深度学习|【Yolov5在‘Segmentation-Based-Surface-Defect-Detection’上的验证】

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。
深度学习|【Yolov5在‘Segmentation-Based-Surface-Defect-Detection’上的验证】
文章图片
深度学习|【Yolov5在‘Segmentation-Based-Surface-Defect-Detection’上的验证】
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
深度学习|【Yolov5在‘Segmentation-Based-Surface-Defect-Detection’上的验证】
文章图片
深度学习|【Yolov5在‘Segmentation-Based-Surface-Defect-Detection’上的验证】
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。
深度学习|【Yolov5在‘Segmentation-Based-Surface-Defect-Detection’上的验证】
文章图片
深度学习|【Yolov5在‘Segmentation-Based-Surface-Defect-Detection’上的验证】
文章图片
深度学习|【Yolov5在‘Segmentation-Based-Surface-Defect-Detection’上的验证】
文章图片
深度学习|【Yolov5在‘Segmentation-Based-Surface-Defect-Detection’上的验证】
文章图片
深度学习|【Yolov5在‘Segmentation-Based-Surface-Defect-Detection’上的验证】
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