佩服“s-B-S-D-D”项目的高识别率和快速训练的效果，一直想转到生产现场应用，但样本制作（二值图）无法做到1:1的复现，一直想利用yolo来做。
【深度学习|【Yolov5在‘Segmentation-Based-Surface-Defect-Detection’上的验证】】探索最新Yolov5在小目标上识别效果：选用最深最宽的yolov5x，采用电容数据集的50张positive样本做标注。
1.采用Labelimg标注，json文件需要转化为txt，目前采用了最简单的矩形标注。——怀疑范围太大，影响了训练；人为标注小范围一些，防止其他照片黑点影响。
文章图片
文章图片
2.cuda上训练了1小时，（奇怪现象，每个epochCPU达到80%，GPU近用到30%），模型175Mb
文章图片
文章图片
3.detect效果：有部分误判，初步是原图上图像颜色比较相似。
文章图片
文章图片
文章图片
文章图片
文章图片
4.下一步，计划将50张样本裁剪：利用图像增强等方式，加大标注样本量，看看效果如何。
如效果仍不好，还是回归研究：用二值图像作为标注方式。
推荐阅读
- 笔记|基于Unet++、Deeplabv3+、MANet的GF-1遥感影像水体语义分割
- 机器学习|2020李宏毅机器学习笔记-Unsupervised Learning: Deep Auto-encoder
- 深度学习|我的NVIDIA开发者之旅——Caffe教程（3）使用sklearn和caffe进行简单逻辑回归实践
- 机器学习|python—sklearn特征提取
- 牛客刷题|牛客刷题-Java专项练习（2022-3-28）
- #|YOLOv6 | 模型结构与训练策略详细解析
- #|YOLOv5的Tricks | 【Trick14】YOLOv5的val.py脚本的解析
- 目标检测|yolov5
- pytorch入门|pytorch学习笔记——3.6~3.7Pytorch中定义网络的方式以及模型保存和加载方法