如何训练使用——焊接焊缝缺陷检测数据集，5类，1400张。

如何训练使用——焊接焊缝缺陷检测数据集，5类，1400张。

5种类型:
相邻缺陷：凝固的小液滴，局部熔化
完整性缺陷：异物，小孔，焊穿，凸起，焊接产生废料
几何缺陷：凹陷，熔合不够
处理后缺陷：加工后损伤，加工后留下异物
未焊接好缺陷：未焊透，未熔合大面积

已经标注好的，带yolo格式txt标签，yolo可以直接用。
好的，我们将详细地实现一个基于 YOLOv8 的焊接焊缝缺陷检测系统。以下是详细的步骤：

1. 数据准备：确保数据集格式正确。
2. 环境部署：安装必要的库。
3. 模型训练：使用 YOLOv8 训练目标检测模型。
4. 评估模型：评估训练好的模型性能。
5. PyQt5 GUI 开发：创建一个简单的 GUI 来加载和运行模型进行实时预测。
   

备注：文章内代码仅供参考！

数据准备

假设你已经有一个包含 1400 张截图的数据集，并且标注格式为 YOLO 格式的 TXT 文件。

数据集结构示例

dataset/ ├── images/ │ ├── train/ │ │ ├── image1.jpg │ │ ├── image2.jpg │ │ └── ... │ ├── test/ │ │ ├── image3.jpg │ │ ├── image4.jpg │ │ └── ... │ └── valid/ │ ├── image5.jpg │ ├── image6.jpg │ └── ... ├── labels/ │ ├── train/ │ │ ├── image1.txt │ │ ├── image2.txt │ │ └── ... │ ├── test/ │ │ ├── image3.txt │ │ ├── image4.txt │ │ └── ... │ └── valid/ │ ├── image5.txt │ ├── image6.txt │ └── ... └── dataset.yaml

dataset.yaml内容如下：

train:./images/trainval:./images/validtest:./images/testnc:5names:['adjacent_defect','integrity_defect','geometric_defect','processed_defect','unwelded_defect']

每个图像对应的标签文件是一个文本文件，每行表示一个边界框，格式为：

<class_id> <x_center> <y_center> <width> <height>

环境部署说明

确保你已经安装了必要的库，如上所述。

安装依赖

# 创建虚拟环境（可选）conda create-nweld_defect_detection_envpython=3.8conda activate weld_defect_detection_env# 安装PyTorchpipinstalltorch==1.9torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu111# 安装其他依赖pipinstallopencv-python pyqt5 ultralytics scikit-learn pandas matplotlib seaborn onnxruntime xml.etree.ElementTree

模型训练权重和指标可视化展示

我们将使用 YOLOv8 进行目标检测任务。

下载 YOLOv8 仓库

gitclone https://github.com/ultralytics/ultralytics.gitcdultralytics pipinstall-rrequirements.txt

训练 YOLOv8

[<title="Training YOLOv8 for Weld Defect Detection">]importosfrompathlibimportPath# Define pathsdataset_path='path/to/dataset'weights_path='runs/detect/exp/weights/best.pt'# Create dataset.yamlyaml_content=f""" train:{Path(dataset_path)/'images/train'}val:{Path(dataset_path)/'images/valid'}test:{Path(dataset_path)/'images/test'}nc: 5 names: ['adjacent_defect', 'integrity_defect', 'geometric_defect', 'processed_defect', 'unwelded_defect'] """withopen(Path(dataset_path)/'dataset.yaml','w')asf:f.write(yaml_content)# Train YOLOv8!yolo task=detect mode=train data={Path(dataset_path)/'dataset.yaml'}model=yolov8n.pt imgsz=256epochs=100batch=16name=weld_exp

请将path/to/dataset替换为实际的数据集路径。

模型评估

我们将使用 YOLOv8 提供的评估功能来评估训练好的模型性能。

评估 YOLOv8 模型

[<title="Evaluating YOLOv8 Model for Weld Defect Detection">]fromultralyticsimportYOLO# Load the trained modelmodel_path='runs/detect/weld_exp/weights/best.pt'# Evaluate the modelmodel=YOLO(model_path)results=model.val()# Print evaluation resultsmetrics=results.metricsprint(metrics)

请将path/to/dataset替换为实际的数据集路径。

使用说明

1. 配置路径：

   • 将path/to/dataset设置为存放数据集的目录路径。
   • 确保runs/detect/weld_exp/weights/best.pt是训练好的 YOLOv8 模型权重路径。

2. 运行脚本：

   • 在终端中运行train_yolov8.py脚本来训练模型。
   • 在终端中运行evaluate_yolov8.py来评估模型性能。

3. 注意事项：

   • 确保所有必要的工具箱已安装，特别是 PyTorch 和 ultralytics。
   • 根据需要调整参数，如epochs和imgsz。

PyQt5 GUI 开发

我们将使用 PyQt5 创建一个简单的 GUI 来加载和运行 YOLOv8 模型进行实时预测。

主窗口代码main_window.py

[<title="PyQt5 Main Window for Weld Defect Detection">]importsysimportcv2importnumpyasnpfromPyQt5.QtWidgetsimportQApplication,QMainWindow,QLabel,QPushButton,QVBoxLayout,QWidget,QFileDialogfromPyQt5.QtGuiimportQImage,QPixmapfromPyQt5.QtCoreimportQt,QTimerfromultralyticsimportYOLOclassMainWindow(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle("Weld Defect Detection System")self.setGeometry(100,100,800,600)self.model=YOLO('runs/detect/weld_exp/weights/best.pt')self.initUI()definitUI(self):self.central_widget=QWidget()self.setCentralWidget(self.central_widget)self.layout=QVBoxLayout()self.image_label=QLabel(self)self.image_label.setAlignment(Qt.AlignCenter)self.layout.addWidget(self.image_label)self.load_image_button=QPushButton("Load Image",self)self.load_image_button.clicked.connect(self.load_image)self.layout.addWidget(self.load_image_button)self.load_video_button=QPushButton("Load Video",self)self.load_video_button.clicked.connect(self.load_video)self.layout.addWidget(self.load_video_button)self.start_detection_button=QPushButton("Start Detection",self)self.start_detection_button.clicked.connect(self.start_detection)self.layout.addWidget(self.start_detection_button)self.stop_detection_button=QPushButton("Stop Detection",self)self.stop_detection_button.clicked.connect(self.stop_detection)self.layout.addWidget(self.stop_detection_button)self.central_widget.setLayout(self.layout)self.cap=Noneself.timer=QTimer()self.timer.timeout.connect(self.update_frame)defload_image(self):options=QFileDialog.Options()file_name,_=QFileDialog.getOpenFileName(self,"QFileDialog.getOpenFileName()","","Images (*.png *.xpm *.jpg *.jpeg);;All Files (*)",options=options)iffile_name:self.image_path=file_name self.display_image(file_name)defdisplay_image(self,path):pixmap=QPixmap(path)scaled_pixmap=pixmap.scaled(self.image_label.width(),self.image_label.height(),Qt.KeepAspectRatio)self.image_label.setPixmap(scaled_pixmap)defload_video(self):options=QFileDialog.Options()file_name,_=QFileDialog.getOpenFileName(self,"QFileDialog.getOpenFileName()","","Videos (*.mp4 *.avi);;All Files (*)",options=options)iffile_name:self.video_path=file_name self.cap=cv2.VideoCapture(self.video_path)self.start_detection()defstart_detection(self):ifself.capisnotNoneandnotself.timer.isActive():self.timer.start(30)# Update frame every 30 msdefstop_detection(self):ifself.timer.isActive():self.timer.stop()self.cap.release()self.image_label.clear()defupdate_frame(self):ret,frame=self.cap.read()ifret:processed_frame=self.process_frame(frame)rgb_image=cv2.cvtColor(processed_frame,cv2.COLOR_BGR2RGB)h,w,ch=rgb_image.shape bytes_per_line=ch*w qt_image=QImage(rgb_image.data,w,h,bytes_per_line,QImage.Format_RGB888)pixmap=QPixmap.fromImage(qt_image)scaled_pixmap=pixmap.scaled(self.image_label.width(),self.image_label.height(),Qt.KeepAspectRatio)self.image_label.setPixmap(scaled_pixmap)else:self.stop_detection()defprocess_frame(self,frame):results=self.model(frame)forresultinresults:boxes=result.boxes.cpu().numpy()forboxinboxes:r=box.xyxy[0].astype(int)cls=int(box.cls[0])conf=box.conf[0]label=self.model.names[cls]text=f'{label}:{conf:.2f}'color=(0,255,0)# Green color for bounding boxcv2.rectangle(frame,(r[0],r[1]),(r[2],r[3]),color,2)cv2.putText(frame,text,(r[0],r[1]-10),cv2.FONT_HERSHEY_SIMPLEX,0.9,color,2)returnframeif__name__=="__main__":app=QApplication(sys.argv)window=MainWindow()window.show()sys.exit(app.exec_())

使用说明

1. 配置路径：

   • 将path/to/dataset设置为存放数据集的目录路径。
   • 确保runs/detect/weld_exp/weights/best.pt是训练好的 YOLOv8 模型权重路径。

2. 运行脚本：

   • 在终端中运行train_yolov8.py脚本来训练模型。
   • 在终端中运行evaluate_yolov8.py来评估模型性能。
   • 在终端中运行main_window.py来启动 GUI 应用程序。
   • 点击“Load Image”按钮加载图像。
   • 点击“Load Video”按钮加载视频。
   • 点击“Start Detection”按钮开始检测。
   • 点击“Stop Detection”按钮停止检测。

3. 注意事项：

   • 确保所有必要的工具箱已安装，特别是 PyTorch 和 PyQt5。
   • 根据需要调整参数，如epochs和imgsz。

示例

假设你的数据文件夹结构如下：

dataset/ ├── images/ │ ├── train/ │ │ ├── image1.jpg │ │ ├── image2.jpg │ │ └── ... │ ├── test/ │ │ ├── image3.jpg │ │ ├── image4.jpg │ │ └── ... │ └── valid/ │ ├── image5.jpg │ ├── image6.jpg │ └── ... ├── labels/ │ ├── train/ │ │ ├── image1.txt │ │ ├── image2.txt │ │ └── ... │ ├── test/ │ │ ├── image3.txt │ │ ├── image4.txt │ │ └── ... │ └── valid/ │ ├── image5.txt │ ├── image6.txt │ └── ... └── dataset.yaml

并且每个.txt文件中都有正确的 YOLO 标签。运行main_window.py后，你可以通过点击按钮来加载图像或视频并进行焊接焊缝缺陷检测。

总结

构建一个完整的基于 YOLOv8 的焊接焊缝缺陷检测系统，包括数据集准备、环境部署、模型训练、指标可视化展示、评估和 PyQt5 GUI 开发。以下是所有相关的代码文件：

1. 训练 YOLOv8 脚本(train_yolov8.py)
2. 评估 YOLOv8 模型脚本(evaluate_yolov8.py)
3. PyQt5 主窗口代码(main_window.py)