轴承缺陷检测4类 1440张

轴承缺陷检测4类 1440张names: [‘aocao’, ‘aoxian’, ‘cashang’, ‘huahen’]名称[‘凹槽’‘凹陷’, ‘卡伤’, ‘划痕’]共1440张8:1:1比例划分train1152张val144张test144张标注文件为YOLO适用的txt格式或xml格式。可以直接用于模型训练。YOLOv8 轴承缺陷检测importosimporttorch from IPython.displayimportImage, clear_output from ultralyticsimportYOLO# 设置随机种子以保证可重复性torch.manual_seed(42)# 定义数据集路径dataset_dirpath/to/dataset# 创建YOLOv5的数据集配置文件data_config{train:os.path.join(dataset_dir,train/images),val:os.path.join(dataset_dir,val/images),test:os.path.join(dataset_dir,test/images),nc:4,# 类别数量names:[aocao,aoxian,cashang,huahen]# 类别名称}with open(os.path.join(dataset_dir,data.yaml),w)as f: yaml.dump(data_config, f)# 训练模型modelYOLO(yolov8n.pt)# 加载预训练的YOLOv8n模型resultsmodel.train(dataos.path.join(dataset_dir,data.yaml),epochs50,imgsz640,batch16,namebearing_defect_detection,projectruns/train)# 评估模型metricsmodel.val()# 可视化预测结果source_image../path/to/dataset/test/sample.jpg# 替换为你要测试的图片路径resultsmodel.predict(sourcesource_image,conf0.25,iou0.45,saveTrue,save_txtTrue)# 显示预测结果Image(filenameruns/detect/predict/sample.jpg)个包含1440张图片的轴承缺陷检测数据集并且这些图片已经被标注为YOLO格式或XML格式。你需要使用YOLOv8进行训练、评估和可视化预测结果。以下是详细的步骤和代码示例。项目介绍数据准备数据集: 包含1440张图片及其对应的标注文件。标注格式: YOLO格式或XML格式如果需要转换。类别:aocao(凹槽): 类别ID 0aoxian(凹陷): 类别ID 1cashang(卡伤): 类别ID 2huahen(划痕): 类别ID 3模型选择YOLOv8: 使用YOLOv8进行目标检测。YOLOv8是YOLO系列的最新版本具有更高的性能和更好的精度。功能数据加载: 自动从指定目录加载图像和标注文件。模型训练: 使用YOLOv8进行训练。模型评估: 在验证集上评估模型性能。结果保存: 保存训练日志和最佳模型权重。可视化预测结果: 可视化预测结果以进行验证。代码实现首先确保你已经安装了YOLOv8库和其他必要的依赖项。你可以通过以下命令安装YOLOv8pipinstallultralytics接下来我们编写代码来组织数据集并训练YOLOv8模型。我们将先检查数据格式是否正确然后进行模型训练。数据集已经是标准的YOLO格式我们可以直接使用它。如果没有我们需要将XML格式转换为YOLO格式。假设数据集已经是YOLO格式如果数据集是XML格式需要转换为YOLO格式如果数据集是XML格式我们需要先进行转换。以下是转换代码importosimportglobimportxml.etree.ElementTreeasETimportshutilimportyamlfrompathlibimportPathimportnumpyasnp# 定义数据集路径dataset_dirpath/to/datasetimages_diros.path.join(dataset_dir,images)annotations_diros.path.join(dataset_dir,annotations)# 创建YOLOv5的数据集配置文件data_config{train:os.path.join(dataset_dir,train/images),val:os.path.join(dataset_dir,val/images),test:os.path.join(dataset_dir,test/images),nc:4,# 类别数量names:[aocao,aoxian,cashang,huahen]# 类别名称}withopen(os.path.join(dataset_dir,data.yaml),w)asf:yaml.dump(data_config,f)# 划分训练集、验证集和测试集defsplit_dataset(images_dir,annotations_dir):image_files[os.path.basename(f)forfinglob.glob(os.path.join(images_dir,*.jpg))]np.random.shuffle(image_files)train_filesimage_files[:int(len(image_files)*0.8)]val_filesimage_files[int(len(image_files)*0.8):int(len(image_files)*0.9)]test_filesimage_files[int(len(image_files)*0.9):]defcreate_folder_and_write_files(folder_name,files):folder_pathos.path.join(dataset_dir,folder_name)images_folderos.path.join(folder_path,images)labels_folderos.path.join(folder_path,labels)ifnotos.path.exists(images_folder):os.makedirs(images_folder)ifnotos.path.exists(labels_folder):os.makedirs(labels_folder)withopen(os.path.join(folder_path,images.txt),w)asf:forimginfiles:src_img_pathos.path.join(images_dir,img)dst_img_pathos.path.join(images_folder,img)shutil.copy(src_img_path,dst_img_path)f.write(dst_img_path\n)src_label_pathos.path.join(annotations_dir,os.path.splitext(img)[0].xml)dst_label_pathos.path.join(labels_folder,os.path.splitext(img)[0].txt)shutil.copy(src_label_path,dst_label_path)f.write(dst_label_path\n)create_folder_and_write_files(train,train_files)create_folder_and_write_files(val,val_files)create_folder_and_write_files(test,test_files)split_dataset(images_dir,annotations_dir)# 转换VOC格式到YOLO格式defconvert_voc_to_yolo(voc_annotations_dir,yolo_labels_dir,class_mapping):ifnotos.path.exists(yolo_labels_dir):os.makedirs(yolo_labels_dir)forannotation_fileinglob.glob(os.path.join(voc_annotations_dir,*.xml)):treeET.parse(annotation_file)roottree.getroot()image_filenameroot.find(filename).text image_widthint(root.find(size/width).text)image_heightint(root.find(size/height).text)yolo_annotation_pathos.path.join(yolo_labels_dir,os.path.splitext(image_filename)[0].txt)withopen(yolo_annotation_path,w)asyolo_file:forobjinroot.findall(object):labelobj.find(name).textiflabelnotinclass_mapping:continueclass_idclass_mapping[label]bndboxobj.find(bndbox)xminfloat(bndbox.find(xmin).text)yminfloat(bndbox.find(ymin).text)xmaxfloat(bndbox.find(xmax).text)ymaxfloat(bndbox.find(ymax).text)x_center(xminxmax)/2.0/image_width y_center(yminymax)/2.0/image_height width(xmax-xmin)/image_width height(ymax-ymin)/image_height yolo_file.write(f{class_id}{x_center}{y_center}{width}{height}\n)class_mapping{aocao:0,aoxian:1,cashang:2,huahen:3}forfolderin[train,val,test]:voc_labels_diros.path.join(dataset_dir,folder,labels)yolo_labels_diros.path.join(dataset_dir,folder,labels)convert_voc_to_yolo(voc_labels_dir,yolo_labels_dir,class_mapping)# 训练模型modelYOLO(yolov8n.pt)# 加载预训练的YOLOv8n模型resultsmodel.train(dataos.path.join(dataset_dir,data.yaml),epochs50,imgsz640,batch16,namebearing_defect_detection,projectruns/train)# 评估模型metricsmodel.val()# 可视化预测结果source_image../path/to/dataset/test/sample.jpg# 替换为你要测试的图片路径resultsmodel.predict(sourcesource_image,conf0.25,iou0.45,saveTrue,save_txtTrue)# 显示预测结果Image(filenameruns/detect/predict/sample.jpg)如何使用这些代码准备数据确保你的数据集格式正确包含图像文件夹和对应的标注文件夹。示例数据结构如下path/to/dataset/ ├── images/ │ ├── image1.jpg │ ├── image2.jpg │ └── ... ├── annotations/ │ ├── image1.xml │ ├── image2.xml │ └── ...替换数据路径在代码中将path/to/dataset替换为你的数据集路径。dataset_diryour_dataset_directory运行代码将上述代码复制到你的Python脚本中并运行该脚本。确保你已经安装了所需的库pipinstallultralytics示例使用自定义数据集假设你有一个新的数据集my_bearing_defect_dataset其内容如下my_bearing_defect_dataset/ ├── images/ │ ├── image1.jpg │ ├── image2.jpg │ └── ... ├── annotations/ │ ├── image1.xml │ ├── image2.xml │ └── ...你可以按照以下步骤进行替换修改数据路径dataset_dirmy_bearing_defect_dataset运行完整的代码将所有代码整合到一个Python脚本中并运行该脚本。注释说明代码中包含了详细的注释帮助你理解每个部分的功能。以下是关键部分的注释数据准备data_config: 定义训练集、验证集和测试集的路径以及类别信息。数据划分split_dataset: 根据给定的比例划分训练集、验证集和测试集。数据转换convert_voc_to_yolo: 将VOC格式的标注文件转换为YOLO格式。模型训练model.train: 使用YOLOv8进行训练。模型评估model.val: 在验证集上评估模型性能。可视化预测结果model.predict: 进行推理并显示预测结果。结果运行代码后你将得到以下结果控制台输出训练过程中每个epoch的日志信息。验证集上的评价指标如mAP。文件输出runs/train/bearing_defect_detection/weights/best.pt: 最佳模型权重。runs/val/exp/results.txt: 验证结果。图像输出runs/detect/predict/sample.jpg: 带有预测边界的图像。希望这些详细的信息和代码能够帮助你顺利实施和优化你的项目。如果你有任何进一步的问题或需要更多帮助请随时提问运行步骤总结安装YOLOv8pipinstallultralytics准备数据集确保数据集路径正确并且包含训练集、验证集和测试集文件夹以及对应的标注文件。运行训练脚本python your_script_name.py评估模型评估结果会在训练结束后自动输出在控制台和文件中。可视化预测结果测试图像的结果会保存在runs/detect/predict/文件夹中可以直接查看带有预测边界的图像。希望这些详细的指导和代码示例能帮助你成功实现和优化你的轴承缺陷检测项