使用YOLOv5进行缺陷检测

### YOLOv5 实现缺陷检测的核心流程 YOLOv5 是一种高效的实时目标检测框架，其核心理念是通过单次前向传播完成对象定位和分类的任务。以下是基于 YOLOv5 的布匹缺陷检测系统的实现方法。 #### 数据集准备 为了训练一个有效的缺陷检测模型，需要收集并标注高质量的数据集。通常情况下，数据集应包含正常样本和各种类型的缺陷样本。可以使用工具如 LabelImg 或 Supervisely 来标记图像中的缺陷区域，并将其保存为 Pascal VOC 或 COCO 格式的标签文件[^2]。 #### 安装依赖项 在开始之前，需安装必要的 Python 库以及 PyTorch 深度学习框架。可以通过以下命令克隆官方仓库并设置环境： ```bash git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt ``` 这一步会下载 YOLOv5 的源码并配置运行所需的库[^1]。 #### 配置 YAML 文件 YOLOv5 使用 YAML 文件定义数据结构和超参数。创建一个新的 `data.yaml` 文件来描述数据路径和类别信息。例如： ```yaml train: ../path/to/train/images/ val: ../path/to/validation/images/ nc: 3 # 类别数量 (假设存在三种不同类型的缺陷) names: ['hole', 'stain', 'tear'] # 缺陷名称列表 ``` 此文件指定了训练集、验证集的位置以及类别的具体命名规则[^2]。 #### 训练模型 利用预处理好的数据集启动模型训练过程。执行如下脚本来调整网络权重以适应特定应用场景下的需求： ```python !python train.py --img 640 --batch 16 --epochs 50 --data data.yaml --weights yolov5s.pt ``` 这里设置了输入图片尺寸 (`--img`)、批量大小 (`--batch`) 和迭代次数 (`--epochs`) 参数；同时加载了初始权重文件 `yolov5s.pt` 进行迁移学习[^1]。 #### 测试与评估 当训练完成后，可运用测试集合检验最终成果的质量水平。借助下面这段代码片段展示预测效果的同时计算 mAP 值衡量整体表现优劣程度: ```python from utils.general import check_img_size, non_max_suppression, scale_coords from models.experimental import attempt_load import torch from PIL import Image import numpy as np device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = attempt_load('./runs/train/exp/weights/best.pt').to(device) def detect(image_path): img = Image.open(image_path).convert("RGB") img_tensor = transforms.ToTensor()(img)[None].to(device) pred = model(img_tensor)[0] det = non_max_suppression(pred, conf_thres=0.4, iou_thres=0.5)[0] if len(det): boxes = scale_coords(img.shape[2:], det[:, :4], img.size[::-1]).round().tolist() labels = [f'{int(c)} {conf:.2f}' for *xywh, conf, c in reversed(det)] return {'boxes': boxes, 'labels': labels} else: return None ``` 上述函数实现了从读取待测样例到输出边界框坐标及其对应可信度分数的功能。 ---