表面缺陷检测基于yolov7的钢板表面缺陷检测(Ubuntu系统)

Posted 2022-10-25 机器不学习我学习

  Hello，大家好，我是augustqi。今天手把手带大家做一个深度学习实战项目：基于yolov7的钢板表面缺陷检测(Ubuntu系统)。多的不说，少的不唠，下面开始今天的教程。

  以下内容，完全是我根据参考资料和个人理解撰写出来的，不存在滥用原创的问题。

1.下载yolov7源码

源码地址：

https://github.com/WongKinYiu/yolov7

可以上github网站直接下载，也可以使用git命令进行下载，本次教程下载源码的时间是2022.10.13，项目在不断更新，因此不同时间下载，源代码稍有不同（目前只有一个版本，后续应该会出现新版本）。

下载得到的源码压缩包：

将源码压缩包上传到GPU服务器上：

解压文件夹：

得到的项目结构如下：

2.准备数据集

  本教程使用的是东北大学带钢表面缺陷检测数据集，该数据集收集了夹杂、划痕、压入氧化皮、裂纹、麻点、斑块6种缺陷，每种缺陷300张图片，图片的尺寸为200×200。

voc格式的数据集，每张图片对应一个xml文件：

使用labelimg标注工具查看数据：

注：没有labelimg工具的朋友，可以打开本地的Anaconda Prompt窗口进行安装

安装命令为：

pip install labelimg

使用命令：

本数据集在之前的文章中介绍过，想获取数据集的朋友可以查看公众号之前发布的文章。

将数据集上传到GPU服务器的项目目录下：

数据集转换：

编写一个prepare_train_val.py脚本，实现xml文件格式转为yolo文件格式，并实现数据集的划分：

prepare_train_val.py部分代码：

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
import random
from shutil import copyfile

classes = ["crazing", "inclusion", "patches", "pitted_surface", "rolled-in_scale", "scratches"]


def clear_hidden_files(path):
    dir_list = os.listdir(path)
    for i in dir_list:
        abspath = os.path.join(os.path.abspath(path), i)
        if os.path.isfile(abspath):
            if i.startswith("._"):
                os.remove(abspath)
        else:
            clear_hidden_files(abspath)


def convert(size, box):
    dw = 1./size[0]
    dh = 1./size[1]
    x = (box[0] + box[1])/2.0
    y = (box[2] + box[3])/2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x*dw
    w = w*dw
    y = y*dh
    h = h*dh
    return (x,y,w,h)


def convert_annotation(image_id):
    in_file = open('VOCdevkit/VOC2007/Annotations/%s.xml' %image_id)
    out_file = open('VOCdevkit/VOC2007/YOLOLabels/%s.txt' %image_id, 'w')
    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        bb = convert((w,h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\\n')
    in_file.close()
    out_file.close()

prepare_train_val.py完整代码获取:
https://blog.csdn.net/AugustMe/article/details/127320880

3.配置环境

  本项目在Ubuntu 20.04系统，2张Tesla P100显卡下进行的。为本项目新建一个虚拟环境，当然，也可以使用现有的环境；新建环境的好处是避免破坏之前项目的环境：

conda create --name yolov7 python=3.7.13

yolov7虚拟环境新建好之后，激活它：

conda activate yolov7

这样，我们就可以在yolov7虚拟环境下安装一系列的库。

根据requirements.txt中的内容，安装依赖库。

例如安装torch、torchvision：

查看GPU版本的torch是否安装成功：

显示True，说明安装成功。

其他依赖库也是通过pip来安装：

剩余依赖库的安装不再赘述。

4.配置文件

在data文件夹下新建一个voc_neu.yaml文件（可以自定义命名）：

写入内容如下：

# 注意路径，否则会报错
train: /home/myuser/det/yolov7_neu/yolov7-main/VOCdevkit/images/train
val: /home/myuser/det/yolov7_neu/yolov7-main/VOCdevkit/images/val

nc: 6
names: ['crazing', 'inclusion', 'patches', 'pitted_surface', 'rolled-in_scale', 'scratches']

由于yolov7提供了好几个模型:

我们每一次训练只能使用一个，因此需要在cfg/training/（和cfg/deploy/文件夹下的并不是一样的，后面慢慢介绍）文件夹下选一个模型：

我们选用yolov7x模型，将yolov7x.yaml的内容复制到新建的yolov7x_neu.yaml，并修改类别数量：

下载预训练模型（我们使用的是cfg/training/下的yolov7x模型，所以下载yolov7x_training.pt预训练模型）：

在项目下新建一个weights文件夹，将yolov7_training.pt放入：

5.训练

切换到项目所在目录，执行命令：

# 指定预训练权重、模型结构、图片路径、训练轮数、批次大小、图片大小
python train.py --weights weights/yolov7x_training.pt --cfg cfg/training/yolov7x_neu.yaml --data data/voc_neu.yaml --epochs 100 --batch-size 16 --img-size 640 --project runs/train

开始训练：

查看GPU使用情况：

batch-size的大小不宜过大，否则出现内存溢出的错误：

训练结束：

6.测试

将待测试的图片放入testpics文件夹：

执行命令：

# 指定训练好的模型、测试图片路径、图片大小
# 检测多张
python detect.py --weights runs/train/exp/weights/best.pt --source testpics --img-size 640 --project runs/detect

# 检测单张
python detect.py --weights runs/train/exp/weights/best.pt --source testpics/patches_166.jpg --img-size 640 --project runs/detect

在runs/detect文件夹下查看检测结果：

7.结论

  六个类别的mAP@0.5为0.756，总体上可以实现缺陷的检测。其实，这个数据集的质量也不是很高，才导致各项指标不是特别高。永远记住：数据决定上限，模型决定下限，“算法不是最diao的，数据才是”。
  模型训练完以后，还有很多工程要做，如何提高检出率，降低过检率；以及怎么部署就得折腾一番，后面我会继续更新表面缺陷检测系列文章。

看到这里了，用你那发财的小手，给我点一个赞再走呗。

参考资料

[1]https://github.com/WongKinYiu/yolov7
[2]https://zhuanlan.zhihu.com/p/547878330