当前位置: 首页 > news >正文

一手项目对接app平台seo如何选择网站标题

一手项目对接app平台,seo如何选择网站标题,jeecms做企业网站,代理网页游戏需要什么条件啊PCB缺陷检测数据集#xff08;yolov5,v7,v8#xff09; 数据集总共有两个文件夹#xff0c;一个是pcb整体标注#xff0c;一个是pcb部分截图。 整体标注有6个分类#xff0c;开路#xff0c;短路等都已经标注#xff0c;标注格式为xml#xff0c;每个文件夹下有100多张… PCB缺陷检测数据集yolov5,v7,v8 数据集总共有两个文件夹一个是pcb整体标注一个是pcb部分截图。 整体标注有6个分类开路短路等都已经标注标注格式为xml每个文件夹下有100多张的图片可转yolo格式跑过效果很好北京大学PCB数据集。 第二个是第一个的部分和增强共10688张图片多篇pcb论文用的是这个数据集共6类训练集和检测集总共有10688张看最后一张图。标注格式为txt可直接yolov5,v7,v8检测。 项目概述 本数据集是一个专门用于印刷电路板PCB缺陷检测的数据集包含两个主要部分一个是整体标注的PCB图像另一个是部分截图和增强后的图像。整体标注部分有6个分类包括开路、短路等常见缺陷并且已经使用XML格式进行了标注。第二个部分是对第一个部分的部分截图和增强处理共有10688张图像标注格式为YOLO格式txt文件可以直接用于YOLOv5、YOLOv7和YOLOv8模型的训练和检测。 数据集特点 高质量标注所有标注数据经过处理确保了标注质量。多样化类别涵盖六类常见的PCB缺陷。多用途适用于多种目标检测任务特别是涉及PCB缺陷检测的应用。易于使用提供了详细的说明文档和预处理好的标注文件方便用户快速上手。学术认可多篇PCB相关论文使用了该数据集具有较高的学术价值和实际应用价值。 数据集结构 PCB_Defect_Detection_Dataset/ ├── full_boards/ # 整体标注的PCB图像 │ ├── images/ # 图像文件夹 │ │ ├── train/ # 训练集图像 │ │ ├── val/ # 验证集图像 │ │ └── test/ # 测试集图像 │ ├── annotations/ # 标注文件夹 (XML格式) │ │ ├── train/ # 训练集标注 │ │ ├── val/ # 验证集标注 │ │ └── test/ # 测试集标注 ├── partial_and_augmented/ # 部分截图和增强后的图像 │ ├── images/ # 图像文件夹 │ │ ├── train/ # 训练集图像 │ │ ├── val/ # 验证集图像 │ │ └── test/ # 测试集图像 │ ├── labels/ # 标注文件夹 (YOLO格式) │ │ ├── train/ # 训练集标注 │ │ ├── val/ # 验证集标注 │ │ └── test/ # 测试集标注 ├── README.md # 项目说明文档 └── data.yaml # 数据集配置文件 数据集内容 总数据量 整体标注的PCB图像每个文件夹下约100多张图像。部分截图和增强后的图像共10688张图像。标注格式 整体标注XML格式。部分截图和增强YOLO格式txt文件。标注对象各类PCB缺陷的位置。类别及数量 类别名标注个数开路 (Open Circuit)具体数量短路 (Short Circuit)具体数量缺失元件 (Missing Component)具体数量错误元件 (Wrong Component)具体数量裂纹 (Crack)具体数量污染 (Contamination)具体数量 总计 图像总数整体标注约600张部分截图和增强10688张标注总数具体数量根据实际情况而定总类别数 (nc)6类 使用说明 环境准备 确保安装了Python及其相关库如torch、opencv-python、matplotlib等。下载并解压数据集到本地目录。安装YOLOv5、YOLOv7或YOLOv8所需的依赖项 git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt 加载数据集 可以使用常见的编程语言如Python来加载和处理数据集。示例代码如下 import os import xml.etree.ElementTree as ET import pandas as pd from pathlib import Path from yolov5.utils.datasets import LoadImages, LoadImagesAndLabels from yolov5.models.experimental import attempt_load from yolov5.utils.general import non_max_suppression, scale_coords from yolov5.utils.torch_utils import select_device import cv2 import numpy as np# 定义数据集路径 dataset_path PCB_Defect_Detection_Dataset# 加载整体标注的图像和标注 def load_full_boards(folder):images_folder os.path.join(dataset_path, full_boards, images, folder)annotations_folder os.path.join(dataset_path, full_boards, annotations, folder)dataset []for image_file in os.listdir(images_folder):if image_file.endswith(.jpg) or image_file.endswith(.png):image_path os.path.join(images_folder, image_file)annotation_path os.path.join(annotations_folder, image_file.replace(.jpg, .xml).replace(.png, .xml))tree ET.parse(annotation_path)root tree.getroot()labels []for obj in root.findall(object):name obj.find(name).textbndbox obj.find(bndbox)xmin int(bndbox.find(xmin).text)ymin int(bndbox.find(ymin).text)xmax int(bndbox.find(xmax).text)ymax int(bndbox.find(ymax).text)labels.append([name, xmin, ymin, xmax, ymax])dataset.append({image_path: image_path,labels: labels})return dataset# 加载部分截图和增强后的图像和标注 def load_partial_and_augmented(folder):images_folder os.path.join(dataset_path, partial_and_augmented, images, folder)labels_folder os.path.join(dataset_path, partial_and_augmented, labels, folder)dataset []for image_file in os.listdir(images_folder):if image_file.endswith(.jpg) or image_file.endswith(.png):image_path os.path.join(images_folder, image_file)label_path os.path.join(labels_folder, image_file.replace(.jpg, .txt).replace(.png, .txt))with open(label_path, r) as f:labels [line.strip().split() for line in f.readlines()]dataset.append({image_path: image_path,labels: labels})return dataset# 示例加载整体标注的训练集 full_boards_train_dataset load_full_boards(train) print(fNumber of training images (full boards): {len(full_boards_train_dataset)})# 示例加载部分截图和增强后的训练集 partial_and_augmented_train_dataset load_partial_and_augmented(train) print(fNumber of training images (partial and augmented): {len(partial_and_augmented_train_dataset)}) 模型训练 使用预训练的YOLOv5、YOLOv7或YOLOv8模型进行微调或者从头开始训练。示例代码如下以YOLOv5为例 # 设置设备 device select_device()# 加载预训练模型或从头开始训练 model attempt_load(yolov5s.pt, map_locationdevice) # 或者 path/to/custom_model.pt model.train()# 数据集配置文件 data_yaml PCB_Defect_Detection_Dataset/data.yaml# 训练参数 hyp yolov5/data/hyps/hyp.scratch.yaml # 超参数配置文件 epochs 100 batch_size 16 img_size 640# 开始训练 %cd yolov5 !python train.py --img {img_size} --batch {batch_size} --epochs {epochs} --data {data_yaml} --weights yolov5s.pt 模型推理 使用训练好的模型进行推理并在图像上绘制检测结果。示例代码如下 def detect(image_path, model, device, img_size640):img0 cv2.imread(image_path)img letterbox(img0, new_shapeimg_size)[0]img img[:, :, ::-1].transpose(2, 0, 1) # BGR to RGB, to 3x416x416img np.ascontiguousarray(img)img torch.from_numpy(img).to(device)img img.half() if half else img.float() # uint8 to fp16/32img / 255.0 # 0 - 255 to 0.0 - 1.0if img.ndimension() 3:img img.unsqueeze(0)# 推理with torch.no_grad():pred model(img, augmentFalse)[0]# NMSpred non_max_suppression(pred, 0.4, 0.5, classesNone, agnosticFalse)for i, det in enumerate(pred): # 每个图像的检测结果if det is not None and len(det):det[:, :4] scale_coords(img.shape[2:], det[:, :4], img0.shape).round()for *xyxy, conf, cls in reversed(det):label f{model.names[int(cls)]} {conf:.2f}plot_one_box(xyxy, img0, labellabel, color(0, 255, 0), line_thickness3)return img0# 示例检测单张图像 result_img detect(path/to/image.jpg, model, device) cv2.imshow(Detection Result, result_img) cv2.waitKey(0) cv2.destroyAllWindows() 性能评估 使用测试集进行性能评估计算mAP、召回率、精确率等指标。可以使用YOLOv5自带的评估脚本 bash 深色版本 python val.py --data PCB_Defect_Detection_Dataset/data.yaml --weights best.pt --img 640 注意事项 数据格式确保图像文件和标注文件的命名一致以便正确匹配。硬件要求建议使用GPU进行训练和推理以加快处理速度。如果没有足够的计算资源可以考虑使用云服务提供商的GPU实例。超参数调整根据实际情况调整网络架构、学习率、批次大小等超参数以获得更好的性能。 应用场景 PCB制造自动检测PCB上的缺陷提高生产效率和产品质量。智能监控结合自动化生产线实现对PCB的实时监控和预警。科研教育用于PCB缺陷检测研究和教学提高学生和工程师的专业技能。
http://www.yayakq.cn/news/5192/

相关文章:

  • 冠辰网站建设网站页面好了怎么做后端
  • 公司网站开发模板建设集团摩托车
  • 深圳企业网站模板重庆市哪个区最繁华
  • wordpress站点字体修改西部数码网站管理助手错误
  • 如何禁止某ip访问网站网站网站建设设计
  • 建设企业网站平台主要的目的是界面设计模式读后感
  • 怎么用php做网站后台程序企业网站 优秀
  • 手机网站设计教育类模板夏天做那些网站致富
  • 旅游网站的设计方案怎么做网站设置密码
  • 徐州做网站xlec网站开发一级分销
  • 电信ip做的网站移动不能访问公司官网开发
  • 做暧暖网站江阳建设集团网站
  • 专业设计网站公司网站建设捌金手指花总四
  • 个人网站制作总体设计蓝色门户网站
  • 怎么给自己公司做网站wordpress开发软件
  • 劲松网站建设公司wordpress做导航站
  • 创新的做pc端网站网站免费视频
  • 在菲做平台网站500强企业网站有哪些
  • 百度网站搜索关键字河北邢台出大事啦
  • 亚马逊没有网站怎么做seo亚马逊雨林动物大全
  • 农产品网站开发背景四会网站建设
  • 网站推广都有哪些公司注册资金可以取出来吗
  • 做网站的公司怎么做业务上海营销型网站开发
  • 网站做网站做任务手机网店开店网站
  • 广州网站优化地址网络优化关键词
  • 查询注册过的网站wordpress 判断登录页面跳转
  • 怎样建立网站ip地址wordpress排版问题
  • 哪里有免费的网站推广软件nodejs做网站的弊端
  • 网站规划小结steam交易链接怎么用
  • 电商网站 性能目标有哪些wordpress设置中文