基于YOLOv5-7.0的PCB板缺陷检测

参考引用

你的陈某某-基于YOLOv5的PCB板缺陷检测

一、数据集介绍

印刷电路板（PCB）瑕疵数据集。它是一个公共合成PCB数据集，包含1386张图像，具有6种缺陷（漏孔、鼠咬、开路、短路、杂散、杂铜），用于图像检测、分类和配准任务。

下载地址：数据集
在这里插入图片描述

数据样本示例：

在这里插入图片描述

二、环境配置

1、Gitub官网下载yolov5源码：官方地址

2、Anaconda 安装配置（省略）

3、创建新的环境（python=3.8就行，因为使用的是7.0的版本，3.6有点低。）

conda create -n pytorch python=3.8.5

4、安装pytorch：pytorch官网
在这里插入图片描述

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

5、yolov5的依赖下载

根据下载的 yolov5中的requirements.txt进行安装（缺啥补啥）【注意：具体安装以yolov5的readme.md为主！】

pip install -r requirements.txt

三、构建训练数据集

1、先构建数据集文件夹

下载好的PCB_DATASET解压后。是下面这种格式。
在这里插入图片描述
官网下载的PCB数据按照缺陷类划分文件夹的

在这里插入图片描述
将每个文件夹内的东西都复制出来到这个文件中。

然后删掉分类的文件夹。

在这里插入图片描述
images文件夹内的内容也是一样的。

├── PCB_DATASET
│   ├── Annotations  进行 detection 任务时的标签文件，xml 形式，文件名与图片名一一对应
│   ├── images  存放 .jpg 格式的图片文件
│   ├── ImageSets  存放的是分类和检测的数据集分割文件，包含 train.txt,val.txt ,trainval.txt,test.txt
│   ├── labels  存放label标注信息的txt文件，与图片一一对应├── ImageSets(train，val，test建议按照8：1：1比例划分)
│   ├── train.txt  写着用于训练的图片名称
│   ├── val.txt  写着用于验证的图片名称
│   ├── trainval.txt  train与val的合集
│   ├── test.txt  写着用于测试的图片名称

在这里插入图片描述

2、训练数据生成，分为两个代码（训练集划分代码与用于yolo训练的txt格式代码）

（1）训练集划分代码

在PCB_DATASET文件夹下新建ImageSets文件夹。

用途：主要是将数据集分类成训练数据集和测试数据集，默认train，val，test按照比例进行随机分类，运行后ImagesSets文件夹中会出现四个文件，主要是生成的训练数据集和测试数据集的图片名称。

import os
import randomtrainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'D:\\pcb\\PCB_DATASET\\Annotations'
txtsavepath = 'D:\\pcb\\PCB_DATASET\\ImageSets'
total_xml = os.listdir(xmlfilepath)num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)ftrainval = open(txtsavepath+'\\trainval.txt', 'w')
ftest = open(txtsavepath+'\\test.txt', 'w')
ftrain = open(txtsavepath+'\\train.txt', 'w')
fval = open(txtsavepath+'\\val.txt', 'w')for i in list:name = total_xml[i][:-4] + '\n'if i in trainval:ftrainval.write(name)if i in train:ftrain.write(name)else:fval.write(name)else:ftest.write(name)ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

如下图。同时data目录下也会出现这四个文件，内容是训练数据集和测试数据集的图片路径。

在这里插入图片描述
（b）用于yolo训练的txt格式代码

用途：主要是将图片数据集标注后的xml文件中的标注信息读取出来并写入txt文件。

# xml解析包import xml.etree.ElementTree as ET
import pickle
import os# os.listdir() 方法用于返回指定的文件夹包含的文件或文件夹的名字的列表from os import listdir, getcwd
from os.path import joinsets = ['train', 'test', 'val']
classes = ['missing_hole', 'mouse_bite', 'open_circuit', 'short', 'spur', 'spurious_copper']
label_path = 'D:\\pcb\\PCB_DATASET\\labels'
ImageSets = 'D:\\pcb\\PCB_DATASET\\ImageSets'
images = 'D:\\pcb\\PCB_DATASET\\images'# 进行归一化操作def convert(size, box):  # size:(原图w,原图h) , box:(xmin,xmax,ymin,ymax)dw = 1./size[0]     # 1/wdh = 1./size[1]     # 1/hx = (box[0] + box[1])/2.0   # 物体在图中的中心点x坐标y = (box[2] + box[3])/2.0   # 物体在图中的中心点y坐标w = box[1] - box[0]         # 物体实际像素宽度h = box[3] - box[2]         # 物体实际像素高度x = x*dw    # 物体中心点x的坐标比(相当于 x/原图w)w = w*dw    # 物体宽度的宽度比(相当于 w/原图w)y = y*dh    # 物体中心点y的坐标比(相当于 y/原图h)h = h*dh    # 物体宽度的宽度比(相当于 h/原图h)return (x, y, w, h)    # 返回 相对于原图的物体中心点的x坐标比,y坐标比,宽度比,高度比,取值范围[0-1]# year ='2012', 对应图片的id（文件名）def convert_annotation(image_id):'''将对应文件名的xml文件转化为label文件，xml文件包含了对应的bunding框以及图片长款大小等信息，通过对其解析，然后进行归一化最终读到label文件中去，也就是说一张图片文件对应一个xml文件，然后通过解析和归一化，能够将对应的信息保存到唯一一个label文件中去labal文件中的格式：calss x y w h　　同时，一张图片对应的类别有多个，所以对应的ｂｕｎｄｉｎｇ的信息也有多个'''# 对应的通过year 找到相应的文件夹，并且打开相应image_id的xml文件，其对应bund文件in_file = open('D:\\pcb\\PCB_DATASET\\Annotations\\%s.xml' % (image_id), encoding='utf-8')# 准备在对应的image_id 中写入对应的label，分别为# <object-class> <x> <y> <width> <height>out_file = open(label_path+'\\%s.txt' % (image_id), 'w', encoding='utf-8')# 解析xml文件tree = ET.parse(in_file)# 获得对应的键值对root = tree.getroot()# 获得图片的尺寸大小size = root.find('size')# 如果xml内的标记为空，增加判断条件if size != None:# 获得宽w = int(size.find('width').text)# 获得高h = int(size.find('height').text)# 遍历目标objfor obj in root.iter('object'):# 获得difficult ？？difficult = obj.find('difficult').text# 获得类别 =string 类型cls = obj.find('name').text# 如果类别不是对应在我们预定好的class文件中，或difficult==1则跳过if cls not in classes or int(difficult) == 1:continue# 通过类别名称找到idcls_id = classes.index(cls)# 找到bndbox 对象xmlbox = obj.find('bndbox')# 获取对应的bndbox的数组 = ['xmin','xmax','ymin','ymax']b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))print(image_id, cls, b)# 带入进行归一化操作# w = 宽, h = 高， b= bndbox的数组 = ['xmin','xmax','ymin','ymax']bb = convert((w, h), b)# bb 对应的是归一化后的(x,y,w,h)# 生成 calss x y w h 在label文件中out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')# 返回当前工作目录wd = getcwd()
print(wd)for image_set in sets:'''对所有的文件数据集进行遍历做了两个工作：１．将所有图片文件都遍历一遍，并且将其所有的全路径都写在对应的txt文件中去，方便定位２．同时对所有的图片文件进行解析和转化，将其对应的bundingbox 以及类别的信息全部解析写到label 文件中去最后再通过直接读取文件，就能找到对应的label 信息'''# 先找labels文件夹如果不存在则创建if not os.path.exists(label_path):os.makedirs(label_path+'\\')# 读取在ImageSets/Main 中的train、test..等文件的内容# 包含对应的文件名称image_ids = open(ImageSets+'\\%s.txt' % (image_set)).read().strip().split()# 打开对应的2012_train.txt 文件对其进行写入准备list_file = open('D:\pcb\PCB_DATASET\\%s.txt' % (image_set), 'w')# 将对应的文件_id以及全路径写进去并换行for image_id in image_ids:list_file.write(images+'\\%s.jpg\n' % (image_id))# 调用  year = 年份  image_id = 对应的文件名_idconvert_annotation(image_id)# 关闭文件list_file.close()# os.system(‘comand’) 会执行括号中的命令，如果命令成功执行，这条语句返回0，否则返回1# os.system("cat 2007_train.txt 2007_val.txt 2012_train.txt 2012_val.txt > train.txt")# os.system("cat 2007_train.txt 2007_val.txt 2007_test.txt 2012_train.txt 2012_val.txt > train.all.txt")

运行后在labels文件夹中出现所有图片数据集的标注信息。

在这里插入图片描述

label文件夹中某文件内容如下：

在这里插入图片描述

四、修改配置文件

1、数据集方面：yolov5-7.0\data文件夹中，新建一个yolovs-pcb.yaml文件，内容设置如下：

train: D:\\pcb\\PCB_DATASET\\train.txt
val: D:\\pcb\\PCB_DATASET\\val.txt
test: D:\\pcb\\PCB_DATASET\\test.txt# classesnc: 6  # number of classes
names: [ 'missing_hole', 'mouse_bite', 'open_circuit', 'short', 'spur', 'spurious_copper' ]  # class names

注意：路径，类别、标签名字（与标注文件中一致）

2、网络参数方面：yolov5-7.0\model文件夹中，复制yolov5s.yaml文件，为yolov5s-pcb.yaml，将内容进行修改

# Parametersnc: 6  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple

更改其中的nc即标签类别数目。一共是6类。

3、trian.py修改

主要用到的几个参数：–weights，–cfg，–data，–epochs，–batch-size，–img-size，–project，-workers

重点注意：–weights，–cfg，–data，其他的默认即可（batch_size，workers根据自己电脑属性进行设置）。

我的–weights，–cfg，–data设置如下：

	parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')parser.add_argument('--cfg', type=str, default='models/yolov5s-pcb.yaml', help='model.yaml path')parser.add_argument('--data', type=str, default='data/PCB.yaml', help='dataset.yaml path')

五、训练及tensorboard可视化

1、训练

两种方式：pycharm中运行或者终端cmd运行（看个人喜好）

2、训练过程可视化

啰嗦一句：yolov5-7.0文件夹中一个runs文件夹，其中有检测结果和训练结果，如runs\train\exp\results.csv中保存了每个epoch训练信息，如下所示：
在这里插入图片描述

可视化操作：

a、打开一个新的终端，激活环境
【注意：使用tensorboard不需要安装tensorflow，直接pip install xxx安装了即可使用，yolov5安装文档会通过pip install -r requirements.txt自己安装上，若没有再尝试单独装！】

b、cd …\yolov5-7.0

c、tensorboard --logdir=runs或者python -m tensorboard.main --logdir=runs

在这里插入图片描述

d、复制其中的网址，去浏览器中打开（推荐谷歌）

e、可视化结果如下（能够边训练边观察）：

在这里插入图片描述

3、在NVIDIA GeForce GTX 1650 8G显卡训练结果如下（batch_size=16，workers=8）：
在这里插入图片描述

注意：可能 runs\train文件夹中会有多个exp文件，如exp1,exp2等，这是代表每一次新的训练。
在这里插入图片描述
当然你也可以修改本次训练结果的文件夹的名称。

在这里插入图片描述

六、效果测试

在CMD终端运行：

python detect.py --source data_ready\01_missing_hole_01.jpg  --weights runs\train\exp\weights\best.pt

测试结果如下（好像效果不咋地，可以更换其他yolov5系列的网络试试，或者聚类重选anchor）：

在这里插入图片描述

注：在pycharm中运行检测，只需更改train.py中的def parse_opt（）函数中的–source与–weights即可。

七、遇到的BUG

1、‘FreeTypeFont’ object has no attribute ‘getsize’

运行时报错：AttributeError: ‘FreeTypeFont’ object has no attribute ‘getsize’
其实是pollow版本10.0之后，删除了getsize的方法，将pillow版本降低即可。

pip install Pillow==9.5 -i https://pypi.tuna.tsinghua.edu.cn/simple/