研华工业主板AIMB-523评测--4：缺陷检测模型训练与测试

eefocus_4185690

1. 下载并安装labelImg数据标注软件
在Anaconda Prompt中执行指令：pip install labelImg。

2. 运行labelImg
执行：labelImg

3. 利用labelImg进行数据标注

4. 修改模型训练配置文件
（1）打开YOLOv5文件夹中的train.py文件，在513行附近进行配置

（2）配置screw_yolov5s.yaml文件
资源包中该文件是在models文件夹下的yolov5s.yaml，此处将yolov5s.yaml当做备份，screw_yolov5s.yaml在yolov5s.yaml的基础上进行修改。

（3）配置coco128.yaml文件
与screw_yolov5s.yaml类似，screw_coco128.yaml文件在原资源包中对应data文件夹下的coco128.yaml，此处将coco128.yaml当做备份，screw_coco128.yaml在coco128.yaml的基础上进行修改。

5. 训练模型
执行指令：python train.py。
如果出现如下所示错误，则说明缺少git可执行文件。

解决办法可以有以下两种解决办法（本次训练模型选择了方法2，直接注释掉了git的相关代码）：
（1）遇到这个问题，把Git启动程序添加到环境变量中即可。Git下载链接：https://git-scm.com/install/。
（2）注释掉git相关的代码。

解决掉错误后，重新执行指令：python train.py，进行模型训练。

此次，分别用空白模型训练了20次、100次、150次，训练结果对比如下。

由测试结果可知，20epchos的各项参数太差，这说明训练20次的模型并不具备很好的检测能力。
100cpchos检测分析结果如下。

150cpchos检测分析结果如下。

从100epchos和150epchos的检测结果分析，根据模型数据集损失和验证集损失走向，可以看出模型的准确度有显著提高，同时过拟合控制的也可以。


6. 模型测试
（1）模型训练结束后，在Anaconda Prompt中会打印模型训练结果存放位置，我们选择best.pt权重文件。

（2）将训练好的模型复制到detect.py代码（大概在300行左右）指定的位置，然后在Anaconda Prompt面板中运行detect.py文件即可开始验证模型训练效果，执行指令python detect.py，如下所示。

（3）测试结果
从20cpchos检测结果可以看出模型处于欠拟合状态，基本不具备缺陷检测功能。

使用训练100次和150次模型进行数据测试，测试结果如下。

从测试结果来看，要取得比较好的缺陷检测功能，模型在训练时，至少要进行100cpchos。


7. 螺丝钉缺陷实时检测
对detect.py文件进行修改，实现用摄像头实时检测螺丝钉缺陷。
（1）修改run中source和view_img的参数，如下所示。

（2）添加计算FPS的代码，如下所示。

（3）添加按键控制。

（4）修改配置选项。

（5）添加目录清理代码，节省空间。

至此完成了detect.py的修改，就可以正常使用摄像头采集螺丝钉图像，进行缺陷实时检测。
检测过程及部分运行结果如下。

螺丝钉缺陷实时监测视频。