在前面的文章中已經(jīng)詳細介紹了在本機上安裝YOLOv5的教程，安裝YOLOv5可參考前面的文章YOLOv5訓練自己的數(shù)據(jù)集(超詳細)https://blog.csdn.net/qq_40716944/article/details/118188085https://blog.csdn.net/qq_40716944/article/details/118188085

?

目錄

一、數(shù)據(jù)集介紹

二、構(gòu)建訓練數(shù)據(jù)集?

1、先構(gòu)建數(shù)據(jù)集文件夾

2、數(shù)據(jù)集格式轉(zhuǎn)換

3、訓練集劃分代碼

4、生成yolo格式的標簽

三、修改配置文件

1、數(shù)據(jù)配置文件

?2、網(wǎng)絡參數(shù)修改

3、trian.py修改

四、訓練及測試

1、訓練

2、測試

---

一、數(shù)據(jù)集介紹

? ? ? ? 本教程主要是利用YOLOv5算法實現(xiàn)對PCB板上的缺陷進行檢測識別。使用的DeepPCB缺陷數(shù)據(jù)集中的所有圖像都是從線性掃描CCD獲得的，分辨率約為每1毫米48個像素，以上述方式從采樣圖像中手動檢查，測試圖像的原始大小約為16k x 16k像素，?然后將它們裁剪成許多大小為640 x 640的子圖像，共1500張圖片，DeepPCB數(shù)據(jù)集中的部分圖片如下圖所示。PCB面板數(shù)據(jù)集已經(jīng)上傳，可以在此下載https://download.csdn.net/download/qq_40716944/24875013https://download.csdn.net/download/qq_40716944/24875013

?????????對于測試圖像中的每個缺陷，我們使用軸對齊的邊界框和一個類ID。 如上所示，我們標注了六種常見的PCB缺陷類型：open、short、mousebite、spur、pin-hole、spur。 由于實際測試圖像中只有少數(shù)缺陷，我們根據(jù) PCB 缺陷模式在每個測試圖像上手動論證一些人工缺陷，這導致每個640 x 640圖像中大約有3到12個缺陷。PCB缺陷數(shù)如下圖所示。 我們將1000?張圖像作為訓練集，剩下的作為測試集。

二、構(gòu)建訓練數(shù)據(jù)集?

1、先構(gòu)建數(shù)據(jù)集文件夾

? ? ? ? 本人按照VOC格式創(chuàng)建數(shù)據(jù)集，具體格式如下：

├── data │ ├── xml 進行 detection 任務時的標簽文件，xml 形式，文件名與圖片名一一對應 │ ├── image 存放.jpg 格式的圖片文件 │ ├── label 存放label標注信息的txt文件，與圖片一一對應 │ ├── txt 存放原始標注信息，x1,y1,x2,y2,type ├── dataSet(train，val，test建議按照8：1：1比例劃分) │ ├── train.txt 寫著用于訓練的圖片名稱 │ ├── val.txt 寫著用于驗證的圖片名稱 │ ├── trainval.txt train與val的合集 │ ├── test.txt 寫著用于測試的圖片名稱

2、數(shù)據(jù)集格式轉(zhuǎn)換

????????原始的標注信息是保存成txt文件，txt文件里面的每一行都包含一個標注信息，格式為x1,y1,x2,y2,type，這里 (x1,y1) 和 (x2,y2) 是缺陷邊界框的左上角和右下角，type是匹配后的整數(shù) ID：0-background、1-open、2-short、3-mousebite、4-spur、5-copper、6-pin-hole。通過一下代碼進行轉(zhuǎn)換：

import os import cv2 import time from xml.dom import minidomname_dict = {'0': 'background', '1': 'open', '2': 'short','3': 'mousebite', '4': 'spur', '5': 'copper', '6': 'pin-hole'}def transfer_to_xml(pic, txt, file_name,xml_save_path):if not os.path.exists(xml_save_path):os.makedirs(xml_save_path,exist_ok=True)img = cv2.imread(pic)img_w = img.shape[1]img_h = img.shape[0]img_d = img.shape[2]doc = minidom.Document()annotation = doc.createElement("annotation")doc.appendChild(annotation)folder = doc.createElement('folder')folder.appendChild(doc.createTextNode('visdrone'))annotation.appendChild(folder)filename = doc.createElement('filename')filename.appendChild(doc.createTextNode(file_name))annotation.appendChild(filename)source = doc.createElement('source')database = doc.createElement('database')database.appendChild(doc.createTextNode("Unknown"))source.appendChild(database)annotation.appendChild(source)size = doc.createElement('size')width = doc.createElement('width')width.appendChild(doc.createTextNode(str(img_w)))size.appendChild(width)height = doc.createElement('height')height.appendChild(doc.createTextNode(str(img_h)))size.appendChild(height)depth = doc.createElement('depth')depth.appendChild(doc.createTextNode(str(img_d)))size.appendChild(depth)annotation.appendChild(size)segmented = doc.createElement('segmented')segmented.appendChild(doc.createTextNode("0"))annotation.appendChild(segmented)with open(txt, 'r') as f:lines = [f.readlines()]for line in lines:for boxes in line:box = boxes.strip('\n')box = box.split(" ")x_min = box[0]y_min = box[1]x_max = box[2]y_max = box[3]object_name = name_dict[box[4]]if object_name != "background":object = doc.createElement('object')nm = doc.createElement('name')nm.appendChild(doc.createTextNode(object_name))object.appendChild(nm)pose = doc.createElement('pose')pose.appendChild(doc.createTextNode("Unspecified"))object.appendChild(pose)truncated = doc.createElement('truncated')truncated.appendChild(doc.createTextNode("1"))object.appendChild(truncated)difficult = doc.createElement('difficult')difficult.appendChild(doc.createTextNode("0"))object.appendChild(difficult)bndbox = doc.createElement('bndbox')xmin = doc.createElement('xmin')xmin.appendChild(doc.createTextNode(x_min))bndbox.appendChild(xmin)ymin = doc.createElement('ymin')ymin.appendChild(doc.createTextNode(y_min))bndbox.appendChild(ymin)xmax = doc.createElement('xmax')xmax.appendChild(doc.createTextNode(str(x_max)))bndbox.appendChild(xmax)ymax = doc.createElement('ymax')ymax.appendChild(doc.createTextNode(str(y_max)))bndbox.appendChild(ymax)object.appendChild(bndbox)annotation.appendChild(object)with open(os.path.join(xml_save_path, file_name + '.xml'), 'w') as x:x.write(doc.toprettyxml())x.close()f.close()if __name__ == '__main__':t = time.time()print('Transfer .txt to .xml...ing....')txt_folder = 'data/PCBDatasets/txt'txt_file = os.listdir(txt_folder)img_folder = 'data/PCBDatasets/image'xml_save_path = 'data/PCBDatasets/xml/'for txt in txt_file:txt_full_path = os.path.join(txt_folder, txt)img_full_path = os.path.join(img_folder, txt.split('.')[0] + '.jpg')try:transfer_to_xml(img_full_path, txt_full_path, txt.split('.')[0],xml_save_path)except Exception as e:print(e)print("Transfer .txt to .XML sucessed. costed: {:.3f}s...".format(time.time() - t))

3、訓練集劃分代碼

????????主要是將數(shù)據(jù)集分類成訓練數(shù)據(jù)集和測試數(shù)據(jù)集，默認train，val，test按照比例進行隨機分類，運行后dataSet文件夾中會出現(xiàn)四個文件，主要是生成的訓練數(shù)據(jù)集和測試數(shù)據(jù)集的圖片名稱，如下圖。同時data目錄下也會出現(xiàn)這四個文件，內(nèi)容是訓練數(shù)據(jù)集和測試數(shù)據(jù)集的圖片路徑。

import os import randomtrainval_percent = 0.9 train_percent = 0.9 xmlfilepath = 'data/PCBDatasets/xml/' txtsavepath = 'data/PCBDatasets/dataSet/' total_xml = os.listdir(xmlfilepath)num = len(total_xml) list = range(num) tv = int(num * trainval_percent) tr = int(tv * train_percent) trainval = random.sample(list, tv) train = random.sample(trainval, tr)ftrainval = open('data/PCBDatasets/dataSet/trainval.txt', 'w') ftest = open('data/PCBDatasets/dataSet/test.txt', 'w') ftrain = open('data/PCBDatasets/dataSet/train.txt', 'w') fval = open('data/PCBDatasets/dataSet/val.txt', 'w')for i in list:name = total_xml[i][:-4] + '\n'if i in trainval:ftrainval.write(name)if i in train:ftrain.write(name)else:fval.write(name)else:ftest.write(name)ftrainval.close() ftrain.close() fval.close() ftest.close()

4、生成yolo格式的標簽

????????主要是將圖片數(shù)據(jù)集標注后的xml文件中的標注信息讀取出來并寫入txt文件，運行后在label文件夾中出現(xiàn)所有圖片數(shù)據(jù)集的標注信息

# xml解析包import xml.etree.ElementTree as ET import pickle import os# os.listdir() 方法用于返回指定的文件夾包含的文件或文件夾的名字的列表from os import listdir, getcwd from os.path import joinsets = ['train', 'test', 'val'] classes = ['open', 'short','mousebite','spur', 'copper', 'pin-hole']# 進行歸一化操作def convert(size, box): # size:(原圖w,原圖h) , box:(xmin,xmax,ymin,ymax)dw = 1./size[0] # 1/wdh = 1./size[1] # 1/hx = (box[0] + box[1])/2.0 # 物體在圖中的中心點x坐標y = (box[2] + box[3])/2.0 # 物體在圖中的中心點y坐標w = box[1] - box[0] # 物體實際像素寬度h = box[3] - box[2] # 物體實際像素高度x = x*dw # 物體中心點x的坐標比(相當于 x/原圖w)w = w*dw # 物體寬度的寬度比(相當于 w/原圖w)y = y*dh # 物體中心點y的坐標比(相當于 y/原圖h)h = h*dh # 物體寬度的寬度比(相當于 h/原圖h)return (x, y, w, h) # 返回 相對于原圖的物體中心點的x坐標比,y坐標比,寬度比,高度比,取值范圍[0-1]def convert_annotation(image_id):'''將對應文件名的xml文件轉(zhuǎn)化為label文件，xml文件包含了對應的bunding框以及圖片長款大小等信息，通過對其解析，然后進行歸一化最終讀到label文件中去，也就是說一張圖片文件對應一個xml文件，然后通過解析和歸一化，能夠?qū)男畔⒈４娴轿ㄒ灰粋€label文件中去labal文件中的格式：calss x y w h　　同時，一張圖片對應的類別有多個，所以對應的bounding的信息也有多個'''# 對應的通過year 找到相應的文件夾，并且打開相應image_id的xml文件，其對應bund文件in_file = open('data/PCBDatasets/xml/%s.xml' % (image_id), encoding='utf-8')# 準備在對應的image_id 中寫入對應的label，分別為# <object-class> <x> <y> <width> <height>out_file = open('data/PCBDatasets/label/%s.txt' % (image_id), 'w', encoding='utf-8')# 解析xml文件tree = ET.parse(in_file)# 獲得對應的鍵值對root = tree.getroot()# 獲得圖片的尺寸大小size = root.find('size')# 如果xml內(nèi)的標記為空，增加判斷條件if size != None:# 獲得寬w = int(size.find('width').text)# 獲得高h = int(size.find('height').text)# 遍歷目標objfor obj in root.iter('object'):# 獲得difficult ？？difficult = obj.find('difficult').text# 獲得類別 =string 類型cls = obj.find('name').text# 如果類別不是對應在我們預定好的class文件中，或difficult==1則跳過if cls not in classes or int(difficult) == 1:continue# 通過類別名稱找到idcls_id = classes.index(cls)# 找到bndbox 對象xmlbox = obj.find('bndbox')# 獲取對應的bndbox的數(shù)組 = ['xmin','xmax','ymin','ymax']b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))print(image_id, cls, b)# 帶入進行歸一化操作# w = 寬, h = 高， b= bndbox的數(shù)組 = ['xmin','xmax','ymin','ymax']bb = convert((w, h), b)# bb 對應的是歸一化后的(x,y,w,h)# 生成 calss x y w h 在label文件中out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')# 返回當前工作目錄wd = getcwd() print(wd)for image_set in sets:'''對所有的文件數(shù)據(jù)集進行遍歷做了兩個工作：１．將所有圖片文件都遍歷一遍，并且將其所有的全路徑都寫在對應的txt文件中去，方便定位２．同時對所有的圖片文件進行解析和轉(zhuǎn)化，將其對應的bundingbox 以及類別的信息全部解析寫到label 文件中去最后再通過直接讀取文件，就能找到對應的label 信息'''# 先找labels文件夾如果不存在則創(chuàng)建if not os.path.exists('data/PCBDatasets/labels/'):os.makedirs('data/PCBDatasets/labels/')# 讀取在ImageSets/Main 中的train、test..等文件的內(nèi)容# 包含對應的文件名稱image_ids = open('data/PCBDatasets/dataSet/%s.txt' % (image_set)).read().strip().split()list_file = open('data/PCBDatasets/%s.txt' % (image_set), 'w')# 將對應的文件_id以及全路徑寫進去并換行for image_id in image_ids:list_file.write('data/PCBDatasets/image/%s.jpg\n' % (image_id))# 調(diào)用 year = 年份 image_id = 對應的文件名_idconvert_annotation(image_id)# 關閉文件list_file.close()

label文件夾中某文件內(nèi)容如下：

三、修改配置文件

1、數(shù)據(jù)配置文件

????????首先需要在/yolov5-master/data文件夾中，新建一個PCBDetect.yaml文件，內(nèi)容設置如下：

train: data/PCBDatasets/dataSet/train.txt val: data/PCBDatasets/dataSet/val.txt test: data/PCBDatasets/dataSet/test.txtnc: 6names: ['copper', 'mousebite', 'open', 'pin-hole', 'short', 'spur']

?2、網(wǎng)絡參數(shù)修改

????????對yolov5-master/model文件夾中，對yolov5x.yaml（根據(jù)自己選擇的模型而定）文件內(nèi)容修改。

3、trian.py修改

????????主要用到的幾個參數(shù)：–weights，–cfg，–data，–epochs，–batch-size，–img-size，–project，-workers

????????重點注意：–weights，–cfg，–data，其他的默認即可（batch_size，workers根據(jù)自己電腦屬性進行設置）。

四、訓練及測試

1、訓練

????????在完成上述所有的操作之后，就可以進行訓練，在命令窗口輸入python train.py即可以進行訓練。

2、測試

????????在訓練完成后可以利用測試集對訓練后的模型進行測試，利用val.py文件進行測試，主要修改一下地方：

????????測試完成后會輸出map、precision、recall等指標，具體如下圖所示：

?????????P-R曲線如下圖所示：

????????同時也可以利用detect.py文件對測試集進行測試，將檢測后的框繪制在圖像上，部分測試結(jié)果如下圖所示：

總結(jié)

以上是生活随笔為你收集整理的YOLOv5实战之PCB板缺陷检测的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。