# STEEL-Surface-Error-Detection-Yolov5

**Repository Path**: simonck666/steel-surface-error-detection-yolov5

## Basic Information

- **Project Name**: STEEL-Surface-Error-Detection-Yolov5
- **Description**: STEEL-Surface-Error-Detection-Yolov5
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2022-02-19
- **Last Updated**: 2022-02-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# dataStandardForm

![](data_Standard_form/dataStandardForm.png)

## Train/ 训练集

![](/Users/simon.yang/Desktop/STEEL_Surface/data_Standard_form/trainFolder.png)![](data_Standard_form/trainFolder.png)

- 所有下载好的 NEU-CLS 数据全部放进去

![](data_Standard_form/train:images.png)

- NEU-CLS 数据集

![](data_Standard_form/Example_data.png)

### Train/labels Folder

- **必须 TXT 格式**

![](data_Standard_form/train:label.png)

- Label Example
  
  - 两行：有两个检测的目标
  
  - 每行第一位：缺陷类别
  
  - 每行后四位：x, y, h, w
    
    - 中心点
    
    - 长和宽
  
  - 做了归一化之后的结果

![](data_Standard_form/label_example.png)

## Valid/ 验证集

![](data_Standard_form/validFolder.png)

### Valid/images

- 一个类别 5 个数据

- 一共三十个数据

![](data_Standard_form/valid:images.png)

## data.yaml 配置文件

![](data_Standard_form/dataYaml.png)

```yaml
// 这两行 train & val 不要改，直接改动之后的数据集就好
train: ../Dataset/train/images
val: ../Dataset/train/images

nc: 6
names: ['crazing', 'inclusion', 'patches', 'pitted_surface', 'rolled-in_scale', ''scratches']
```

# Run Yolov5

`git clone https://github.com/ultralytics/yolov5.git`

[GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite](https://github.com/ultralytics/yolov5.git)

![](data_Standard_form/runArgc.png)

- `--data xxx`: 指定当前路径中 `yaml` 配置文件位置

- `--cfg models/yolov5s.yaml`: 指定 Yolov5 网络架构
  
  - 在文件夹：`yolov5/models` 中
  
  - 常用 `models`：l, s, x 模型大小号
    
    - `yolov5l.yaml`
    
    - `yolov5s.yaml`：快速识别 -- 最简易
    
    - `yolov5x.yaml`：离线版本模型，速度慢 -- 最精确

> 速度快，精度高。速度慢，精度低

- `--batch-size 8`: 建议选大一点的值
  
  - 8 G 显存，batch-size 8
  
  - 从 16 开始试

![](data_Standard_form/yolov5_models.png)

## Yolov5s.yaml 配置文件解析

```yaml
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters

# 分类个数
nc: 80  # number of classes

# 模型网络层数缩小/扩大倍数，标准为 1。0.33 * 标准层数
depth_multiple: 0.33  # model depth multiple

# 特征图的个数：每一层得到特征图个数缩小/扩大的倍数
width_multiple: 0.50  # layer channel multiple

# 特征框大小
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)
  ]
```

# yolov5/runs 日志文件夹

- 每一次训练的日志

- 300 epcho

## yolov5/runs/train/exp/weights

![](data_Standard_form/runs:weights.png)

- `best.pt`: 迭代 300 epoch, 每一个 epoch 模型报错之前，找到最好精度的模型进行保存，用 `best.pt` 进行预测

- `last.pt`: 保存训练最后的一个模型 -- 当作之前训练之后得到的weights，训练完300epoch之后再来200epoch，会接着之前的训练

## yolov5/runs/train/exp/labels.jpg

![](yolov5/runs/train/exp/labels.jpg)

- 统计类别标签分布 -- 左上

- 中心点的大致位置以及密集程度 -- 左下

- 表示划痕大小的分布 -- 右下

## yolov5/runs/train/exp/results.txt

![](data_Standard_form/runs:results.png)

- 每一个 epoch 的 result 都会保存下来

## yolov5/runs/train/exp/train_batch0.jpg

![](yolov5/runs/train/exp/train_batch0.jpg)

# 使用训练完成的模型进行测试

## yolov5/detect.py 模型测试

### 1. 配置参数

![](data_Standard_form/detect:argc.png)

![](data_Standard_form/detect:argc2.png)

- `--source xxx`: 测试的图像
  
  - xxx 甚至可以为一个 .mp4 的文件

- `--weights xxx`: 权重参数文件 -- 找到 runs/train/exp/weights/best.pt

- `output xxx`: 将检测结果输出到output文件夹