基于yolov5的PCB板缺陷检测（附有详细步骤通俗易懂版）

PCB板缺陷检测

模型训练

在初学的时候，可能不太了解到底模型训练是个什么流程，到底是什么意思。其实也很简单，就是我们用一个框架（如pytorch，tensorflow等）通过一定的算法如yolov5，对一定的数据集进行训练后等形成一个可以直接调用模型（例如用pytorch训练的模型通常是.pt或.pth文件，当然也有一些其他的，这就是看具体的需要了），通过一定的方法调用模型后（通常是简单的.load()语句），直接输入数据就可以按照一定的格式输出训练后的数据。

选择数据集

PCB缺陷检测我查到的有两种数据集，一种是deepPCB,另一种是北京大学智能机器人开放实验室数据，因为北京大学的数据已经处理好了，不用我们再处理了，所以我们在本次实验采用的是北京大学的数据，数据内容如下：

我们可以打开Annotations文件夹，然后再随便打开一个缺陷类型的文件，我们发现都是一些xml的文件，如下图所示：

这就是已经标注好的文件，用xml文件的形式保存，这个文件是在软件上手动标注后导出的文件，我们需要通过一定的处理，将标注信息提取出来。而这一步北京大学的数据集也替我们做了，连处理都不用了，我们可以看一下labels文件夹，内容如下：

这一个一个的txt文件就是我们训练需要的标签文件，我们可以随便打开一个，内容如下：

一共是三行五列数据，开头的0表示缺陷的类型（这里的0~5表示5种缺陷类型），后面的四列表示的是图像的一些其他的信息。三行表示这张图片总共有三个缺陷的地方。

划分训练集

上一步中，我们已经有了初步的数据集，下一步我们要将数据集处理成yolo可以处理的形式，什么意思呢，就是只要我们将yolo模型中的数据集位置改成自己的，就可以直接训练。yolo的数据集如下图所示：

先建立一个主文件夹datasets

然后在里面建立两个文件夹，一个labels，一个images

images里面建立两个文件夹 train和val

labels里面也建立两个文件夹train，val
然后，两个文件夹里的train和val放置对应的文件就行，images里面放图片，labels里面放txt文件，其他就不用管了，因为这个数据集的iamge和txt的文件名称已经对应起来了。另外要注意的是images和labels里面的文件要对应起来，一定是images的train里面放什么图片，labels的train里面就放什么txt文件，val也是如此。train和val的比例这个可以根据需求设置，我这里是设置的8：2。这样数据集就算完成了。

环境配置

首先需要下载yolo模型：yolo下载
下载并解压完成后，我们需要配置文件，打开yolo的那个文件，找到一个requirements文件，如下图：

这个里面就是运行yolo所需要的配置，我们在我们的python的那个终端界面中或者是anaconda的终端窗口中找到自己准备运行的环境，运行下面的语句：

pip install -r requirements.txt

这样我们就下载了所有的依赖包

模型训练

我们需要改变这个模型的几个地方
在/yolov5-master/data下面新建一个pcb.yaml，如下图：

内容如下：

# PCB data

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: D:/AI_PCB_test/datasets #改为自己的数据集的位置
train: images/train # train是txt文件
val: images/val # labels是目录文件

nc: 6  # number of classes

names: ['missing_hole', 'mouse_bite', 'open_circuit', 'short', 'spur', 'spurious_copper']

我们可以从上面看到，这里的train和val都是images的，但是，训练的代码的内部应该是会调用到labels里面的，所以，我们还是要严格的按照上面数据集划分那样来分。
再一个就是修改/yolov5-master/models/yolov5s.yaml（这里取决于自己，我们在这里选择的是small的模型）中修改一个内容，如下：
将这个nc改为6，表示有6种分类
最后就是对train.py的修改
首先找到下面的一个函数：

然后将下面三个对应的参数修改即可：

parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')
parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='model.yaml path')
parser.add_argument('--data', type=str, default='data/pcb.yaml', help='dataset.yaml path')
#注意，第三行中的pcb.yaml如果修改的不是这个名字，换成自己的名字就行

完成了上面的操作，所有的预备条件就完成了，如果用自己的电脑训练的话，直接运行train.py文件就可以了，因为我的电脑配置相对来说不是很好，所以我直接租用服务器来训练，这里的我也建议租用服务器来训练，这里是一个服务器的地址：AutoDL，一方面是服务器的训练速度很快，另一方面训练这样的大模型可能会在电脑上加点东西，还不知道在哪删除，所以建议在服务器上训练。当然自己电脑性能很好的话在自己电脑上训练也完全没有问题。如果不知道AutoDL如何使用的话去看一下上面的说明，很简单的，类似于anaconda的使用。（如果实在不会使用的话，可以私聊我）。

如果上面的操作完成后，只需要在服务器上配置环境（同样是刚才那个pip语句），然后直接训练即可。

调用模型

训练完成后，我们在\yolov5-master1\yolov5-master\runs\train\exp\weights中好到best.pt这个文件，这就是我们训练好的模型，当然有可能有很多的exp文件，我们找一下，一定会有一个exp文件中有这个模型

这些图片都是对模型的评估，可以根据自己的需要对图片进行分析。

如果是在服务器上训练的，建议将整个yolo文件下载下来，因为这个模型的位置并不是随便的，在yolo的代码中可能是已经定义好的，否则直接调用会出现奇怪的bug。下面是调用的一个模板，建议直接粘贴复制：

import os
import torch
import torchvision
import torchvision.models as models
from torchvision import transforms
from PIL import Image
import sys
sys.path.insert(0, './yolov5-master')#这句话一定要加，因为不加会奇怪的错误
#载入本地模型
model = torch.hub.load('D:\yolov5-master', 'custom', 'D:\AI_PCB_test\yolov5-master\\runs\\train\\exp9\\weights\\best.pt', source='local')
#载入图片并显示
img = 'D:\\AI_PCB_test\\PCB_DATASET\\images\\Open_circuit\\12_open_circuit_10.jpg'
result = model(img)
result.show()

我是将yolov5-master放到AI_PCB_test下，然后运行了上面代码既可调用模型，模型调用结果如下图所示：

为什么这么强调文件的位置，因为我在运行的过程中出现了很多的错误，可以多试一下，毕竟这是最后一步，还是这一步完成了就大功告成了。
最后还要注意的是，模型预测的图片应该会最终存入runs/dectect下面，自己不需要创建，如果没有的话，他会自动创建，在调用图片的时候需要注意

图形化界面

用pyqt5或其他的都行，这一步就比较简单了，网上搜一下教程即可。