YOLO27防震锤缺陷检测数据集 防震锤数据集 1000张 防震锤 带标注 voc yolo 2 类 目标检测

防震锤缺陷检测数据集 1000张 防震锤 带标注 voc yolo分类名: (图片张数， 标注个数)

none_ defect ive:
(636，1 808)
defective: (831， 933)
总数:
(1000，2741)
总类(nc): 2类


使用YOLOv8进行训练的完整步骤。我们将确保所有步骤都是一键运行的，以便你可以轻松地进行模型训练和评估。

数据集介绍

数据集概述

• 数据集名称：Anti-Vibration Hammer Defect Detection Dataset (AVHDDD)
• 数据类型：图像
• 目标任务：防震锤缺陷检测
• 样本数量：1000张图像
• 标注格式：VOC (XML) 和 YOLO (TXT)
• 类别：2类
  • 无缺陷 (none_defective)
  • 缺陷 (defective)

数据集统计

• 无缺陷 (none_defective)：636张图像，1808个框
• 缺陷 (defective)：831张图像，933个框
• 总计：1000张图像，2741个框

数据集目录结构

AVHDDD/ ├── images/ │ ├── train/ │ └── val/ ├── labels_voc/ │ ├── train/ │ └── val/ ├── labels_yolo/ │ ├── train/ │ └── val/ └── data.yaml

数据集配置文件

创建一个data.yaml文件，配置数据集的路径和类别信息：

path:./AVHDDD# 数据集路径train:images/train# 训练集图像路径val:images/val# 验证集图像路径nc:2# 类别数names:['none_defective','defective']# 类别名称

转换标注格式

假设标注文件是VOC格式的XML文件，我们需要将它们转换为YOLO格式的TXT文件。

转换脚本

importxml.etree.ElementTreeasETimportosdefconvert_voc_to_yolo(voc_file,yolo_file,class_names):tree=ET.parse(voc_file)root=tree.getroot()width=int(root.find('size/width').text)height=int(root.find('size/height').text)withopen(yolo_file,'w')asf:forobjinroot.findall('object'):class_name=obj.find('name').textifclass_namenotinclass_names:continueclass_id=class_names.index(class_name)bbox=obj.find('bndbox')x_min=float(bbox.find('xmin').text)y_min=float(bbox.find('ymin').text)x_max=float(bbox.find('xmax').text)y_max=float(bbox.find('ymax').text)x_center=(x_min+x_max)/2.0/width y_center=(y_min+y_max)/2.0/height w=(x_max-x_min)/width h=(y_max-y_min)/height f.write(f"{class_id}{x_center}{y_center}{w}{h}\n")defconvert_all_voc_to_yolo(voc_dir,yolo_dir,class_names):os.makedirs(yolo_dir,exist_ok=True)forfilenameinos.listdir(voc_dir):iffilename.endswith('.xml'):voc_file=os.path.join(voc_dir,filename)yolo_file=os.path.join(yolo_dir,filename.replace('.xml','.txt'))convert_voc_to_yolo(voc_file,yolo_file,class_names)if__name__=="__main__":class_names=['none_defective','defective']voc_train_dir='AVHDDD/labels_voc/train'yolo_train_dir='AVHDDD/labels_yolo/train'convert_all_voc_to_yolo(voc_train_dir,yolo_train_dir,class_names)voc_val_dir='AVHDDD/labels_voc/val'yolo_val_dir='AVHDDD/labels_yolo/val'convert_all_voc_to_yolo(voc_val_dir,yolo_val_dir,class_names)

YOLOv8训练代码

1. 安装YOLOv8库和依赖项：

   gitclone https://github.com/ultralytics/ultralytics.gitcdultralytics pipinstall-rrequirements.txt

2. 训练模型：

   fromultralyticsimportYOLOdeftrain_model(data_yaml_path,model_config,epochs,batch_size,img_size,augment):# 加载模型model=YOLO(model_config)# 训练模型results=model.train(data=data_yaml_path,epochs=epochs,batch=batch_size,imgsz=img_size,augment=augment)# 保存模型model.save("runs/train/avhddd/best.pt")if__name__=="__main__":data_yaml_path='AVHDDD/data.yaml'model_config='yolov8n.yaml'epochs=100batch_size=16img_size=640augment=Truetrain_model(data_yaml_path,model_config,epochs,batch_size,img_size,augment)

详细解释

1. 安装YOLOv8和依赖项：

   • 克隆YOLOv8仓库并安装所有必要的依赖项。

2. 训练模型：

   • 导入YOLOv8库。
   • 加载模型配置文件。
   • 调用model.train方法进行训练。
   • 保存训练后的最佳模型。

运行训练脚本

将上述脚本保存为一个Python文件（例如train_yolov8_avhddd.py），然后运行它。

python train_yolov8_avhddd.py

评估模型

1. 评估模型：

   fromultralyticsimportYOLOdefevaluate_model(data_yaml_path,weights_path,img_size,conf_threshold):# 加载模型model=YOLO(weights_path)# 评估模型results=model.val(data=data_yaml_path,imgsz=img_size,conf=conf_threshold)# 打印评估结果print(results)if__name__=="__main__":data_yaml_path='AVHDDD/data.yaml'weights_path='runs/train/avhddd/best.pt'img_size=640conf_threshold=0.4evaluate_model(data_yaml_path,weights_path,img_size,conf_threshold)

详细解释

1. 评估模型：
   • 导入YOLOv8库。
   • 加载训练好的模型权重。
   • 调用model.val方法进行评估。
   • 打印评估结果。

运行评估脚本

将上述脚本保存为一个Python文件（例如evaluate_yolov8_avhddd.py），然后运行它。

python evaluate_yolov8_avhddd.py

一键运行脚本

为了实现一键运行，可以将图像预处理、训练和评估脚本合并到一个主脚本中，并添加命令行参数来控制运行模式。

importargparseimportosimportxml.etree.ElementTreeasETfromultralyticsimportYOLOdefconvert_voc_to_yolo(voc_file,yolo_file,class_names):tree=ET.parse(voc_file)root=tree.getroot()width=int(root.find('size/width').text)height=int(root.find('size/height').text)withopen(yolo_file,'w')asf:forobjinroot.findall('object'):class_name=obj.find('name').textifclass_namenotinclass_names:continueclass_id=class_names.index(class_name)bbox=obj.find('bndbox')x_min=float(bbox.find('xmin').text)y_min=float(bbox.find('ymin').text)x_max=float(bbox.find('xmax').text)y_max=float(bbox.find('ymax').text)x_center=(x_min+x_max)/2.0/width y_center=(y_min+y_max)/2.0/height w=(x_max-x_min)/width h=(y_max-y_min)/height f.write(f"{class_id}{x_center}{y_center}{w}{h}\n")defconvert_all_voc_to_yolo(voc_dir,yolo_dir,class_names):os.makedirs(yolo_dir,exist_ok=True)forfilenameinos.listdir(voc_dir):iffilename.endswith('.xml'):voc_file=os.path.join(voc_dir,filename)yolo_file=os.path.join(yolo_dir,filename.replace('.xml','.txt'))convert_voc_to_yolo(voc_file,yolo_file,class_names)deftrain_model(data_yaml_path,model_config,epochs,batch_size,img_size,augment):# 加载模型model=YOLO(model_config)# 训练模型results=model.train(data=data_yaml_path,epochs=epochs,batch=batch_size,imgsz=img_size,augment=augment)# 保存模型model.save("runs/train/avhddd/best.pt")defevaluate_model(data_yaml_path,weights_path,img_size,conf_threshold):# 加载模型model=YOLO(weights_path)# 评估模型results=model.val(data=data_yaml_path,imgsz=img_size,conf=conf_threshold)# 打印评估结果print(results)defmain(mode):class_names=['none_defective','defective']data_yaml_path='AVHDDD/data.yaml'model_config='yolov8n.yaml'epochs=100batch_size=16img_size=640conf_threshold=0.4augment=Trueifmode=='convert':voc_train_dir='AVHDDD/labels_voc/train'yolo_train_dir='AVHDDD/labels_yolo/train'convert_all_voc_to_yolo(voc_train_dir,yolo_train_dir,class_names)voc_val_dir='AVHDDD/labels_voc/val'yolo_val_dir='AVHDDD/labels_yolo/val'convert_all_voc_to_yolo(voc_val_dir,yolo_val_dir,class_names)elifmode=='train':train_model(data_yaml_path,model_config,epochs,batch_size,img_size,augment)elifmode=='eval':weights_path='runs/train/avhddd/best.pt'evaluate_model(data_yaml_path,weights_path,img_size,conf_threshold)else:print("Invalid mode. Use 'convert', 'train', or 'eval'.")if__name__=="__main__":parser=argparse.ArgumentParser(description="Convert, train, or evaluate YOLOv8 on the Anti-Vibration Hammer Defect Detection Dataset.")parser.add_argument('mode',type=str,choices=['convert','train','eval'],help="Mode: 'convert', 'train', or 'eval'")args=parser.parse_args()main(args.mode)

详细解释

1. 命令行参数：

   • 使用argparse库添加命令行参数，控制脚本的运行模式（转换、训练或评估）。

2. 主函数：

   • 根据传入的模式参数，调用相应的转换、训练或评估函数。

运行主脚本

将上述脚本保存为一个Python文件（例如main_yolov8_avhddd.py），然后运行它。

转换标注格式

python main_yolov8_avhddd.py convert

训练模型

python main_yolov8_avhddd.py train

评估模型

python main_yolov8_avhddd.pyeval

总结

通过以上步骤，你可以准备好防震锤缺陷检测数据集，并使用YOLOv8进行训练和评估。希望这些信息对你有帮助！