基于YOLOv5的PCB板缺陷检测
一、数据集介绍
印刷电路板(PCB)瑕疵数据集:数据下载链接,是一个公共的合成PCB数据集,由北京大学发布,其中包含1386张图像以及6种缺陷(缺失孔,鼠标咬伤,开路,短路,杂散,伪铜),用于检测,分类和配准任务。选取其中445张图像进行了训练(下载了别人的)。
数据样本示例:
二、环境配置
1、github官网下载yolov5源码:https://github.com/ultralytics/yolov5
2、Anaconda安装(省略)
3、创建新的环境(python=3.6就行)
4、安装pytorch:https://pytorch.org/get-started/previous-versions/
文章安装的是pytorch1.7版本
pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html
5、根据下载的yolov5中的requirements.txt进行安装(缺啥补啥)
【注意:具体安装以yolov5的readme.md为主!】
进入文件夹cd …/yolov5-master
pip install -r requirements.txt
三、构建训练数据集
1、先构建数据集文件夹
格式如下(官网下载的PCB数据可能是按照缺陷类划分文件夹的,需要手段复制到Annotations等文件夹中):
├── data
│ ├── Annotations 进行 detection 任务时的标签文件,xml 形式,文件名与图片名一一对应
│ ├── images 存放 .jpg 格式的图片文件
│ ├── ImageSets 存放的是分类和检测的数据集分割文件,包含 train.txt,val.txt ,trainval.txt,test.txt
│ ├── labels 存放label标注信息的txt文件,与图片一一对应├── ImageSets(train,val,test建议按照8:1:1比例划分)
│ ├── train.txt 写着用于训练的图片名称
│ ├── val.txt 写着用于验证的图片名称
│ ├── trainval.txt train与val的合集
│ ├── test.txt 写着用于测试的图片名称
2、训练数据生成,分为两个代码(训练集划分代码与用于yolo训练的txt格式代码)
(1)训练集划分代码
用途:主要是将数据集分类成训练数据集和测试数据集,默认train,val,test按照比例进行随机分类,运行后ImagesSets文件夹中会出现四个文件,主要是生成的训练数据集和测试数据集的图片名称,如下图。同时data目录下也会出现这四个文件,内容是训练数据集和测试数据集的图片路径。
import os
import randomtrainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'D:\\Dataset\\PCB_dataset\\data\\Annotations'
txtsavepath = 'D:\\Dataset\\PCB_dataset\\data\\ImageSets'
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('D:\\Dataset\\PCB_dataset\\data\\ImageSets\\trainval.txt', 'w')
ftest = open('D:\\Dataset\\PCB_dataset\\data\\ImageSets\\test.txt', 'w')
ftrain = open('D:\\Dataset\\PCB_dataset\\data\\ImageSets\\train.txt', 'w')
fval = open('D:\\Dataset\\PCB_dataset\\data\\ImageSets\\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()
(b)用于yolo训练的txt格式代码
用途:主要是将图片数据集标注后的xml文件中的标注信息读取出来并写入txt文件,运行后在labels文件夹中出现所有图片数据集的标注信息
# 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夹包含的文件或文件夹的名字的列表from os import listdir, getcwd
from os.path import joinsets = ['train', 'test', 'val']
classes = ['missing_hole', 'mouse_bite', 'open_circuit', 'short', 'spur', 'spurious_copper']# 进行归一化操作def convert(size, box): # size:(原图w,原图h) , box:(xmin,xmax,ymin,ymax)dw = 1./size[0] # 1/wdh = 1./size[1] # 1/hx = (box[0] + box[1])/2.0 # 物体在图中的中心点x坐标y = (box[2] + box[3])/2.0 # 物体在图中的中心点y坐标w = box[1] - box[0] # 物体实际像素宽度h = box[3] - box[2] # 物体实际像素高度x = x*dw # 物体中心点x的坐标比(相当于 x/原图w)w = w*dw # 物体宽度的宽度比(相当于 w/原图w)y = y*dh # 物体中心点y的坐标比(相当于 y/原图h)h = h*dh # 物体宽度的宽度比(相当于 h/原图h)return (x, y, w, h) # 返回 相对于原图的物体中心点的x坐标比,y坐标比,宽度比,高度比,取值范围[0-1]# year ='2012', 对应图片的id(文件名)def convert_annotation(image_id):'''将对应文件名的xml文件转化为label文件,xml文件包含了对应的bunding框以及图片长款大小等信息,通过对其解析,然后进行归一化最终读到label文件中去,也就是说一张图片文件对应一个xml文件,然后通过解析和归一化,能够将对应的信息保存到唯一一个label文件中去labal文件中的格式:calss x y w h 同时,一张图片对应的类别有多个,所以对应的bunding的信息也有多个'''# 对应的通过year 找到相应的文件夹,并且打开相应image_id的xml文件,其对应bund文件in_file = open('D:\\Dataset\\PCB_dataset\\data\\Annotations\\%s.xml' % (image_id), encoding='utf-8')# 准备在对应的image_id 中写入对应的label,分别为# <object-class> <x> <y> <width> <height>out_file = open('D:\\Dataset\\PCB_dataset\\data\\labels\\%s.txt' % (image_id), 'w', encoding='utf-8')# 解析xml文件tree = ET.parse(in_file)# 获得对应的键值对root = tree.getroot()# 获得图片的尺寸大小size = root.find('size')# 如果xml内的标记为空,增加判断条件if size != None:# 获得宽w = int(size.find('width').text)# 获得高h = int(size.find('height').text)# 遍历目标objfor obj in root.iter('object'):# 获得difficult ??difficult = obj.find('difficult').text# 获得类别 =string 类型cls = obj.find('name').text# 如果类别不是对应在我们预定好的class文件中,或difficult==1则跳过if cls not in classes or int(difficult) == 1:continue# 通过类别名称找到idcls_id = classes.index(cls)# 找到bndbox 对象xmlbox = obj.find('bndbox')# 获取对应的bndbox的数组 = ['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)# 带入进行归一化操作# w = 宽, h = 高, b= bndbox的数组 = ['xmin','xmax','ymin','ymax']bb = convert((w, h), b)# bb 对应的是归一化后的(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')# 返回当前工作目录wd = getcwd()
print(wd)for image_set in sets:'''对所有的文件数据集进行遍历做了两个工作:1.将所有图片文件都遍历一遍,并且将其所有的全路径都写在对应的txt文件中去,方便定位2.同时对所有的图片文件进行解析和转化,将其对应的bundingbox 以及类别的信息全部解析写到label 文件中去最后再通过直接读取文件,就能找到对应的label 信息'''# 先找labels文件夹如果不存在则创建if not os.path.exists('D:\\Dataset\\PCB_dataset\\data\\labels\\'):os.makedirs('D:\\Dataset\\PCB_dataset\\data\\labels\\')# 读取在ImageSets/Main 中的train、test..等文件的内容# 包含对应的文件名称image_ids = open('D:\\Dataset\\PCB_dataset\\data\\ImageSets\\%s.txt' % (image_set)).read().strip().split()# 打开对应的2012_train.txt 文件对其进行写入准备list_file = open('D:\\Dataset\\PCB_dataset\\data\\%s.txt' % (image_set), 'w')# 将对应的文件_id以及全路径写进去并换行for image_id in image_ids:list_file.write('D:\\Dataset\\PCB_dataset\\data\\images\\%s.jpg\n' % (image_id))# 调用 year = 年份 image_id = 对应的文件名_idconvert_annotation(image_id)# 关闭文件list_file.close()# os.system(‘comand’) 会执行括号中的命令,如果命令成功执行,这条语句返回0,否则返回1# os.system("cat 2007_train.txt 2007_val.txt 2012_train.txt 2012_val.txt > train.txt")# os.system("cat 2007_train.txt 2007_val.txt 2007_test.txt 2012_train.txt 2012_val.txt > train.all.txt")
label文件夹中某文件内容如下:
四、修改配置文件
1、数据集方面:…\yolov5-master\data文件夹中,新建一个yaml文件,内容设置如下:
train: D:\\Dataset\\PCB_dataset\\data\\train.txt
val: D:\\Dataset\\PCB_dataset\\data\\val.txt
test: D:\\Dataset\\PCB_dataset\\data\\test.txt # Classesnc: 6 # number of classes
names: [ 'missing_hole', 'mouse_bite', 'open_circuit', 'short', 'spur', 'spurious_copper' ] # class names
注意:路径,类别、标签名字(与标注文件中一致)
2、网络参数方面:…\yolov5-master\model文件夹中,对yolov5s.yaml(根据自己选择的模型而定)文件内容修改。
# Parametersnc: 6 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
更改其中的nc即标签类别数目。
3、trian.py修改
主要用到的几个参数:–weights,–cfg,–data,–epochs,–batch-size,–img-size,–project,-workers
重点注意:–weights,–cfg,–data,其他的默认即可(batch_size,workers根据自己电脑属性进行设置)。
我的–weights,–cfg,–data设置如下:
parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='model.yaml path')parser.add_argument('--data', type=str, default='data/PCB.yaml', help='dataset.yaml path')
五、训练及tensorboard可视化
1、训练
两种方式:pycharm中运行或者终端cmd运行(看个人喜好)
2、训练过程可视化
啰嗦一句:yolov5-master文件夹中一个runs文件夹,其中有检测结果和训练结果,如…\runs\train\exp\results.txt中保存了每个epoch训练信息,如下所示(第一排属性是我补的):
可视化操作:
a、打开一个新的终端,激活环境
【注意:使用tensorboard不需要安装tensorflow,直接pip install xxx安装了即可使用,yolov5安装文档会通过pip install -r requirements.txt自己安装上,若没有再尝试单独装!】
b、cd …\yolov5-mater
c、tensorboard --logdir=runs
或者python -m tensorboard.main --logdir=runs
(我的前一种报错了,换的后一种才行)
d、复制其中的网址,去浏览器中打开(推荐谷歌)
e、可视化结果如下(能够边训练边观察):
3、在GTX2070super8G显卡训练结果如下(batch_size=32,workers=4):
4、训练权重在…\runs\train\exp\weights文件夹中,有两个权重文件best.pt与last.pt(一个最好的epoch,一个最后的epoch),其他训练结果和训练过程可视化结果也能在exp文件夹中找到(真为yolov5作者点赞)
注意:可能…\runs\train文件夹中会有多个exp文件,如exp1,exp2等,这是代表每一次新的训练。
六、效果测试
在CMD终端运行:
python detect.py --source ..\01_short_02.jpg --weights ..\runs\train\exp24\weights\best.pt
测试结果如下(好像效果不咋地,可以更换其他yolov5系列的网络试试,或者聚类重选anchor):
注:在pycharm中运行检测,只需更改train.py中的def parse_opt()函数中的–source与–weights即可。
七、遇到的BUG
1、UnicodeDecodeError: ‘gbk‘ codec can‘t decode byte 0xaf in position
问题:文件保存时编码类型原因,这里只支持encoding=‘UTF-8’
解决措施参考:https://blog.csdn.net/qq_35034711/article/details/108448465
2、测试torchhub时报错
解决:降低了下requests版本就可以了
3、tensorboard --logdir logs Fatal error in launcher: Unable to create process using…
解决:logdir定位错误,另一个方法可以使用python -m tensorboard.main --logdir logs
参考:https://blog.csdn.net/Aa545620073/article/details/89374112
八、测试下torchhub(只需要几行代码就能完成检测)
# ValueError: check_hostname requires server_hostname 请降低requests版本,这里requests-2.21.0import torch# Model
model = torch.hub.load('ultralytics/yolov5', 'yolov5s') # or yolov5m, yolov5x, custom# Images
img = 'https://ultralytics.com/images/zidane.jpg' # or file, PIL, OpenCV, numpy, multiple# Inference
results = model(img)# Results
results.print() # or .show(), .save(), .crop(), .pandas(), etc.
# results.show()
PCB训练数据资源下载(可以直接训练,跳过第三步):
链接:https://pan.baidu.com/s/1t_94ONtT6jx6RdwEvn7PMg
提取码:zik0
代码与训练权重
链接:https://pan.baidu.com/s/1z_VTXwyxjnX-HwuvZWvQVQ
提取码:ngcc
参考资料:
YOLOV5官网:https://github.com/ultralytics/yolov5
YOLOV5猫狗识别:https://blog.csdn.net/oJiWuXuan/article/details/107558286
YOLOV5训练自己数据:https://blog.csdn.net/qq_36756866/article/details/109111065
基于YOLOv5的PCB板缺陷检测相关推荐
- 基于深度学习的智能PCB板缺陷检测系统(Python+清新界面+数据集)
摘要:智能PCB板缺陷检测系统用于智能检测工业印刷电路板(PCB)常见缺陷,自动化标注.记录和保存缺陷位置和类型,以辅助电路板的质检.本文详细介绍智能PCB板缺陷检测系统,在介绍算法原理的同时,给出P ...
- PCB板缺陷检测机器视觉识别算法 yolo
PCB板缺陷检测机器视觉识别算法通过python+yolo系列网络深度学习模型对PCB电路板外观实时监测,当模型算法监测到有缺陷的PCB板时立即抓拍存档.Python是一种由Guido van Ros ...
- YOLOv5实战之PCB板缺陷检测
在前面的文章中已经详细介绍了在本机上安装YOLOv5的教程,安装YOLOv5可参考前面的文章YOLOv5训练自己的数据集(超详细)https://blog.csdn.net/qq_40716944/a ...
- 基于YOLOv5的输电线路绝缘子缺陷检测项目
目录 1 项目背景 2 图像数据集介绍 3 模型训练部分 4 模型性能测试 1 项目背景 随着输电网络规模不断增大,输电线路巡检任务日益加重,实现输电 线路的高效率巡检已刻不容缓.传统的巡检技术较为落 ...
- 基于Yolov5的玻璃瓶盖缺陷检测
1.数据集介绍 缺陷类型:cap 数据集数量:125张 数据集:https://download.csdn.net/download/m0_63774211/87741211 1.1 通过spli ...
- 基于yolov5-6.0版本的PCB板缺陷检测(Python/C++部署)
源码下载:https://gitee.com/zhankun3280/my_yolov5-6.0 1.依赖环境 ubuntu 18.04 python 3.6.9 opencv 4.5.0 pytor ...
- 【缺陷检测】基于形态学实现印刷电路板缺陷检测技术附matlab代码
1 简介 当今,电子工业在国家经济发展中扮演着越来越重要的角色,作为各种电子元器件的高度信息集合,印刷电路板(PCB)被广泛应用在电子工业中的各个领域.经济的不断发展促使电子技术不断地提高,轻薄.便捷 ...
- 基于yolov5的PCB缺陷检测
1.简述 基于图像识别技术实现自动印刷电路板(PCB)缺陷检测,具有高效.准确.可靠.自动化程度高和可扩展性强等优点,大大提高了检测效率,节省了人力成本.传统的检测方法通常需要大量的人力和时间,并且容 ...
- 基于CooVally的多晶硅太阳能板缺陷检测
随着全球气候变化对人类社会构成重大威胁,越来越多的国家将"碳中和"上升为国家战略 ,提出了无碳未来的愿景.2020年,我国基于推动实现可持续发展的内在要求和构建人类命运共同体的责任 ...
最新文章
- git学习——Git 基础要点【转】
- 多台Linux服务器SSH相互访问无需密码--转
- 学习VUE时,利用webpack打包的错误处理方法
- 信息学奥赛一本通(C++)在线评测系统——基础(一)C++语言——1085:球弹跳高度的计算
- perl对文件和目录进行操作
- 利用XML生成Excel
- leetcode 75 --- sort-colors
- 工信部发布《区块链 数据格式规范》标准(PPT全文)
- 让 API 端点的响应速度提高 50 倍!
- 单片机c语言设计电风扇,基于单片机的智能电风扇的设计(毕业论文).docx
- 自己设计过App的数据库框架?还是只是停留在使用ormlite greenDao这类框架,一篇文章帮你解答...
- 20款优秀的数据可视化工具 (建议收藏)
- iphone计算机删除键,苹果电脑Mac中delete键的七种用法
- 物联网的那些事----------01无线通信技术介绍
- Lumiprobe Lumizol RNA 提取试剂解决方案
- python 一个例子解释全局变量和局部变量
- 数据可视化(python)----中国近十年就业GDP对比
- 郭敬明的一个人的城市
- 计算机五笔字型编码方法,《五笔字型输入的编码规则》说课稿
- OA行业产品同质化寒冰如何消融?