu",
)

#保存路径
parser.add_argument(
    "--save_result",
    default='.YOLOX_outputs/yolox_voc_s/vis_res',
    action="store_true",
    help="whether to save the inference result of image/video",
)

#修改nms和tsize
parser.add_argument("--nms", default=0.45, type=float, help="test nms threshold")
parser.add_argument("--tsize", default=640, type=int, help="test img size")

6.保存测试结果

打开yolox/utils.visualize.py文件,修改vis方法

#新增result_list数组
result_list = []

#在color自变量前增加以下代码
class_name = class_names[cls_id]
one_line = (str(x0), str(y0), str(x1), str(y1), class_name, str(float(score)))
str_one_line = " ".join(one_line)
result_list.append(str_one_line)

#增加返回值
return img,result_list

修改demo.py方法

#修改visual函数
#当未找到时
if output is None:
	result_list=['NO MATCH!']
	return img,result_list
#增加返回值
vis_res,result_list = vis(img, bboxes, scores, cls, cls_conf, self.cls_names)
return vis_res,result_list

#在image_demo方法中修改
result_image,result_list = predictor.visual(outputs[0], img_info, predictor.confthre)
print(result_list)

#写入文本文档
 save_file_name = os.path.join(save_folder, os.path.basename(image_name))
 logger.info("Saving detection result in {}".format(save_file_name))
 txt_name = os.path.splitext(save_file_name)[0] + ".txt"
 print(txt_name)
 f = open(txt_name, "w")
 for line in result_list:
     f.write(str(line) + '\n')
 f.close()
 cv2.imwrite(save_file_name, result_image)

文本文档:
在这里插入图片描述


遇到的一些BUG

No module named 'tensorboard'
#更新pip,进行对应包的安装
python -m pip install --upgrade pip
pip install tensorboard

在这里插入图片描述

搜索data_num_workers变量,在yolox_base.py文件中将其修改为0,重新编译执行

在这里插入图片描述

  • 3
    点赞
  • 45
    收藏
    觉得还不错? 一键收藏
  • 8
    评论
### 回答1: 经过我的搜索,我找到了一篇使用Yolox对铝型材表面缺陷进行检测的相关文献。该文献的标题是《铝合金型材表面缺陷检测技术研究》(Research on Surface Defect Detection Technology of Aluminum Alloy Profiles),该文献是由北京工业大学的学者们共同撰写的。 在这篇文献中,作者们提出了一种基于Yolox深度学习算法的铝型材表面缺陷检测方法。该方法首先通过对铝型材表面进行图像采集和处理,将铝型材表面缺陷部位和正常部位分别提取出来。然后,利用Yolox深度学习算法对铝型材表面进行目标检测,最终实现对铝型材表面缺陷的精准检测。 该文献的研究结果表明,使用Yolox算法进行铝型材表面缺陷检测具有较高的检测精度和稳定性,可以有效提高铝型材表面缺陷检测的效率和准确性,具有一定的实用价值和推广应用前景。 ### 回答2: 目前,针对铝型材表面缺陷检测的研究,可以参考一篇名为《基于YoloX的铝型材表面缺陷检测方法研究》的文献。 该文献主要研究了如何利用YoloX算法来进行铝型材表面缺陷的自动化检测。YoloX是近年来非常流行的目标检测算法,具有高精度和实时性的特点,适用于各种复杂场景下的目标检测任务。 在该研究中,研究者首先收集了大量的铝型材表面图像样本,并使用图像处理技术对图像进行预处理,以提取出具有代表性的特征。然后,他们基于YoloX算法对铝型材表面进行目标检测,识别出缺陷区域。 为了提高检测的准确度,研究者还对YoloX算法进行了优化。他们通过调整YoloX的网络结构和超参数,提高了模型的性能。此外,他们还对模型进行了训练和优化,以提高其在铝型材表面缺陷检测任务中的表现。 实验结果表明,该方法在铝型材表面缺陷检测方面具有很高的准确率和鲁棒性。与传统的人工检测方法相比,该方法不仅能够大大提高检测效率,还能够降低运营成本和人力负担。 综上所述,使用YoloX进行铝型材表面缺陷检测已成为一种非常有效的方法。这种方法不仅检测准确率高,而且可以在实时性要求较高的生产环境中进行自动化检测,有着广泛的应用前景。 ### 回答3: 目前,在铝型材表面缺陷检测方面,已经有相关的研究使用了基于深度学习目标检测算法Yolox。Yolox是一种高效的实时目标检测器,它结合了Yolo算法和EfficientDet算法的优点,具有更快的检测速度和更高的准确率。 其中,有一篇论文《基于Yolox的铝型材表面缺陷检测研究》,作者通过收集大量的铝型材表面缺陷图像数据集,并使用Yolox算法进行训练和测试。他们将铝型材表面缺陷分为凹陷、划痕、氧化等不同类型,并在数据集进行了标注。然后,他们使用Yolox算法对标注的数据集进行训练,并在测试集上进行了验证。 研究结果表明,Yolox算法在铝型材表面缺陷检测方面取得了很好的效果。通过使用Yolox进行目标检测,能够准确地检测出铝型材表面缺陷,并且具有较高的检测速度。此外,Yolox还具有较强的泛化能力,能够适应不同类型和尺寸的铝型材表面缺陷。 这篇论文的研究为铝型材表面缺陷的自动检测提供了一种新的解决方案,为实际工程应用提供了重要参考。研究者还提出了一些改进的方向,如进一步优化算法的准确率和检测速度,应用于实际生产中的在线检测等。这表明Yolox算法在铝型材表面缺陷检测领域有着广阔的发展前景。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值