企业官网建设流程全解析

网站内做全文搜索,做电商讲师课程的网站,网站开发工资如何,网页图片下载【yolo传送带缺陷检测数据集】2345张#xff0c;nc:4 names: [‘block’, ‘crack’, ‘foreign’, ‘hole’] 名称#xff1a; [‘阻碍物’, ‘裂纹’, ‘异物’, ‘孔洞’]共4194张#xff0c;8:1:1比例划分 train#xff1a;1876张#xff0c;val#xff1a;234张nc:4names: [‘block’, ‘crack’, ‘foreign’, ‘hole’]名称 [‘阻碍物’, ‘裂纹’, ‘异物’, ‘孔洞’]共4194张8:1:1比例划分train1876张val234张test235张标注文件为YOLO适用的txt格式。可以直接用于yolo模型训练。1 一、数据集信息总表项目描述数据集名称YOLO传送带缺陷检测数据集Conveyor Belt Defect Detection Dataset应用场景工业自动化质检、智能工厂、传送带实时监控图像总数2,345 张数据划分比例Train : Val : Test 8 : 1 : 1- 训练集train1,876 张- 验证集val234 张- 测试集test235 张标注格式YOLO TXT 格式每张图对应一个.txt文件任务类型目标检测Object Detection类别数量nc4图像来源工业相机拍摄传送带表面金属/橡胶材质光照条件均匀工业照明部分含反光、阴影️ 二、缺陷类别定义类别 ID英文名中文名典型特征0block阻碍物非传送带本体的凸起或附着物如螺丝、胶块1crack裂纹线状断裂可能贯穿或局部2foreign异物表面粘附杂质油污、碎屑、纤维等3hole孔洞穿透性或非穿透性孔缺✅ 所有标注均已归一化为 YOLO 格式每行class_id center_x center_y width height 三、项目目录结构建议conveyor_belt_defect/ ├── dataset.yaml# 数据集配置文件├── train.py# 训练脚本├── predict_demo.py# 推理演示├── export_model.py# 模型导出└── data/ ├── images/ │ ├── train/# 1876 张│ ├── val/# 234 张│ └── test/# 235 张└── labels/ ├── train/# 对应 .txt 标注├── val/ └── test/ 四、数据集配置文件dataset.yaml# dataset.yamlpath:./datatrain:images/trainval:images/valtest:images/testnc:4names:[block,crack,foreign,hole] 五、完整 YOLOv8 训练代码train.py# train.pyfromultralyticsimportYOLOimporttorchdefmain():devicecudaiftorch.cuda.is_available()elsecpuprint(f 使用设备:{device})# 选择基础模型根据精度/速度需求model_nameyolov8s.pt# 推荐平衡型# model_name yolov8n.pt # 更快适合边缘部署# model_name yolov8m.pt # 更高精度project_nameconveyor_belt_defect_detection# 加载预训练模型modelYOLO(model_name)# 开始训练resultsmodel.train(datadataset.yaml,epochs150,# 工业缺陷需充分训练imgsz640,# 建议 640 或 1280裂纹/孔洞为小目标batch16,# 根据 GPU 显存调整32G 可设 32nameproject_name,devicedevice,patience30,# 早停容忍度防止过拟合saveTrue,plotsTrue,# 自动生成 PR 曲线、混淆矩阵等exist_okFalse,workers8,optimizerAdamW,lr00.01,# 初始学习率lrf0.01,# 最终学习率 lr0 * lrfmomentum0.937,weight_decay0.0005,# 数据增强关键提升泛化augmentTrue,hsv_h0.015,# 色调扰动应对光照变化hsv_s0.7,hsv_v0.4,degrees5.0,# 轻微旋转±5°translate0.1,scale0.5,flipud0.0,# 不上下翻转传送带方向固定fliplr0.5,# 左右翻转安全mosaic1.0,# Mosaic 增强提升小目标检测mixup0.1,copy_paste0.3# Copy-Paste 增强对稀疏缺陷有效)# 在测试集上评估最终性能metricsmodel.val(datadataset.yaml,splittest)print(\n✅ 测试集最终结果:)print(f mAP0.5:{metrics.box.map50:.5f})print(f mAP0.5:0.95:{metrics.box.map:.5f})print(f Precision:{metrics.box.mp:.5f})print(f Recall:{metrics.box.mr:.5f})if__name____main__:main()运行命令python train.py 六、推理演示predict_demo.py# predict_demo.pyfromultralyticsimportYOLO modelYOLO(runs/detect/conveyor_belt_defect_detection/weights/best.pt)resultsmodel.predict(sourcetest_image.jpg,conf0.25,# 工业场景建议降低阈值以提高召回iou0.45,saveTrue,showTrue,line_width2,font_size12)# 打印检测结果forresultinresults:boxesresult.boxesprint(f检测到{len(boxes)}个缺陷)forboxinboxes:cls_idint(box.cls.item())conffloat(box.conf.item())class_name[block,crack,foreign,hole][cls_id]print(f →{class_name}(置信度:{conf:.3f})) 七、模型导出用于部署# export_model.pyfromultralyticsimportYOLO modelYOLO(runs/detect/conveyor_belt_defect_detection/weights/best.pt)# 导出为 ONNX通用model.export(formatonnx,imgsz640,simplifyTrue)# 导出为 TensorRTNVIDIA Jetson / GPUmodel.export(formatengine,imgsz640,halfTrue,device0)# 导出为 OpenVINOIntel CPUmodel.export(formatopenvino,imgsz640)以上文字及代码仅供参考学习使用