在缺陷检测领域中，越来越多看到AI的身影，路面缺陷、生产缺陷、PCB缺陷、瓶装酒缺陷检测等等，目标检测等模型发挥着越来越多的作用，像瓷砖缺陷和布匹缺陷这类平面类型的缺陷也不例外，最近做的项目中大多和这类型的数据有关系，今天抽时间基于YOLO来实践布匹缺陷检测。

首先看下效果：

这里我使用的是官方原生的项目，地址在这里，首页截图如下所示：

截至目前已经有超过34.1k的star量了，很出色的项目。

目前已经迭代更新到了7.0版本，全系也都支持图像分割了。

接下来看下数据集，如下所示：

这里为了清晰看下图像数据，随机可视化了几张如下所示：

全部缺陷类别如下所示：

   

    

     

      

     
     

      

       'xiuyin', 
       'jiandong', 
       'houduan', 
       'houbaoduan', 
       'diaogong', 
       'diaowei', 
       'diaojing', 
       'huibian', 
      
     
    

     

      

     
     

      
        
       'jiama', 
       'qianjie', 
       'gongsha', 
       'zhashu', 
       'zhadong', 
       'zhasha', 
       'cashang', 
       'camao', 
       'cadong', 
      
     
    

     

      

     
     

      
        
       'mingqianxian', 
       'lengduan', 
       'maoban', 
       'maodong', 
       'maoli', 
       'wuzi', 
       'youzi', 
       'podong', 
       'pobian', 
      
     
    

     

      

     
     

      
        
       'cusha', 
       'jinsha', 
       'weicusha', 
       'xianyin', 
       'zhiru', 
       'zhixi', 
       'jingcusha', 
       'jingtiaohua', 
       'jiedong', 
      
     
    

     

      

     
     

      
        
       'quewei', 
       'weujing', 
       'erduo', 
       'zhengneyin', 
       'tiaohua', 
       'bianzhadong', 
       'bianbaiyin', 
       'bianquewei', 
      
     
    

     

      

     
     

      
        
       'bianquejing', 
       'bianzhenyan', 
       'huangzi'
      
     
   

模型这里使用的是轻量级的s系列的模型，yaml文件如下：

   

    

     

      

     
     

      

       # YOLOv5 🚀 by Ultralytics, GPL-3.0 license
      
     
    

     

      

     
     

      
 
      
     
    

     

      

     
     

      

       # Parameters
      
     
    

     

      

     
     

      

       nc: 
       46  
       # number of classes
      
     
    

     

      

     
     

      

       depth_multiple: 
       0.33  
       # model depth multiple
      
     
    

     

      

     
     

      

       width_multiple: 
       0.50  
       # layer channel multiple
      
     
    

     

      

     
     

      

       anchors:
      
     
    

     

      

     
     

      

         - [
       10,
       13, 
       16,
       30, 
       33,
       23]  
       # P3/8
      
     
    

     

      

     
     

      

         - [
       30,
       61, 
       62,
       45, 
       59,
       119]  
       # P4/16
      
     
    

     

      

     
     

      

         - [
       116,
       90, 
       156,
       198, 
       373,
       326]  
       # P5/32
      
     
    

     

      

     
     

      
 
      
     
    

     

      

     
     

      

       # YOLOv5 v6.0 backbone
      
     
    

     

      

     
     

      

       backbone:
      
     
    

     

      

     
     

      
  
       # [from, number, module, args]
      
     
    

     

      

     
     

      

         [[-
       1, 
       1, Conv, [
       64, 
       6, 
       2, 
       2]],  
       # 0-P1/2
      
     
    

     

      

     
     

      

          [-
       1, 
       1, Conv, [
       128, 
       3, 
       2]],  
       # 1-P2/4
      
     
    

     

      

     
     

      

          [-
       1, 
       3, C3, [
       128]],
      
     
    

     

      

     
     

      

          [-
       1, 
       1, Conv, [
       256, 
       3, 
       2]],  
       # 3-P3/8
      
     
    

     

      

     
     

      

          [-
       1, 
       6, C3, [
       256]],
      
     
    

     

      

     
     

      

          [-
       1, 
       1, Conv, [
       512, 
       3, 
       2]],  
       # 5-P4/16
      
     
    

     

      

     
     

      

          [-
       1, 
       9, C3, [
       512]],
      
     
    

     

      

     
     

      

          [-
       1, 
       1, Conv, [
       1024, 
       3, 
       2]],  
       # 7-P5/32
      
     
    

     

      

     
     

      

          [-
       1, 
       3, C3, [
       1024]],
      
     
    

     

      

     
     

      

          [-
       1, 
       1, SPPF, [
       1024, 
       5]],  
       # 9
      
     
    

     

      

     
     

      

         ]
      
     
    

     

      

     
     

      
 
      
     
    

     

      

     
     

      

       # YOLOv5 v6.0 head
      
     
    

     

      

     
     

      

       head:
      
     
    

     

      

     
     

      

         [[-
       1, 
       1, Conv, [
       512, 
       1, 
       1]],
      
     
    

     

      

     
     

      

          [-
       1, 
       1, nn.Upsample, [
       None, 
       2, 
       'nearest']],
      
     
    

     

      

     
     

      

          [[-
       1, 
       6], 
       1, Concat, [
       1]],  
       # cat backbone P4
      
     
    

     

      

     
     

      

          [-
       1, 
       3, C3, [
       512, 
       False]],  
       # 13
      
     
    

     

      

     
     

      
 
      
     
    

     

      

     
     

      

          [-
       1, 
       1, Conv, [
       256, 
       1, 
       1]],
      
     
    

     

      

     
     

      

          [-
       1, 
       1, nn.Upsample, [
       None, 
       2, 
       'nearest']],
      
     
    

     

      

     
     

      

          [[-
       1, 
       4], 
       1, Concat, [
       1]],  
       # cat backbone P3
      
     
    

     

      

     
     

      

          [-
       1, 
       3, C3, [
       256, 
       False]],  
       # 17 (P3/8-small)
      
     
    

     

      

     
     

      
 
      
     
    

     

      

     
     

      

          [-
       1, 
       1, Conv, [
       256, 
       3, 
       2]],
      
     
    

     

      

     
     

      

          [[-
       1, 
       14], 
       1, Concat, [
       1]],  
       # cat head P4
      
     
    

     

      

     
     

      

          [-
       1, 
       3, C3, [
       512, 
       False]],  
       # 20 (P4/16-medium)
      
     
    

     

      

     
     

      
 
      
     
    

     

      

     
     

      

          [-
       1, 
       1, Conv, [
       512, 
       3, 
       2]],
      
     
    

     

      

     
     

      

          [[-
       1, 
       10], 
       1, Concat, [
       1]],  
       # cat head P5
      
     
    

     

      

     
     

      

          [-
       1, 
       3, C3, [
       1024, 
       False]],  
       # 23 (P5/32-large)
      
     
    

     

      

     
     

      
 
      
     
    

     

      

     
     

      

          [[
       17, 
       20, 
       23], 
       1, Detect, [nc, anchors]],  
       # Detect(P3, P4, P5)
      
     
    

     

      

     
     

      

         ]
      
     
   

可以看到：这里一共有46种不同类别的缺陷种类。

启动训练，默认100次epoch迭代计算，输出如下：

数据量本身不大，最终训练的效果也没有很好，看下结果。

为了直观可视化推理，这里编写了对应的界面模块，如下：

上传图像：

推理检测

这是2023年的头第一篇博文，写的时候发现CSDN改版了，多多少少有些用不习惯吧，估计适应一段时间就好了，祝大家2023心想事成，身体健康！