电子元件缺陷检测检测系统源码分享
[一条龙教学YOLOV8标注好的数据集一键训练_70+全套改进创新点发刊_Web前端展示]
1.研究背景与意义
项目参考AAAI Association for the Advancement of Artificial Intelligence
项目来源AACV Association for the Advancement of Computer Vision
研究背景与意义
随着电子技术的迅猛发展,电子元件的广泛应用使得其质量控制成为制造业中的一项重要任务。电子元件的缺陷不仅会影响产品的性能和可靠性,还可能导致严重的安全隐患。因此,如何高效、准确地检测电子元件的缺陷,成为了行业内亟待解决的问题。传统的人工检测方法由于依赖于人工经验,往往面临效率低、准确性差等问题,难以满足现代制造业对质量控制的高要求。因此,基于计算机视觉和深度学习的自动化检测系统逐渐成为研究的热点。
YOLO(You Only Look Once)系列模型因其在实时目标检测中的优越性能而受到广泛关注。YOLOv8作为该系列的最新版本,具备更高的检测精度和更快的处理速度,适合于实时监控和缺陷检测的应用场景。然而,针对电子元件的缺陷检测,YOLOv8模型仍需进行一定的改进,以适应特定的检测需求和数据特征。本研究旨在基于改进的YOLOv8模型,构建一个高效的电子元件缺陷检测系统,以提升检测的准确性和效率。
本研究所使用的数据集包含2300张图像,涵盖了四类电子元件:表面贴装电容器(Capacitor_SMD)、插装电容器(Capacitor_THT)、表面贴装电阻器(Resistor_SMD)和插装电阻器(Resistor_THT)。这些类别的选择不仅反映了电子元件的多样性,也代表了在实际生产中常见的缺陷类型。通过对这些数据的深入分析和处理,研究将重点关注如何提高模型在不同类别元件上的检测性能,尤其是在复杂背景和光照条件下的表现。
改进YOLOv8模型的研究意义在于,不仅可以提升电子元件缺陷检测的准确性,还能够实现更高的检测速度,从而满足现代生产线对实时监控的需求。此外,自动化检测系统的应用将大幅降低人工成本,提高生产效率,为企业带来更大的经济效益。同时,该系统的成功应用也将为其他领域的缺陷检测提供借鉴,推动计算机视觉技术在工业自动化中的广泛应用。
综上所述,基于改进YOLOv8的电子元件缺陷检测系统的研究,不仅具有重要的理论意义,也具有广泛的实际应用价值。通过深入探索和解决当前检测技术中的难点问题,本研究将为电子制造行业的质量控制提供新的思路和方法,助力实现智能制造的目标。
2.图片演示
注意:由于此博客编辑较早,上面“2.图片演示”和“3.视频演示”展示的系统图片或者视频可能为老版本,新版本在老版本的基础上升级如下:(实际效果以升级的新版本为准)
(1)适配了YOLOV8的“目标检测”模型和“实例分割”模型,通过加载相应的权重(.pt)文件即可自适应加载模型。
(2)支持“图片识别”、“视频识别”、“摄像头实时识别”三种识别模式。
(3)支持“图片识别”、“视频识别”、“摄像头实时识别”三种识别结果保存导出,解决手动导出(容易卡顿出现爆内存)存在的问题,识别完自动保存结果并导出到tempDir中。
(4)支持Web前端系统中的标题、背景图等自定义修改,后面提供修改教程。
另外本项目提供训练的数据集和训练教程,暂不提供权重文件(best.pt),需要您按照教程进行训练后实现图片演示和Web前端界面演示的效果。
3.视频演示
4.数据集信息展示
4.1 本项目数据集详细数据(类别数&类别名)
nc: 4
names: [‘Capacitor_SMD’, ‘Capacitor_THT’, ‘Resistor_SMD’, ‘Resistor_THT’]
4.2 本项目数据集信息介绍
数据集信息展示
在现代电子制造业中,确保产品质量至关重要。为此,开发一个高效的电子元件缺陷检测系统显得尤为重要。本研究所采用的数据集名为“inspection PCB”,该数据集专门用于训练和改进YOLOv8模型,以实现对电子元件的精准检测和缺陷识别。数据集的设计旨在涵盖多种常见的电子元件类型,确保模型在实际应用中的广泛适用性和高效性。
“inspection PCB”数据集包含四个主要类别,分别是:表面贴装电容器(Capacitor_SMD)、插装电容器(Capacitor_THT)、表面贴装电阻器(Resistor_SMD)和插装电阻器(Resistor_THT)。这些类别的选择反映了现代电路板上最常见的电子元件类型,涵盖了从消费电子到工业设备中广泛使用的关键组件。每个类别都具有独特的物理特征和潜在的缺陷类型,因此在数据集的构建过程中,确保每个类别的样本具有足够的多样性和代表性是至关重要的。
在数据集的构建过程中,研究团队收集了大量的图像数据,这些图像涵盖了不同的拍摄角度、光照条件和背景环境。这种多样性不仅提高了模型的鲁棒性,还增强了其在实际应用中的适应能力。每个类别的图像均经过精心标注,确保模型能够准确识别出每种电子元件及其可能存在的缺陷。这些缺陷可能包括焊接不良、元件错位、表面污染等,都是影响电子产品性能和可靠性的关键因素。
为了提高模型的训练效果,数据集还包含了多种数据增强技术的应用。这些技术包括随机裁剪、旋转、亮度调整等,旨在增加训练样本的多样性,防止模型过拟合。通过这些手段,研究团队希望能够训练出一个具有较强泛化能力的YOLOv8模型,使其能够在不同的生产环境中准确识别和分类电子元件。
在模型训练过程中,数据集的质量和多样性直接影响到最终检测系统的性能。因此,研究团队在数据集的构建和标注过程中,严格遵循数据科学的最佳实践,确保每个样本的准确性和一致性。此外,数据集的设计还考虑到了未来的扩展性,研究团队计划在后续的工作中,逐步增加更多类别的电子元件和缺陷类型,以进一步提升检测系统的全面性和实用性。
总之,“inspection PCB”数据集为改进YOLOv8的电子元件缺陷检测系统提供了坚实的基础。通过精心设计的类别结构和丰富的样本数据,该数据集不仅能够有效支持模型的训练,还为后续的研究和应用奠定了良好的基础。随着电子产品的不断发展和市场需求的变化,持续优化和扩展数据集将是未来研究的重要方向。
5.全套项目环境部署视频教程(零基础手把手教学)
5.2 安装Python虚拟环境创建和依赖库安装视频教程链接(零基础手把手教学)
6.手把手YOLOV8训练视频教程(零基础小白有手就能学会)
6.1 手把手YOLOV8训练视频教程(零基础小白有手就能学会)
7.70+种全套YOLOV8创新点代码加载调参视频教程(一键加载写好的改进模型的配置文件)
7.1 70+种全套YOLOV8创新点代码加载调参视频教程(一键加载写好的改进模型的配置文件)
8.70+种全套YOLOV8创新点原理讲解(非科班也可以轻松写刊发刊,V10版本正在科研待更新)
由于篇幅限制,每个创新点的具体原理讲解就不一一展开,具体见下列网址中的创新点对应子项目的技术原理博客网址【Blog】:
9.系统功能展示(检测对象为举例,实际内容以本项目数据集为准)
图9.1.系统支持检测结果表格显示
图9.2.系统支持置信度和IOU阈值手动调节
图9.3.系统支持自定义加载权重文件best.pt(需要你通过步骤5中训练获得)
图9.4.系统支持摄像头实时识别
图9.5.系统支持图片识别
图9.6.系统支持视频识别
图9.7.系统支持识别结果文件自动保存
图9.8.系统支持Excel导出检测结果数据
10.原始YOLOV8算法原理
原始YOLOv8算法原理
YOLOv8作为目标检测领域的最新代表,延续了YOLO系列算法的优良传统,同时在多个方面进行了创新和优化。其核心结构由输入层、主干网络、颈部网络和头部网络构成,形成了一个高效且灵活的目标检测框架。通过对输入图像进行缩放处理,YOLOv8能够适应不同的输入尺寸需求,从而为后续的特征提取和目标检测奠定基础。
在主干网络部分,YOLOv8采用了卷积操作进行特征的下采样,利用批归一化和SiLUR激活函数增强了特征提取的能力。值得注意的是,YOLOv8引入了C2f模块,这一模块在YOLOv5的C3模块基础上进行了改进,结合了YOLOv7中的ELAN结构,通过跨层分支连接来增强模型的梯度流。这种设计不仅提高了特征提取的效率,还在轻量化的基础上丰富了模型的梯度信息,使得YOLOv8在目标检测任务中表现出色。
在主干网络的末尾,YOLOv8引入了SPPFl模块,通过三个最大池化层处理多尺度特征,从而提升了网络的特征抽象能力。这一设计使得YOLOv8能够更好地应对不同尺寸目标的检测任务,增强了模型的适应性和鲁棒性。
颈部网络则利用了PAN-FPN结构来融合不同尺度的特征图信息。PAN结构的引入,使得YOLOv8能够有效地结合来自主干网络的多层特征,从而在目标检测过程中更好地捕捉到目标的细节信息。这一部分的设计对于提升检测精度和召回率至关重要,因为它确保了模型能够综合考虑多层次的特征信息。
YOLOv8的头部网络采用了解耦合的检测头结构,将分类和检测任务分离开来。这样的设计不仅提升了模型的推理速度,还提高了分类和回归的精度。YOLOv8的检测头通过两个并行的卷积分支分别计算回归和类别的损失,这种解耦合的方式使得模型在处理复杂场景时,能够更为精准地进行目标定位和分类。
在损失计算方面,YOLOv8采用了BCELoss作为分类损失,DFLLoss和CIoULoss作为回归损失。这种多样化的损失函数设计,进一步增强了模型在训练过程中的稳定性和收敛速度。通过动态Task-Aligned Assigner样本分配策略,YOLOv8在训练阶段能够更有效地利用数据,从而提升了模型的泛化能力。
值得一提的是,YOLOv8在模型的设置上提供了多种选择,包括n、s、m、l、x五种不同尺度的模型。每种模型在深度、宽度和特征图的通道数上都有所不同,用户可以根据具体应用场景的需求,选择最合适的模型。这种灵活性使得YOLOv8能够广泛应用于各类目标检测任务中,从而满足不同场景的需求。
综上所述,YOLOv8通过对主干网络、颈部网络和头部网络的精心设计与优化,形成了一个高效、精准的目标检测框架。其创新的C2f模块、解耦合的检测头结构以及多样化的损失函数设计,使得YOLOv8在目标检测领域中具备了更快的推理速度和更高的检测精度。这些特性使得YOLOv8不仅在学术界受到广泛关注,也在工业界得到了广泛应用,成为了目标检测任务中的一项重要工具。
11.项目核心源码讲解(再也不用担心看不懂代码逻辑)
11.1 code\ultralytics\models\yolo\segment\predict.py
以下是对代码的核心部分进行提炼和详细注释的结果:
# 导入必要的模块和类
from ultralytics.engine.results import Results
from ultralytics.models.yolo.detect.predict import DetectionPredictor
from ultralytics.utils import DEFAULT_CFG, ops
class SegmentationPredictor(DetectionPredictor):
"""
SegmentationPredictor类,继承自DetectionPredictor类,用于基于分割模型的预测。
"""
def __init__(self, cfg=DEFAULT_CFG, overrides=None, _callbacks=None):
"""
初始化SegmentationPredictor,设置配置、覆盖参数和回调函数。
参数:
- cfg: 配置文件,默认为DEFAULT_CFG
- overrides: 覆盖配置的参数
- _callbacks: 回调函数
"""
super().__init__(cfg, overrides, _callbacks) # 调用父类构造函数
self.args.task = "segment" # 设置任务类型为分割
def postprocess(self, preds, img, orig_imgs):
"""
对每个输入图像的预测结果进行后处理,包括非极大值抑制和掩膜处理。
参数:
- preds: 模型的预测结果
- img: 输入图像
- orig_imgs: 原始输入图像
返回:
- results: 处理后的结果列表
"""
# 应用非极大值抑制,过滤掉冗余的检测框
p = ops.non_max_suppression(
preds[0], # 预测框
self.args.conf, # 置信度阈值
self.args.iou, # IOU阈值
agnostic=self.args.agnostic_nms, # 是否使用类别无关的NMS
max_det=self.args.max_det, # 最大检测框数量
nc=len(self.model.names), # 类别数量
classes=self.args.classes, # 指定的类别
)
# 如果输入图像不是列表,则将其转换为numpy数组
if not isinstance(orig_imgs, list):
orig_imgs = ops.convert_torch2numpy_batch(orig_imgs)
results = [] # 初始化结果列表
proto = preds[1][-1] if len(preds[1]) == 3 else preds[1] # 获取掩膜原型
# 遍历每个预测结果
for i, pred in enumerate(p):
orig_img = orig_imgs[i] # 获取原始图像
img_path = self.batch[0][i] # 获取图像路径
if not len(pred): # 如果没有检测到框
masks = None # 掩膜设置为None
elif self.args.retina_masks: # 如果使用Retina掩膜
# 对预测框进行缩放
pred[:, :4] = ops.scale_boxes(img.shape[2:], pred[:, :4], orig_img.shape)
# 处理掩膜
masks = ops.process_mask_native(proto[i], pred[:, 6:], pred[:, :4], orig_img.shape[:2]) # HWC
else: # 否则使用普通掩膜处理
masks = ops.process_mask(proto[i], pred[:, 6:], pred[:, :4], img.shape[2:], upsample=True) # HWC
# 对预测框进行缩放
pred[:, :4] = ops.scale_boxes(img.shape[2:], pred[:, :4], orig_img.shape)
# 将结果添加到结果列表中
results.append(Results(orig_img, path=img_path, names=self.model.names, boxes=pred[:, :6], masks=masks))
return results # 返回处理后的结果列表
代码核心部分说明:
- 类定义:
SegmentationPredictor
类用于图像分割任务,继承自DetectionPredictor
类。 - 初始化方法:在构造函数中设置任务类型为分割,并调用父类的构造函数进行初始化。
- 后处理方法:
postprocess
方法负责对模型的预测结果进行后处理,包括非极大值抑制、掩膜处理和结果的组织。处理后的结果以Results
对象的形式返回,包含原始图像、路径、类别名称、检测框和掩膜信息。
这个文件是一个用于YOLO(You Only Look Once)模型的分割预测的实现,具体是Ultralytics YOLO框架中的一部分。文件中定义了一个名为SegmentationPredictor
的类,它继承自DetectionPredictor
类,主要用于基于分割模型进行预测。
在类的文档字符串中,给出了一个使用示例,展示了如何导入该类并进行实例化以及调用预测功能。示例中,用户可以通过传入模型文件和数据源来创建SegmentationPredictor
的实例,并使用predict_cli()
方法进行预测。
构造函数__init__
用于初始化SegmentationPredictor
,它接受配置参数、覆盖参数和回调函数。通过调用父类的构造函数,设置了一些基本的配置,并将任务类型指定为“segment”,表示这是一个分割任务。
postprocess
方法是该类的核心功能之一,它负责对模型的预测结果进行后处理。具体来说,该方法首先应用非极大值抑制(Non-Maximum Suppression, NMS)来过滤掉冗余的检测框,确保每个目标只保留一个最佳框。接着,方法会检查输入的原始图像是否为列表,如果不是,则将其转换为NumPy数组格式。
在处理每个预测结果时,方法会根据预测的内容和设置的参数,生成相应的掩膜(masks)。如果没有检测到目标,掩膜将设置为None
。如果启用了retina_masks
选项,方法会使用不同的处理方式来生成掩膜。最终,所有的结果都会被封装成Results
对象,包含原始图像、路径、类别名称、检测框和掩膜等信息,并将这些结果以列表的形式返回。
总的来说,这个文件的主要功能是为YOLO模型的分割任务提供预测和后处理的实现,确保用户能够方便地使用该模型进行图像分割。
11.2 ui.py
import sys
import subprocess
def run_script(script_path):
"""
使用当前 Python 环境运行指定的脚本。
Args:
script_path (str): 要运行的脚本路径
Returns:
None
"""
# 获取当前 Python 解释器的路径
python_path = sys.executable
# 构建运行命令
command = f'"{python_path}" -m streamlit run "{script_path}"'
# 执行命令
result = subprocess.run(command, shell=True)
if result.returncode != 0:
print("脚本运行出错。")
# 实例化并运行应用
if __name__ == "__main__":
# 指定您的脚本路径
script_path = "web.py" # 这里可以直接指定脚本名称
# 运行脚本
run_script(script_path)
代码注释说明:
-
导入模块:
import sys
:导入 sys 模块,以便获取当前 Python 解释器的路径。import subprocess
:导入 subprocess 模块,用于执行外部命令。
-
定义函数
run_script
:- 该函数接受一个参数
script_path
,表示要运行的 Python 脚本的路径。 - 函数内部首先获取当前 Python 解释器的路径(
sys.executable
),然后构建一个命令字符串,用于运行指定的脚本。
- 该函数接受一个参数
-
构建命令:
- 使用 f-string 格式化命令,调用
streamlit
模块来运行指定的脚本。
- 使用 f-string 格式化命令,调用
-
执行命令:
- 使用
subprocess.run
方法执行构建的命令,并通过shell=True
选项允许在 shell 中执行。 - 检查命令的返回码,如果不为 0,表示脚本运行出错,打印错误信息。
- 使用
-
主程序入口:
- 使用
if __name__ == "__main__":
确保只有在直接运行该脚本时才会执行以下代码。 - 指定要运行的脚本路径(这里直接使用
"web.py"
)。 - 调用
run_script
函数,传入脚本路径以执行该脚本。
- 使用
这个程序文件的主要功能是使用当前的 Python 环境来运行一个指定的脚本,具体来说是运行一个名为 web.py
的脚本。程序首先导入了必要的模块,包括 sys
、os
和 subprocess
,这些模块分别用于处理系统相关的功能、文件路径操作和执行外部命令。
在 run_script
函数中,首先获取当前 Python 解释器的路径,这通过 sys.executable
实现。接着,构建一个命令字符串,该命令使用 streamlit
模块来运行指定的脚本。这里使用了 Python 的 -m
选项来指定模块,后面跟上要运行的脚本路径。
随后,程序使用 subprocess.run
方法来执行构建好的命令。这个方法会在一个新的 shell 中运行命令,并等待其完成。执行完命令后,程序检查返回码,如果返回码不为零,说明脚本运行出错,此时会打印出错误信息。
在文件的最后部分,程序通过 if __name__ == "__main__":
这一条件判断来确保只有在直接运行该文件时才会执行后面的代码。在这里,指定了要运行的脚本路径为 web.py
,并调用 run_script
函数来执行该脚本。
总体来说,这个程序提供了一种简单的方式来运行一个特定的 Python 脚本,并且能够处理运行过程中的错误。
11.3 code\ultralytics\data\augment.py
以下是代码中最核心的部分,并附上详细的中文注释:
class BaseTransform:
"""
图像变换的基类。
这是一个通用的变换类,可以扩展以满足特定的图像处理需求。
该类旨在与分类和语义分割任务兼容。
方法:
__init__: 初始化 BaseTransform 对象。
apply_image: 对标签应用图像变换。
apply_instances: 对标签中的对象实例应用变换。
apply_semantic: 对图像应用语义分割。
__call__: 对图像、实例和语义掩码应用所有标签变换。
"""
def __init__(self) -> None:
"""初始化 BaseTransform 对象。"""
pass
def apply_image(self, labels):
"""对标签应用图像变换。"""
pass
def apply_instances(self, labels):
"""对标签中的对象实例应用变换。"""
pass
def apply_semantic(self, labels):
"""对图像应用语义分割。"""
pass
def __call__(self, labels):
"""对图像、实例和语义掩码应用所有标签变换。"""
self.apply_image(labels)
self.apply_instances(labels)
self.apply_semantic(labels)
class Mosaic(BaseMixTransform):
"""
Mosaic 增强。
该类通过将多个(4 或 9)张图像组合成一张马赛克图像来执行马赛克增强。
增强以给定的概率应用于数据集。
属性:
dataset: 应用马赛克增强的数据集。
imgsz (int, optional): 单张图像马赛克管道后的图像大小(高度和宽度)。默认为 640。
p (float, optional): 应用马赛克增强的概率。必须在 0-1 范围内。默认为 1.0。
n (int, optional): 网格大小,4(2x2)或 9(3x3)。
"""
def __init__(self, dataset, imgsz=640, p=1.0, n=4):
"""初始化对象,传入数据集、图像大小、概率和边界。"""
assert 0 <= p <= 1.0, f"概率应在 [0, 1] 范围内,但得到 {p}。"
assert n in (4, 9), "网格必须等于 4 或 9。"
super().__init__(dataset=dataset, p=p)
self.dataset = dataset
self.imgsz = imgsz
self.border = (-imgsz // 2, -imgsz // 2) # 宽度,高度
self.n = n
def get_indexes(self, buffer=True):
"""返回数据集中随机索引的列表。"""
if buffer: # 从缓冲区选择图像
return random.choices(list(self.dataset.buffer), k=self.n - 1)
else: # 选择任意图像
return [random.randint(0, len(self.dataset) - 1) for _ in range(self.n - 1)]
def _mix_transform(self, labels):
"""对标签字典应用 MixUp 或 Mosaic 增强。"""
assert labels.get("rect_shape", None) is None, "rect 和 mosaic 是互斥的。"
assert len(labels.get("mix_labels", [])), "没有其他图像用于马赛克增强。"
return (
self._mosaic3(labels) if self.n == 3 else self._mosaic4(labels) if self.n == 4 else self._mosaic9(labels)
)
def _mosaic4(self, labels):
"""创建 2x2 图像马赛克。"""
mosaic_labels = []
s = self.imgsz
yc, xc = (int(random.uniform(-x, 2 * s + x)) for x in self.border) # 马赛克中心 x, y
for i in range(4):
labels_patch = labels if i == 0 else labels["mix_labels"][i - 1]
img = labels_patch["img"]
h, w = labels_patch.pop("resized_shape")
# 将图像放置在 img4 中
if i == 0: # 左上角
img4 = np.full((s * 2, s * 2, img.shape[2]), 114, dtype=np.uint8) # 基础图像,包含 4 个图块
x1a, y1a, x2a, y2a = max(xc - w, 0), max(yc - h, 0), xc, yc # xmin, ymin, xmax, ymax(大图像)
x1b, y1b, x2b, y2b = w - (x2a - x1a), h - (y2a - y1a), w, h # xmin, ymin, xmax, ymax(小图像)
elif i == 1: # 右上角
x1a, y1a, x2a, y2a = xc, max(yc - h, 0), min(xc + w, s * 2), yc
x1b, y1b, x2b, y2b = 0, h - (y2a - y1a), min(w, x2a - x1a), h
elif i == 2: # 左下角
x1a, y1a, x2a, y2a = max(xc - w, 0), yc, xc, min(s * 2, yc + h)
x1b, y1b, x2b, y2b = w - (x2a - x1a), 0, w, min(y2a - y1a, h)
elif i == 3: # 右下角
x1a, y1a, x2a, y2a = xc, yc, min(xc + w, s * 2), min(s * 2, yc + h)
x1b, y1b, x2b, y2b = 0, 0, min(w, x2a - x1a), min(y2a - y1a, h)
img4[y1a:y2a, x1a:x2a] = img[y1b:y2b, x1b:x2b] # img4[ymin:ymax, xmin:xmax]
padw = x1a - x1b
padh = y1a - y1b
labels_patch = self._update_labels(labels_patch, padw, padh)
mosaic_labels.append(labels_patch)
final_labels = self._cat_labels(mosaic_labels)
final_labels["img"] = img4
return final_labels
@staticmethod
def _update_labels(labels, padw, padh):
"""更新标签。"""
nh, nw = labels["img"].shape[:2]
labels["instances"].convert_bbox(format="xyxy")
labels["instances"].denormalize(nw, nh)
labels["instances"].add_padding(padw, padh)
return labels
def _cat_labels(self, mosaic_labels):
"""返回带有马赛克边界实例裁剪的标签。"""
if len(mosaic_labels) == 0:
return {}
cls = []
instances = []
imgsz = self.imgsz * 2 # 马赛克图像大小
for labels in mosaic_labels:
cls.append(labels["cls"])
instances.append(labels["instances"])
# 最终标签
final_labels = {
"im_file": mosaic_labels[0]["im_file"],
"ori_shape": mosaic_labels[0]["ori_shape"],
"resized_shape": (imgsz, imgsz),
"cls": np.concatenate(cls, 0),
"instances": Instances.concatenate(instances, axis=0),
"mosaic_border": self.border,
}
final_labels["instances"].clip(imgsz, imgsz)
good = final_labels["instances"].remove_zero_area_boxes()
final_labels["cls"] = final_labels["cls"][good]
return final_labels
代码核心部分说明
- BaseTransform 类:定义了图像变换的基类,包含应用图像、实例和语义分割的方法,便于扩展和实现具体的变换。
- Mosaic 类:实现了马赛克增强,通过将多张图像组合成一张马赛克图像来增强数据集。提供了生成随机索引、更新标签和拼接标签的方法。
- _mosaic4 方法:实现了 2x2 的马赛克图像生成,负责将四张图像放置在马赛克的不同位置。
- _update_labels 方法:更新标签的边界框信息,确保在马赛克图像中正确反映每个实例的位置。
- _cat_labels 方法:合并所有马赛克图像的标签,返回最终的标签字典。
这些核心部分构成了图像增强过程中的重要环节,有助于提高模型的泛化能力。
这个程序文件 code\ultralytics\data\augment.py
是用于图像增强的工具,主要应用于计算机视觉任务,如目标检测和图像分类。文件中定义了多个类和方法,旨在对输入图像及其标签进行各种变换和增强,以提高模型的鲁棒性和泛化能力。
首先,文件中导入了一些必要的库,包括数学库、随机数生成库、OpenCV、NumPy、PyTorch 和一些自定义的工具函数。接着,定义了一些常量,如默认的均值和标准差,用于图像归一化。
接下来,定义了一个 BaseTransform
类,这是一个基类,用于处理图像变换。它包含了一些方法,用于应用不同类型的变换,如图像、实例和语义分割的变换。该类的设计使得它可以被扩展,以满足特定的图像处理需求。
Compose
类用于组合多个图像变换,允许用户将多个变换按顺序应用于输入数据。这个类的设计使得用户可以灵活地添加、删除或重新排列变换。
BaseMixTransform
类是一个基类,用于实现混合增强(如 MixUp 和 Mosaic)。这个类的子类可以实现具体的混合增强逻辑。Mosaic
类用于将多个图像组合成一个马赛克图像,通过在给定概率下选择多个图像并将它们拼接在一起,增强了数据的多样性。
MixUp
类则实现了 MixUp 增强,通过将两张图像及其标签进行线性组合,生成新的图像和标签。这种方法有助于生成更多的训练样本,从而提高模型的性能。
RandomPerspective
类实现了随机透视变换和仿射变换,可以对图像及其对应的边界框、分割和关键点进行旋转、平移、缩放和剪切等操作。这些变换可以根据给定的概率进行应用,增加了数据的多样性。
RandomHSV
类负责对图像的色调、饱和度和亮度进行随机调整,以增强图像的色彩变化。RandomFlip
类则用于随机翻转图像,可以是水平翻转或垂直翻转,并相应地更新实例(如边界框和关键点)。
LetterBox
类用于调整图像大小并进行填充,以适应目标检测、实例分割和姿态估计任务。它确保图像在保持纵横比的同时,调整到指定的形状,并在必要时添加边框。
CopyPaste
类实现了图像的复制粘贴增强,能够将一个图像的实例复制到另一个图像上,从而生成新的训练样本。
Albumentations
类提供了一系列额外的增强方法,利用第三方库 albumentations
来实现模糊、对比度自适应直方图均衡、随机亮度和对比度变化等。
最后,文件中还定义了一些用于分类任务的增强方法,包括 classify_transforms
和 classify_augmentations
,这些方法利用 PyTorch 的 torchvision.transforms
模块进行图像预处理和增强。
整体来看,这个文件提供了一个灵活且强大的框架,用于对图像进行多种增强处理,以提高计算机视觉模型的训练效果和性能。
11.4 70+种YOLOv8算法改进源码大全和调试加载训练教程(非必要)\ultralytics\hub\session.py
以下是经过简化并添加详细中文注释的核心代码部分:
import signal
import sys
from time import sleep
import requests
from ultralytics.hub.utils import HUB_API_ROOT, HUB_WEB_ROOT, smart_request
from ultralytics.utils import LOGGER, is_colab
from ultralytics.utils.errors import HUBModelError
AGENT_NAME = f'python-{__version__}-colab' if is_colab() else f'python-{__version__}-local'
class HUBTrainingSession:
"""
HUBTrainingSession类用于Ultralytics HUB YOLO模型的训练会话,处理模型初始化、心跳和检查点上传。
"""
def __init__(self, url):
"""
初始化HUBTrainingSession,使用提供的模型标识符。
参数:
url (str): 用于初始化HUB训练会话的模型标识符。
"""
from ultralytics.hub.auth import Auth
# 解析输入的模型URL
if url.startswith(f'{HUB_WEB_ROOT}/models/'):
url = url.split(f'{HUB_WEB_ROOT}/models/')[-1]
if [len(x) for x in url.split('_')] == [42, 20]:
key, model_id = url.split('_')
elif len(url) == 20:
key, model_id = '', url
else:
raise HUBModelError(f"model='{url}' not found. Check format is correct.")
# 授权
auth = Auth(key)
self.model_id = model_id
self.model_url = f'{HUB_WEB_ROOT}/models/{model_id}'
self.api_url = f'{HUB_API_ROOT}/v1/models/{model_id}'
self.auth_header = auth.get_auth_header()
self.alive = True
self._start_heartbeat() # 启动心跳
self._register_signal_handlers() # 注册信号处理器
LOGGER.info(f'查看模型: {self.model_url} 🚀')
def _register_signal_handlers(self):
"""注册信号处理器以优雅地处理终止信号。"""
signal.signal(signal.SIGTERM, self._handle_signal)
signal.signal(signal.SIGINT, self._handle_signal)
def _handle_signal(self, signum, frame):
"""
处理终止信号,停止心跳并退出程序。
"""
if self.alive:
LOGGER.info('接收到终止信号! ❌')
self._stop_heartbeat()
sys.exit(signum)
def _stop_heartbeat(self):
"""终止心跳循环。"""
self.alive = False
@threaded
def _start_heartbeat(self):
"""开始一个线程的心跳循环,定期报告代理的状态。"""
while self.alive:
smart_request('post',
f'{HUB_API_ROOT}/v1/agent/heartbeat/models/{self.model_id}',
json={'agent': AGENT_NAME},
headers=self.auth_header)
sleep(300) # 每300秒发送一次心跳
def upload_metrics(self):
"""上传模型的指标到Ultralytics HUB。"""
payload = {'metrics': self.metrics_queue.copy(), 'type': 'metrics'}
smart_request('post', self.api_url, json=payload, headers=self.auth_header)
def upload_model(self, epoch, weights, is_best=False, map=0.0, final=False):
"""
上传模型检查点到Ultralytics HUB。
参数:
epoch (int): 当前训练的轮次。
weights (str): 模型权重文件的路径。
is_best (bool): 当前模型是否是迄今为止最好的模型。
map (float): 模型的平均精度。
final (bool): 模型是否为训练后的最终模型。
"""
if Path(weights).is_file():
with open(weights, 'rb') as f:
file = f.read()
else:
LOGGER.warning(f'模型上传问题: 缺少模型 {weights}.')
file = None
url = f'{self.api_url}/upload'
data = {'epoch': epoch}
if final:
data.update({'type': 'final', 'map': map})
smart_request('post', url, data=data, files={'final_model.pt': file}, headers=self.auth_header)
else:
data.update({'type': 'epoch', 'isBest': bool(is_best)})
smart_request('post', url, data=data, files={'last_model.pt': file}, headers=self.auth_header)
代码注释说明:
- 类的定义:
HUBTrainingSession
类用于管理Ultralytics HUB的训练会话,包括模型的初始化、心跳机制和指标上传。 - 初始化方法:在
__init__
方法中,解析输入的模型URL并进行授权,设置模型的相关属性,并启动心跳机制。 - 信号处理:注册了对终止信号的处理,确保在接收到信号时能够优雅地停止心跳并退出程序。
- 心跳机制:通过一个线程定期向Ultralytics HUB发送心跳请求,报告代理的状态。
- 上传指标和模型:提供了上传模型指标和模型检查点的方法,确保训练过程中的数据能够及时反馈到Ultralytics HUB。
这个程序文件是一个用于Ultralytics HUB YOLO模型训练会话的Python类,名为HUBTrainingSession
。它主要负责模型的初始化、心跳信号的发送以及检查点的上传。程序开始时导入了一些必要的库,包括信号处理、系统操作、路径处理、时间延迟和HTTP请求等。
在类的构造函数__init__
中,接收一个模型标识符url
,并解析这个标识符以获取模型的关键信息。根据输入的URL格式,程序会提取出模型的密钥和模型ID,并进行相应的授权。如果提供的模型标识符格式不正确,程序会抛出一个自定义的异常HUBModelError
。接下来,程序会设置一些属性,如模型的URL、API URL、认证头、速率限制、计时器、模型的度量队列以及从Ultralytics HUB获取的模型数据。然后,它会启动心跳信号的发送,并注册信号处理程序,以便在接收到终止信号时能够优雅地处理程序的退出。
程序中还定义了一些私有方法。_register_signal_handlers
用于注册信号处理程序,_handle_signal
用于处理终止信号,确保在Colab环境中终止后不再发送心跳信号。_stop_heartbeat
则用于停止心跳循环。upload_metrics
方法用于将模型的度量数据上传到Ultralytics HUB。_get_model
方法则负责从Ultralytics HUB获取模型数据,并根据模型的状态决定是开始新的训练还是恢复已有的训练。
此外,upload_model
方法用于将模型的检查点上传到Ultralytics HUB。它会根据当前的训练周期、权重文件的路径、是否是最佳模型等信息进行上传。最后,_start_heartbeat
方法是一个线程化的心跳循环,定期向Ultralytics HUB报告代理的状态。
整体来看,这个类的设计目的是为了方便用户在Ultralytics HUB上进行YOLO模型的训练和管理,提供了必要的功能来处理模型的上传、状态监控和错误处理。
11.5 70+种YOLOv8算法改进源码大全和调试加载训练教程(非必要)\ultralytics\utils\callbacks\dvc.py
以下是经过简化和注释的核心代码部分:
# 导入必要的库
from ultralytics.utils import LOGGER, SETTINGS, TESTS_RUNNING, checks
try:
# 确保测试未运行,并且DVC集成已启用
assert not TESTS_RUNNING
assert SETTINGS['dvc'] is True
import dvclive # 导入DVCLive库
assert checks.check_version('dvclive', '2.11.0', verbose=True) # 检查DVCLive版本
import os
import re
from pathlib import Path
# DVCLive日志记录实例
live = None
_processed_plots = {} # 记录已处理的图表
# 用于区分最佳模型的最终评估与最后一个epoch验证的标志
_training_epoch = False
except (ImportError, AssertionError, TypeError):
dvclive = None # 如果导入失败,设置dvclive为None
def _log_images(path, prefix=''):
"""记录指定路径的图像,带有可选前缀。"""
if live: # 如果DVCLive实例存在
name = path.name
# 根据批次分组图像,以便在UI中启用滑块
m = re.search(r'_batch(\d+)', name)
if m:
ni = m[1]
new_stem = re.sub(r'_batch(\d+)', '_batch', path.stem)
name = (Path(new_stem) / ni).with_suffix(path.suffix)
live.log_image(os.path.join(prefix, name), path) # 记录图像
def on_pretrain_routine_start(trainer):
"""在预训练例程开始时初始化DVCLive日志记录器。"""
try:
global live
live = dvclive.Live(save_dvc_exp=True, cache_images=True) # 创建DVCLive实例
LOGGER.info("DVCLive已检测到,自动记录已启用。")
except Exception as e:
LOGGER.warning(f'警告 ⚠️ DVCLive安装但未正确初始化,未记录此运行。 {e}')
def on_train_start(trainer):
"""如果DVCLive日志记录处于活动状态,则记录训练参数。"""
if live:
live.log_params(trainer.args) # 记录训练参数
def on_fit_epoch_end(trainer):
"""在每个fit epoch结束时记录训练指标和模型信息。"""
global _training_epoch
if live and _training_epoch: # 如果DVCLive存在且当前为训练epoch
all_metrics = {**trainer.label_loss_items(trainer.tloss, prefix='train'), **trainer.metrics, **trainer.lr}
for metric, value in all_metrics.items():
live.log_metric(metric, value) # 记录每个指标
_training_epoch = False # 结束当前训练epoch
def on_train_end(trainer):
"""在训练结束时记录最佳指标、图表和混淆矩阵。"""
if live:
all_metrics = {**trainer.label_loss_items(trainer.tloss, prefix='train'), **trainer.metrics, **trainer.lr}
for metric, value in all_metrics.items():
live.log_metric(metric, value, plot=False) # 记录最佳指标
# 记录混淆矩阵
if trainer.validator:
_log_confusion_matrix(trainer.validator)
live.end() # 结束DVCLive记录
# 定义回调函数字典
callbacks = {
'on_pretrain_routine_start': on_pretrain_routine_start,
'on_train_start': on_train_start,
'on_fit_epoch_end': on_fit_epoch_end,
'on_train_end': on_train_end
} if dvclive else {}
代码说明:
- 导入模块:导入必要的库和模块,确保DVC集成可用。
- DVCLive实例:创建一个
live
实例用于记录训练过程中的各种信息。 - 日志记录函数:
_log_images
:记录图像,支持按批次分组。on_pretrain_routine_start
:在预训练开始时初始化DVCLive。on_train_start
:记录训练参数。on_fit_epoch_end
:在每个训练epoch结束时记录指标。on_train_end
:在训练结束时记录最佳指标和混淆矩阵。
- 回调函数:根据DVCLive的可用性定义回调函数字典。
这个程序文件是一个用于YOLO(You Only Look Once)算法的训练过程中的回调函数实现,主要目的是集成DVCLive工具以记录和可视化训练过程中的各种信息。文件中首先导入了一些必要的模块和库,包括日志记录器、设置和检查工具等。接着,通过一些断言来确保在运行测试时不记录日志,并验证DVCLive的集成是否启用。
在程序的核心部分,定义了一些用于记录训练过程的函数。_log_images
函数用于记录指定路径下的图像,并根据需要添加前缀。_log_plots
函数则用于记录训练进度中的图像,如果这些图像之前没有被处理过。_log_confusion_matrix
函数用于记录混淆矩阵,这对于评估模型的分类性能非常重要。
接下来,定义了一些回调函数,这些函数在训练的不同阶段被调用。on_pretrain_routine_start
函数在预训练开始时初始化DVCLive记录器,并记录相关信息。on_pretrain_routine_end
函数在预训练结束时记录训练过程中的图像。on_train_start
函数在训练开始时记录训练参数。
在每个训练周期开始时,on_train_epoch_start
函数将一个全局变量设置为True,以指示当前正在进行训练周期。on_fit_epoch_end
函数在每个训练周期结束时记录训练指标和模型信息,并准备进入下一个步骤。最后,on_train_end
函数在训练结束时记录最佳指标、图像和混淆矩阵,并结束DVCLive的记录。
文件的最后部分定义了一个回调字典,将上述回调函数与相应的事件关联起来,以便在训练过程中自动调用这些函数。整体来看,这个文件的主要功能是通过DVCLive工具对YOLO算法的训练过程进行详细的记录和可视化,帮助用户更好地理解和分析模型的训练效果。
11.6 train.py
以下是经过简化和注释的核心代码部分:
import random
import numpy as np
import torch.nn as nn
from ultralytics.data import build_dataloader, build_yolo_dataset
from ultralytics.engine.trainer import BaseTrainer
from ultralytics.models import yolo
from ultralytics.nn.tasks import DetectionModel
from ultralytics.utils import LOGGER, RANK
from ultralytics.utils.torch_utils import de_parallel, torch_distributed_zero_first
class DetectionTrainer(BaseTrainer):
"""
基于检测模型的训练类,继承自BaseTrainer类。
"""
def build_dataset(self, img_path, mode="train", batch=None):
"""
构建YOLO数据集。
参数:
img_path (str): 包含图像的文件夹路径。
mode (str): 模式,`train`表示训练模式,`val`表示验证模式。
batch (int, optional): 批次大小,仅用于`rect`模式。默认为None。
"""
gs = max(int(de_parallel(self.model).stride.max() if self.model else 0), 32) # 获取模型的最大步幅
return build_yolo_dataset(self.args, img_path, batch, self.data, mode=mode, rect=mode == "val", stride=gs)
def get_dataloader(self, dataset_path, batch_size=16, rank=0, mode="train"):
"""构造并返回数据加载器。"""
assert mode in ["train", "val"] # 确保模式有效
with torch_distributed_zero_first(rank): # 在分布式训练中,仅初始化一次数据集
dataset = self.build_dataset(dataset_path, mode, batch_size)
shuffle = mode == "train" # 训练模式下打乱数据
workers = self.args.workers if mode == "train" else self.args.workers * 2 # 设置工作线程数
return build_dataloader(dataset, batch_size, workers, shuffle, rank) # 返回数据加载器
def preprocess_batch(self, batch):
"""对图像批次进行预处理,包括缩放和转换为浮点数。"""
batch["img"] = batch["img"].to(self.device, non_blocking=True).float() / 255 # 将图像转换为浮点数并归一化
if self.args.multi_scale: # 如果启用多尺度
imgs = batch["img"]
sz = (
random.randrange(self.args.imgsz * 0.5, self.args.imgsz * 1.5 + self.stride)
// self.stride
* self.stride
) # 随机选择新的图像大小
sf = sz / max(imgs.shape[2:]) # 计算缩放因子
if sf != 1:
ns = [
math.ceil(x * sf / self.stride) * self.stride for x in imgs.shape[2:]
] # 计算新的形状
imgs = nn.functional.interpolate(imgs, size=ns, mode="bilinear", align_corners=False) # 调整图像大小
batch["img"] = imgs
return batch
def get_model(self, cfg=None, weights=None, verbose=True):
"""返回YOLO检测模型。"""
model = DetectionModel(cfg, nc=self.data["nc"], verbose=verbose and RANK == -1) # 创建检测模型
if weights:
model.load(weights) # 加载权重
return model
def plot_training_samples(self, batch, ni):
"""绘制带有注释的训练样本。"""
plot_images(
images=batch["img"],
batch_idx=batch["batch_idx"],
cls=batch["cls"].squeeze(-1),
bboxes=batch["bboxes"],
paths=batch["im_file"],
fname=self.save_dir / f"train_batch{ni}.jpg",
on_plot=self.on_plot,
)
def plot_metrics(self):
"""从CSV文件中绘制指标。"""
plot_results(file=self.csv, on_plot=self.on_plot) # 保存结果图
代码注释说明:
- 导入必要的库:引入了处理数据、构建模型和可视化结果所需的库。
- DetectionTrainer类:这是一个用于训练YOLO检测模型的类,继承自基础训练类
BaseTrainer
。 - build_dataset方法:根据给定的图像路径和模式构建YOLO数据集,返回构建好的数据集。
- get_dataloader方法:构造数据加载器,支持训练和验证模式,确保在分布式训练中只初始化一次数据集。
- preprocess_batch方法:对输入的图像批次进行预处理,包括归一化和可能的缩放。
- get_model方法:返回一个YOLO检测模型,并可选择加载预训练权重。
- plot_training_samples方法:绘制训练样本及其注释,便于可视化训练过程。
- plot_metrics方法:从CSV文件中绘制训练过程中的指标,帮助监控模型性能。
这个程序文件 train.py
是一个用于训练 YOLO(You Only Look Once)目标检测模型的实现,基于 Ultralytics 提供的框架。程序中定义了一个名为 DetectionTrainer
的类,该类继承自 BaseTrainer
,专门用于处理目标检测任务。
在类的定义中,首先导入了一些必要的库和模块,包括数学运算、随机数生成、深度学习相关的库(如 PyTorch)以及 Ultralytics 提供的数据处理和模型构建工具。
DetectionTrainer
类的主要功能是构建数据集、获取数据加载器、预处理图像批次、设置模型属性、获取模型、进行模型验证、记录损失、显示训练进度、绘制训练样本和绘制训练指标等。
在 build_dataset
方法中,程序根据传入的图像路径和模式(训练或验证)构建 YOLO 数据集。该方法允许用户为不同的模式自定义数据增强策略。
get_dataloader
方法用于构建并返回数据加载器,确保在分布式训练时只初始化一次数据集,并根据模式设置是否打乱数据顺序。
preprocess_batch
方法对图像批次进行预处理,包括将图像缩放到适当的大小并转换为浮点数格式。此方法还支持多尺度训练,随机选择图像大小进行训练。
set_model_attributes
方法用于设置模型的属性,包括类别数量和类别名称,以便模型能够正确处理输入数据。
get_model
方法返回一个 YOLO 检测模型,支持加载预训练权重。
get_validator
方法返回一个用于模型验证的验证器,记录损失名称并初始化验证器。
label_loss_items
方法用于返回带有标签的训练损失项字典,便于监控训练过程中的损失变化。
progress_string
方法返回一个格式化的字符串,显示训练进度,包括当前的 epoch、GPU 内存使用情况、损失值、实例数量和图像大小。
plot_training_samples
方法用于绘制训练样本及其标注,帮助可视化训练数据的质量。
最后,plot_metrics
和 plot_training_labels
方法分别用于绘制训练过程中记录的指标和标签,以便于分析模型的训练效果。
整体而言,这个文件实现了 YOLO 模型训练的核心功能,提供了灵活的数据处理和可视化工具,方便用户进行目标检测任务的训练和评估。
12.系统整体结构(节选)
整体功能和构架概括
该程序库是一个基于 YOLO(You Only Look Once)算法的目标检测框架,提供了完整的训练、预测和数据增强功能。它的设计目标是使用户能够方便地进行模型训练、评估和推理,同时提供灵活的数据处理和可视化工具。整体架构包括多个模块,每个模块负责特定的功能,如数据增强、模型训练、预测、回调管理和用户界面等。
- 数据处理与增强:通过
augment.py
提供多种图像增强技术,以提高模型的鲁棒性。 - 模型训练:
train.py
实现了模型的训练过程,包括数据加载、模型初始化、损失计算和训练监控。 - 预测与推理:
predict.py
提供了对训练好的模型进行推理的功能,支持图像分割任务。 - 回调与监控:
dvc.py
负责记录训练过程中的指标,并与 DVCLive 工具集成,方便用户可视化训练效果。 - 会话管理:
session.py
处理与 Ultralytics HUB 的交互,支持模型的上传和状态监控。 - 用户界面:
ui.py
提供了一个简单的命令行界面,用于启动训练过程。
文件功能整理表
文件路径 | 功能描述 |
---|---|
code\ultralytics\models\yolo\segment\predict.py | 实现 YOLO 模型的分割预测功能,包括后处理和结果封装。 |
ui.py | 提供命令行界面,允许用户启动指定的训练脚本。 |
code\ultralytics\data\augment.py | 提供多种图像增强技术,增强训练数据集的多样性。 |
70+种YOLOv8算法改进源码大全和调试加载训练教程(非必要)\ultralytics\hub\session.py | 管理与 Ultralytics HUB 的会话,处理模型上传和状态监控。 |
70+种YOLOv8算法改进源码大全和调试加载训练教程(非必要)\ultralytics\utils\callbacks\dvc.py | 集成 DVCLive 记录训练过程中的指标和可视化效果。 |
train.py | 实现 YOLO 模型的训练过程,包括数据加载、模型初始化和训练监控。 |
70+种YOLOv8算法改进源码大全和调试加载训练教程(非必要)\ultralytics\utils\benchmarks.py | 提供模型性能基准测试功能,评估模型的推理速度和准确性。 |
70+种YOLOv8算法改进源码大全和调试加载训练教程(非必要)\ultralytics\data\__init__.py | 初始化数据模块,管理数据集的加载和处理。 |
70+种YOLOv8算法改进源码大全和调试加载训练教程(非必要)\ultralytics\nn\backbone\lsknet.py | 定义 LSKNet 模型的结构,作为 YOLO 的骨干网络。 |
code\ultralytics\utils\callbacks\dvc.py | 记录训练过程中的指标,支持与 DVCLive 集成。 |
code\ultralytics\models\sam\amg.py | 实现 SAM(Segment Anything Model)相关的功能。 |
70+种YOLOv8算法改进源码大全和调试加载训练教程(非必要)\ultralytics\hub\utils.py | 提供与 Ultralytics HUB 交互的工具函数。 |
code\log.py | 处理日志记录,跟踪训练过程中的信息和错误。 |
这个表格总结了各个文件的主要功能,帮助用户快速了解整个项目的结构和功能模块。
注意:由于此博客编辑较早,上面“11.项目核心源码讲解(再也不用担心看不懂代码逻辑)”中部分代码可能会优化升级,仅供参考学习,完整“训练源码”、“Web前端界面”和“70+种创新点源码”以“13.完整训练+Web前端界面+70+种创新点源码、数据集获取(由于版权原因,本博客仅提供【原始博客的链接】,原始博客提供下载链接)”的内容为准。
13.完整训练+Web前端界面+70+种创新点源码、数据集获取(由于版权原因,本博客仅提供【原始博客的链接】,原始博客提供下载链接)
参考原始博客1: https://gitee.com/qunshansj/inspection-PCB549
参考原始博客2: https://github.com/VisionMillionDataStudio/inspection-PCB549