【深度学习目标检测】十二、基于深度学习的钢铁缺陷识别（python，目标检测，yolov8）

YOLOv8是一种物体检测算法，是YOLO系列算法的最新版本。

YOLO（You Only Look Once）是一种实时物体检测算法，其优势在于快速且准确的检测结果。YOLOv8在之前的版本基础上进行了一系列改进和优化，提高了检测速度和准确性。

YOLOv8采用了Darknet-53作为其基础网络架构。Darknet-53是一个53层的卷积神经网络，用于提取图像特征。与传统的卷积神经网络相比，Darknet-53具有更深的网络结构和更多的卷积层，可以更好地捕捉图像中的细节和语义信息。

在YOLOv8中，还使用了一些技术来提高检测性能。首先是使用了多尺度检测。YOLOv8在不同的尺度上检测物体，这样可以更好地处理物体的大小变化和远近距离差异。其次是利用了FPN（Feature Pyramid Network）结构来提取多尺度特征。FPN可以将不同层级的特征图进行融合，使得算法对不同大小的物体都有较好的适应性。

此外，YOLOv8还利用了一种称为CSPDarknet的网络结构来减少计算量。CSPDarknet使用了CSP（Cross Stage Partial）结构，在网络的前向和后向传播过程中进行特征融合，从而减少了网络的参数量和计算量。

在训练阶段，YOLOv8使用了一种称为CutMix的数据增强技术。CutMix将不同图像的一部分进行混合，从而增加了数据的多样性和鲁棒性。

总而言之，YOLOv8是一种快速而准确的物体检测算法，它通过引入Darknet-53网络、多尺度检测、FPN结构、CSPDarknet结构和CutMix数据增强等技术，实现了对不同大小和距离的物体进行快速、准确的检测。

本文介绍了基于Yolov8的钢铁缺陷检测模型，包括训练过程和数据准备过程，同时提供了推理的代码。对准备计算机视觉相关的毕业设计的同学有着一定的帮助。

效果如下图：

一、安装YoloV8

yolov8官方文档：主页 - Ultralytics YOLOv8 文档

安装部分参考：官方安装教程

二、数据集准备

NEU-DET钢材表面缺陷共有六大类，分别为：'crazing','inclusion','patches','pitted_surface','rolled-in_scale','scratches'。其中训练集1260个图片，验证集361个图片，测试集180个图片。

示例图片如下：

原始的数据格式为VOC格式，本文提供转换好的yolov8格式数据集，，可以直接放入yolov8中训练，数据集地址：NEU钢铁缺陷数据集yolov8格式

三、模型训练

1、数据集配置文件

在ultralytics/ultralytics/cfg/datasets目录下添加neu.yaml，添加以下内容（path修改为自己的路径）：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO 2017 dataset http://cocodataset.org by Microsoft
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco  ← downloads here (20.1 GB)


# 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: neu_gt/NEU-DET-yolov8  # 替换为自己的路径
train: images/train 
val: images/val  
test: images/test 

# Classes
names:
  # 0: normal
  0: RS
  1: Pa
  2: Cr
  3: PS
  4: In
  5: Sc

# 氧化铁皮压入(RS)、斑块(Pa)、开裂(Cr)、点蚀(PS)、夹杂(In)和划痕(Sc)。

2、修改模型配置文件

在ultralytics/ultralytics/cfg/models/v8目录下添加yolov8n_neu.yaml，添加以下内容：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect

# Parameters
nc: 6  # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024]  # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
  s: [0.33, 0.50, 1024]  # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
  m: [0.67, 0.75, 768]   # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
  l: [1.00, 1.00, 512]   # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
  x: [1.00, 1.25, 512]   # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs

# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]]  # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]]  # 1-P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 2]]  # 3-P3/8
  - [-1, 6, C2f, [256, True]]
  - [-1, 1, Conv, [512, 3, 2]]  # 5-P4/16
  - [-1, 6, C2f, [512, True]]
  - [-1, 1, Conv, [1024, 3, 2]]  # 7-P5/32
  - [-1, 3, C2f, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]]  # 9

# YOLOv8.0n head
head:
  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 6], 1, Concat, [1]]  # cat backbone P4
  - [-1, 3, C2f, [512]]  # 12

  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 4], 1, Concat, [1]]  # cat backbone P3
  - [-1, 3, C2f, [256]]  # 15 (P3/8-small)

  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 12], 1, Concat, [1]]  # cat head P4
  - [-1, 3, C2f, [512]]  # 18 (P4/16-medium)

  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 9], 1, Concat, [1]]  # cat head P5
  - [-1, 3, C2f, [1024]]  # 21 (P5/32-large)

  - [[15, 18, 21], 1, Detect, [nc]]  # Detect(P3, P4, P5)

3、训练模型

使用如下命令训练模型，相关路径更改为自己的路径，建议绝对路径：

yolo detect train project=deploy name=yolov8_neu exist_ok=True optimizer=auto val=True amp=True epochs=100  imgsz=640 model=ultralytics/ultralytics/cfg/models/v8/yolov8n_neu.yaml  data=ultralytics/ultralytics/cfg/datasets/neu.yaml

4、验证模型

使用如下命令验证模型，相关路径根据需要修改：

yolo detect val imgsz=640 model=deploy/yolov8_neu/weights/best.pt data=ultralytics/ultralytics/cfg/datasets/neu.yaml

精度如下：

# Ultralytics YOLOv8.0.222 🚀 Python-3.10.13 torch-2.0.1+cu118 CUDA:0 (NVIDIA GeForce RTX 4090, 24210MiB)
# YOLOv8_p2 summary (fused): 207 layers, 2921832 parameters, 0 gradients, 12.2 GFLOPs
# val: Scanning /home/yq/aitools/datasets/neu_gt/NEU-DET-yolov8/labels/val.cache... 360 images, 0 backgrounds, 0 corrupt: 100%|█████████
#                  Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 23/23 [00:06<00:00,  3.64it
#                    all        360        831      0.701      0.699      0.753       0.44
#                     RS        360        126      0.568      0.219      0.403      0.144
#                     Pa        360        196      0.676      0.791      0.808      0.453
#                     Cr        360        192       0.83      0.906      0.938      0.626
#                     PS        360         95      0.842      0.758      0.815      0.545
#                     In        360        116      0.611      0.569      0.636      0.328
#                     Sc        360        106       0.68      0.953      0.918      0.544
# Speed: 1.0ms preprocess, 4.2ms inference, 0.0ms loss, 1.4ms postprocess per image

四、推理

训练好了模型，可以使用如下代码实现推理，将权重放到同级目录：

from PIL import Image
from ultralytics import YOLO

# 加载预训练的YOLOv8n模型
model = YOLO('best.pt')

# 在'bus.jpg'上运行推理
image_path = 'inclusion_81.jpg'
results = model(image_path)  # 结果列表

# 展示结果
for r in results:
    im_array = r.plot()  # 绘制包含预测结果的BGR numpy数组
    im = Image.fromarray(im_array[..., ::-1])  # RGB PIL图像
    im.show()  # 显示图像
    im.save('results.jpg')  # 保存图像

本教程训练好的权重和推理代码、示例代码连接：推理代码和训练好的权重