【YOLO5 项目实战】（3）PCB 缺陷检测
youcans_ 2024-09-06 17:01:01 阅读 85
欢迎关注『youcans动手学模型』系列
本专栏内容和资源同步到 GitHub/youcans
【YOLO5 项目实战】（1）YOLO5 环境配置与测试
【YOLO5 项目实战】（2）使用自己的数据集训练目标检测模型
【YOLO5 项目实战】（3）PCB 缺陷检测
【YOLO5 项目实战】（3）PCB 缺陷检测
1. PCB 缺陷检测问题2. PCB 缺陷数据集2.1 下载 PCB 瑕疵数据集2.2 构建 PCB 缺陷数据集2.2.1 划分训练/测试数据集2.2.2 标签格式转换
2.3 数据集配置文件
3. 训练 PCB 缺陷模型3.1 下载 YOLOv5 预训练模型3.2 修改 YOLOv5 模型配置3.3 YOLOv5 模型训练3.4 模型训练结果
4. 模型推理4.1 修改推理程序 detect.py4.2 运行推理程序检测 PCB 缺陷
5. 报错处理
1. PCB 缺陷检测问题
印制电路板(简称PCB)是组装电子零件用的基板，PCB板的制造品质直接影响电子产品的可靠性。随着电子组装向更高密度、更小尺寸的PCB混合技术的纵深发展，为减少进入下步工序的缺陷电路板的数量，对PCB检测的自动光学检测(AOI)系统的需求也越来越大。
AOI系统是基于机器视觉技术应用的自动化检测系统，由图像采集单元、光源和主机组成，采用高清相机和高速图像处理软件进行实时检测，提取PCB表面图形、通过图形数字化转换、特征点逻辑判断与图形匹配、线条形态轮廓逻辑比对、缺陷点判定与提取这一技术流程来实现PCB表面图形的缺陷检测。
AOI系统作为基于机器视觉的自动化检测工具，具有高速、高效、高精度的特点，广泛应用于PCB检测。它能尽早发现并纠正缺陷，提高SMT生产工艺的成品率，并能适应高密度PCB组装的检测需求。
传统的 PCB 缺陷检测技术，通常基于数字图像处理技术进行处理。例如：首先读取图片，然后进行开运算和闭运算以预处理图像，接着使用动态阈值分割方法提取缺陷区域，最后展示原图和检测出的缺陷边缘。常用处理算法包括：
Blob分析+特征检测Blob分析+特征检测+差分频域滤波+空间滤波光度立体法特征训练（分类器，深度学习）测量+拟合
近年来随着深度学习技术的发展，基于深度学习的PCB板缺陷检测方法取得了显著的进步。YOLO（You Only Look Once）系列算法，以其快速、准确的特点，在实时缺陷检测领域受到广泛关注。
一种基于 YOLO5 PCB板缺陷检测系统，面临的挑战包括：
PCB板缺陷检测的准确性和速度环境适应性和模型泛化能力用户交互界面的直观性和功能性数据处理能力和存储效率系统的可扩展性和维护性
2. PCB 缺陷数据集
2.1 下载 PCB 瑕疵数据集
北大印刷电路板（PCB）瑕疵数据集
北大智能机器人开放实验室提供的 印刷电路板（PCB）瑕疵数据集，是一个公共合成PCB数据集，包含1386张图像，具有6种缺陷（漏孔、鼠咬、开路、短路、杂散、杂铜），用于图像检测、分类和配准任务。
下载地址：北京大学智能机器人开放实验室百度AI stduio下载链接：https://aistudio.baidu.com/datasetdetail/272346，下载内容包括JSON和VOC格式版
使用百度AI stduio下载，选择 PCB_DATASET_VOC.zip 下载。下载数据集的结构如下：
<code>- DataSetPCB
- Annotations
- ImageSets
DeepPCB 瑕疵数据集：
一个数据集包含1500个图像对，每个图像对由一个无缺陷的模板图像和一个对齐的测试图像组成，带有注释，包括6种最常见的PCB缺陷的位置：开路、短路、鼠咬、毛刺、针孔和假铜。每张 640 x 640图像中大约有3到12个缺陷。推荐将1000张图像作为训练集，将剩余图像作为测试集。
下载地址：DeepPCB数据集Gitee 下载链接：https://gitee.com/dengzhiguang/DeepPCB参考文献：Online PCB Defect Detector On A New PCB Defect Dataset
2.2 构建 PCB 缺陷数据集
下载的 PCB 瑕疵数据集与 YOLOv5 的格式不一致，本文以北大 PCB 瑕疵数据集为例，构建 YOLOv5 数据集。
2.2.1 划分训练/测试数据集
把原始数据集划分为训练集、测试集和验证集，处理代码 split_train_val.py如下：
<code>import os
import random
import argparse
parser = argparse.ArgumentParser()
# 数据集的标注文件夹的路径，默认 '\Annotations'
parser.add_argument('--xml_path', default='Annotations', type=str, help='input xml label path')code>
# 数据集的图像文件夹的路径，默认 '\ImageSets'
parser.add_argument('--txt_path', default='ImageSets', type=str, help='output txt label path')code>
opt = parser.parse_args()
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
# xmlfilepath = '\Annotations'
# txtsavepath = '\Images'
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
os.makedirs(txtsavepath)
trainval_percent = 0.9
train_percent = 0.8
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt', 'w')
file_val = open(txtsavepath + '/val.txt', 'w')
for i in list_index:
name = total_xml[i][:-4] + '\n'
print(name)
if i in trainval:
file_trainval.write(name)
if i in train:
file_train.write(name)
else:
file_val.write(name)
else:
file_test.write(name)
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()
2.2.2 标签格式转换
（1）该 PCB 瑕疵数据集 采用 VOC 的标签格式，保存在 Annotations 子目录中。
以 01_missing_hole_01.xml 为例，内容如下：
<annotation>
<folder>Missing_hole</folder>
<filename>01_missing_hole_01.jpg</filename>
<path>/home/weapon/Desktop/PCB_DATASET/Missing_hole/01_missing_hole_01.jpg</path>
<source>
<database>Unknown</database>
</source>
<size>
<width>3034</width>
<height>1586</height>
<depth>3</depth>
</size>
<segmented>0</segmented>
<object>
<name>missing_hole</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>2459</xmin>
<ymin>1274</ymin>
<xmax>2530</xmax>
<ymax>1329</ymax>
</bndbox>
</object>
<object>
<name>missing_hole</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>1613</xmin>
<ymin>334</ymin>
<xmax>1679</xmax>
<ymax>396</ymax>
</bndbox>
</object>
<object>
<name>missing_hole</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>1726</xmin>
<ymin>794</ymin>
<xmax>1797</xmax>
<ymax>854</ymax>
</bndbox>
</object>
</annotation>
（2）把 VOC 的标签格式转换为yolov5的格式，Python 代码如下：
# 将 xml 标签格式转换为 yolov5 格式
# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd
# box [xmin,ymin,xmax,ymax]
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = (box[0] + box[1]) / 2.0 - 1
y = (box[2] + box[3]) / 2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return x, y, w, h
# xml2yolo
def convert_annotation(image_id):
in_file = open('Annotations/%s.xml' % (image_id), encoding='UTF-8')code>
out_file = open('Labels/%s.txt' % (image_id), 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
# difficult = obj.find('Difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
b1, b2, b3, b4 = b
# 标注越界修正
if b2 > w:
b2 = w
if b4 > h:
b4 = h
b = (b1, b2, b3, b4)
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
sets = ['train', 'val', 'test']
classes = ["missing_hole", "mouse_bite", "open_circuit", "short", "spur", "spurious_copper"] # 修改为PCB缺陷类别
abs_path = os.getcwd()
wd = getcwd()
if not os.path.exists('Labels/'):
os.makedirs('Labels/')
for image_set in sets:
image_ids = open('ImageSets/%s.txt' % (image_set)).read().strip().split()
list_file = open('%s.txt' % (image_set), 'w')
print(image_set, image_ids)
for image_id in image_ids:
list_file.write('/Images/%s.jpg\n' % (image_id))
convert_annotation(image_id)
list_file.close()
（3）程序创建 Labels 子目录，生成 YOLOv5格式的标签文件。
以 01_missing_hole_01.txt 为例，内容如下：
0 0.821852340145023 0.8199873896595208 0.02340145023071852 0.03467843631778058
0 0.542188529993408 0.22950819672131148 0.02175346077785102 0.03909205548549811
0 0.5802570863546472 0.5189155107187894 0.02340145023071852 0.03783102143757881
2.3 数据集配置文件
YOLOv5 模型训练时，要调用数据集配置文件 YAML 文件（ .yaml）。因此，需要在数据集所在的文件夹（例如…/DataSetYoloPCB/）创建自己的数据集配置文件 dataPCB.yaml，内容如下
train: ../DataSetYoloPCB/train/images
val: ../DataSetYoloPCB/valid/images
test: ../DataSetYoloPCB/test/images # test images (optional)
# number of classes
nc: 6
# Class names
names: ["missing_hole", "mouse_bite", "open_circuit", "short", "spur", "spurious_copper"]
其中，train 表示训练集图像文件夹的路径，val 表示验证集图像文件夹的路径，test 表示测试集图像文件夹的路径。nc:6 表示类别数为 6，names 表示 6个类别的名称。
注意，nc 是由数据集的标注内容决定的，不能自行修改。
3. 训练 PCB 缺陷模型
3.1 下载 YOLOv5 预训练模型
推荐从 YOLOv5 release下载 YOLOv5 预训练模型。
本文选择 YOLOv5s，参数约 7.2M。下载完成后，将下载的预训练模型文件 yolov5s.pt 放在 YOLOv5 项目路径下。
3.2 修改 YOLOv5 模型配置
在 yolov5/models/ 目录下，打开模型配置文件 yolov5s.yaml，把文件中的类别数改为 6 ，另存为 /models/yolov5sPCB.yaml。
# Ultralytics YOLOv5 🚀, AGPL-3.0 license
# Parameters
nc: 6 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
anchors:
- [10, 13, 16, 30, 33, 23] # P3/8
- [30, 61, 62, 45, 59, 119] # P4/16
- [116, 90, 156, 198, 373, 326] # P5/32
...
3.3 YOLOv5 模型训练
1. 运行训练程序查看帮助
从 PyCharm 命令行输入“ python train.py -h” 可以查看帮助，也可以检查程序是否有错误。
输出如下：
(torch) PS C:\Python\PythonProjects\YOLOv5_PCB> python train.py -h
usage: train.py [-h] [--weights WEIGHTS] [--cfg CFG] [--data DATA] [--hyp HYP] [--epochs EPOCHS] [--batch-size BATCH_SIZE] [--imgsz IMGSZ] [--rect] [--resume [RESUME]] [--nosave] [--noval] [--noautoanchor] [--noplots]
[--evolve [EVOLVE]] [--evolve_population EVOLVE_POPULATION] [--resume_evolve RESUME_EVOLVE] [--bucket BUCKET] [--cache [CACHE]] [--image-weights] [--device DEVICE] [--multi-scale] [--single-cls]
[--optimizer { SGD,Adam,AdamW}] [--sync-bn] [--workers WORKERS] [--project PROJECT] [--name NAME] [--exist-ok] [--quad] [--cos-lr] [--label-smoothing LABEL_SMOOTHING] [--patience PATIENCE]
[--freeze FREEZE [FREEZE ...]] [--save-period SAVE_PERIOD] [--seed SEED] [--local_rank LOCAL_RANK] [--entity ENTITY] [--upload_dataset [UPLOAD_DATASET]] [--bbox_interval BBOX_INTERVAL]
[--artifact_alias ARTIFACT_ALIAS] [--ndjson-console] [--ndjson-file]
optional arguments:
-h, --help show this help message and exit
--weights WEIGHTS initial weights path
--cfg CFG model.yaml path
--data DATA dataset.yaml path
--hyp HYP hyperparameters path
--epochs EPOCHS total training epochs
--batch-size BATCH_SIZE
total batch size for all GPUs, -1 for autobatch
--device DEVICE cuda device, i.e. 0 or 0,1,2,3 or cpu
...
使用自己的数据集训练 YOLOv5 模型，，需要注意检查以下路径或参数值：
weight，预训练模型权重文件，先选择下载的官方权重文件 yolov5s.pt。cfg，yolov5s 模型配置文件，选择修改的 models/yolov5sPCB.yaml。data，选择自己编写的数据集配置文件 DataSetYoloPCB/data.yaml。hyp HYP，超参数文件路径，可以修改模型训练参数，本文未涉及。epoch，整个数据集遍历训练次数，根据计算机性能和需要确定，默认值100，新手练习时可以设为 2。batch_size，每批读入的样本数量，根据计算机内存确定，默认值8，新手练习时可以设为 2。device，cuda 显卡设置，默认值为 0 表示使用 CPU训练，如有 GPU 显卡可以设为 1 或相应值。
2. 运行训练程序 train.py
通过命令行就可以运行 YOLOv5 训练程序 train.py 。
如果计算机性能资源不足，可以设置较小的训练参数以便学习，例如：
python train1.py --weights yolov5s.pt --cfg models/yolov5sPCB.yaml --data …/DataSetYoloPCB/dataPCB.yaml --epoch 2 --batch-size 4
本文设置的遍历次数 epoch=100，批次数 batch-size=16，使用 GPU 训练。
python train1.py --weights yolov5s.pt --cfg models/yolov5sPCB.yaml --data …/DataSetYoloPCB/dataPCB.yaml --epoch 100 --batch-size 16 --img 640 --device 1
经过100 epochs的训练，结果如下：
(torch) PS C:\Python\PythonProjects\YOLOv5_PCB> python train1.py --weights yolov5s.pt --cfg models/yolov5sPCB.yaml --data ../DataSetYoloPCB/dataPCB.yaml --epoch 100 --batch-size 16 --img 640 --device 1
train1: weights=yolov5s.pt, cfg=models/yolov5sPCB.yaml, data=../DataSetYoloPCB/data.yaml, hyp=data\hyps\hyp.scratch-low.yaml, epochs=100, batch_size=16, imgsz=640, rect=False, resume=False, nosave=False, noval=False, noautoancho
r=False, noplots=False, evolve=None, evolve_population=data\hyps, resume_evolve=None, bucket=, cache=None, image_weights=False, device=1, multi_scale=False, single_cls=False, optimizer=SGD, sync_bn=False, workers=8, project=runs
\train, name=exp, exist_ok=False, quad=False, cos_lr=False, label_smoothing=0.0, patience=100, freeze=[0], save_period=-1, seed=0, local_rank=-1, entity=None, upload_dataset=False, bbox_interval=-1, artifact_alias=latest, ndjson_console=False, ndjson_file=False
hyperparameters: lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.0005, warmup_epochs=3.0, warmup_momentum=0.8, warmup_bias_lr=0.1, box=0.05, cls=0.5, cls_pw=1.0, obj=1.0, obj_pw=1.0, iou_t=0.2, anchor_t=4.0, fl_gamma=0.0, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, degrees=0.0, translate=0.1, scale=0.5, shear=0.0, perspective=0.0, flipud=0.0, fliplr=0.5, mosaic=1.0, mixup=0.0, copy_paste=0.0
Transferred 342/349 items from yolov5s.pt
AMP: checks passed
optimizer: SGD(lr=0.01) with parameter groups 57 weight(decay=0.0), 60 weight(decay=0.0005), 60 bias
train: Scanning C:\Python\PythonProjects\DataSetYoloPCB\train\labels... 554 images, 0 backgrounds, 0 corrupt: 100%|██████████| 554/554 [00:06<00:00, 83.51it/s]
train: WARNING Cache directory C:\Python\PythonProjects\DataSetYoloPCB\train is not writeable: [WinError 183] : 'C:\\Python\\PythonProjects\\DataSetYoloPCB\\train\\labels.cache.npy' -> 'C:\\Python\\PythonProjects\\DataSetYoloPCB\\train\\labels.cache'
val: Scanning C:\Python\PythonProjects\DataSetYoloPCB\valid\labels... 139 images, 0 backgrounds, 0 corrupt: 100%|██████████| 139/139 [00:13<00:00, 10.59it/s]
val: WARNING Cache directory C:\Python\PythonProjects\DataSetYoloPCB\valid is not writeable: [WinError 183] : 'C:\\Python\\PythonProjects\\DataSetYoloPCB\\valid\\labels.cache.npy' -> 'C:\\Python\\PythonProjects\\DataSetYoloPCB\\valid\\labels.cache'
AutoAnchor: 3.75 anchors/target, 1.000 Best Possible Recall (BPR). Current anchors are a good fit to dataset
Plotting labels to runs\train\exp5\labels.jpg...
Image sizes 640 train, 640 val
Using 8 dataloader workers
Logging results to runs\train\exp5
Starting training for 100 epochs...
Epoch GPU_mem box_loss obj_loss cls_loss Instances Size
0/99 3.53G 0.1255 0.02683 0.05101 67 640: 100%|██████████| 35/35 [00:20<00:00, 1.75it/s]
Class Images Instances P R mAP50 mAP50-95: 100%|██████████| 5/5 [00:01<00:00, 3.04it/s]
all 139 598 4.3e-05 0.00149 2.18e-05 4.36e-06
...
Epoch GPU_mem box_loss obj_loss cls_loss Instances Size
99/99 4.69G 0.03025 0.01333 0.003239 46 640: 100%|██████████| 35/35 [00:22<00:00, 1.56it/s]
Class Images Instances P R mAP50 mAP50-95: 100%|██████████| 5/5 [00:01<00:00, 3.25it/s]
all 139 598 0.959 0.941 0.957 0.486
100 epochs completed in 0.637 hours.
Optimizer stripped from runs\train\exp5\weights\last.pt, 14.5MB
Optimizer stripped from runs\train\exp5\weights\best.pt, 14.5MB
Validating runs\train\exp5\weights\best.pt...
Fusing layers...
YOLOv5sPCB summary: 157 layers, 7026307 parameters, 0 gradients, 15.8 GFLOPs
Class Images Instances P R mAP50 mAP50-95: 100%|██████████| 5/5 [00:03<00:00, 1.26it/s]
all 139 598 0.956 0.943 0.958 0.487
missing_hole 139 112 0.981 0.991 0.987 0.594
mouse_bite 139 83 0.924 0.916 0.937 0.46
open_circuit 139 85 0.965 0.967 0.971 0.451
short 139 116 0.97 0.983 0.989 0.483
spur 139 97 0.947 0.876 0.918 0.445
spurious_copper 139 105 0.946 0.924 0.946 0.491
Results saved to runs\train\exp5
其中，Epoch 为遍历次数，GPU_mem 为占用的显卡内存，box_loss 为边界框损失值，obj_loss为置信度损失值，cls_loss 为分类损失值，Instances 为实例个数（矩形框个数），Size 为输入图像大小。Class 为类别名称，Images 为训练图像数量，Instances 为实例个数，P 为准确率，R为召回率，mAP50为IoU阈值0.5的平均精度均值，maP50-95表示在不同IoU阈值（0.5~0.95）的平均精度均值。
训练好的模型，保存在路径：“runs/exp/weights”，best.pt 是最好结果，last.pt 是最后结果。
3.4 模型训练结果
经过 100 轮遍历训练，训练过程及结果文件保存在目录 “runs”，如下图所示：
（1）损失函数下降曲线
YOLOv5 中定义的损失函数包括：
边界框定位损失（box_loss）：计算预测边界框与标注边界框之间的误差（GIoU）分类损失（cls_loss）：计算预测类别与对应的标注类别是否正确动态特征损失（dfl_loss）：计算回归预测框与目标框之间距离的损失函数
（2）置信度曲线
F1 置信曲线，F1得分随着置信度阈值的变化。F1得分是精确度和召回率的调和平均值，曲线的峰值表示给定置信度阈值下精确度和召回率的最佳平衡点。精确度置信曲线，模型预测的精确度随着置信度阈值的变化。精确度是模型预测正确正例与预测为正例总数的比值。精确度召回曲线（PR曲线），模型的精确度与召回率之间的关系。理想情况下，模型应在精确度和召回率之间保持良好的平衡。召回置信度曲线，模型的召回率随置信度阈值的变化。召回率是模型正确预测的正例与实际正例总数的比值。
训练好的模型，保存在路径：“runs/exp/weights”，best.pt 是最好结果，last.pt 是最后结果。可以使用该文件进行模型推理，检测PCB缺陷。
4. 模型推理
4.1 修改推理程序 detect.py
detect.py 程序使用PyTorch加载预训练的YOLOv5模型。程序解析从命令行传入的参数，这些参数包括输入文件的路径（可以是图像、视频或目录）、预训练模型的路径、输出文件的路径、置信度阈值等。具体用法如下：
<code>Usage - sources:
$ python detect.py --weights yolov5s.pt --source 0 # webcam
img.jpg # image
vid.mp4 # video
screen # screenshot
path/ # directory
list.txt # list of images
list.streams # list of streams
'path/*.jpg' # glob
'https://youtu.be/LNwODJXcvt4' # YouTube
'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream
detect.py 程序默认读取 data\images 路径的图片，结果默认保存到 runs/detect 文件夹中。
我们根据项目的配置，要对推理程序 detect.py 进行如下修改（也可以直接通过命令行参数设置）：
def parse_opt():
parser = argparse.ArgumentParser()
parser.add_argument("--weights", nargs="+", type=str, default=ROOT / "weights/yolov5PCBbest.pt", help="model path or triton URL")code>
parser.add_argument("--source", type=str, default=ROOT / "data/images", help="file/dir/URL/glob/screen/0(webcam)")code>
parser.add_argument("--data", type=str, default=ROOT / "data/dataPCB.yaml", help="(optional) dataset.yaml path")code>
...
其中：yolov5PCBbest.pt 是前面训练的 PCB 缺陷检测模型的权重文件，已另存为 “weights/yolov5PCBbest.pt”；“data/images” 是保存 PCB 测试图片的路径；dataPCB.yaml 是前面修改的数据集配置文件，已另存为 “data/dataPCB.yaml”。
4.2 运行推理程序检测 PCB 缺陷
打开并运行 YOLOv5 项目中的 detect.py 程序，使用训练的PCB 缺陷检测模型 “weights/yolov5PCBbest.pt” 进行 PCB 缺陷。
python detect.py
运行输出如下：
(torch) PS C:\Python\PythonProjects\YOLOv5_PCB> python detect.py
detect: weights=weights\yolov5PCBbest.pt, source=data\images, data=data\dataPCB.yaml, imgsz=[640, 640], conf_thres=0.25, iou_thres=0.45, max_det=1000, device=, view_img=False, save_txt=False, save_csv=False, save_conf=False, save_crop=False, nosave=False, classes=None, agnostic_nms=False, augment=False, visualize=False, update=False, project=runs\detect, name=exp, exist_ok=False, line_thickness=3, hide_labels=False, hide_conf=False, half=False, dnn=False, vid_stride=1
YOLOv5 2024-7-29 Python-3.8.19 torch-2.3.1+cu121 CUDA:0 (NVIDIA GeForce RTX 3060, 12288MiB)
Fusing layers...
YOLOv5sPCB summary: 157 layers, 7026307 parameters, 0 gradients, 15.8 GFLOPs
image 1/3 C:\Python\PythonProjects\YOLOv5_PCB\data\images\01_missing_hole_14.jpg: 352x640 3 missing_holes, 48.0ms
image 2/3 C:\Python\PythonProjects\YOLOv5_PCB\data\images\01_short_17.jpg: 352x640 4 shorts, 4.0ms
image 3/3 C:\Python\PythonProjects\YOLOv5_PCB\data\images\06_mouse_bite_10.jpg: 544x640 5 mouse_bites, 50.0ms
Speed: 0.3ms pre-process, 34.0ms inference, 4.0ms NMS per image at shape (1, 3, 640, 640)
Results saved to runs\detect\exp
5. 报错处理
（1）Pytorch没有下载成功：
报错内容：Module Not Found Error: No module named ‘torch’
解决方法：通过 Anaconda 或 miniconda 重新下载安装 Pytorch。
（2）PyYaml 版本错误：
报错内容：AttributeError: ‘yaml’ has no attribute ‘FullLoader’
解决方法：卸载高版本 PyYaml，安装 PyYaml 5.3 版本：
pip install pyyaml==5.3
（3）Git 执行发生错误
报错内容：ImportError: Bad git executable.
解决方法：按照报错信息找到git下的cmd文件，添加下方代码：
<code>import os
os.environ["GIT_PYTHON_REFRESH"] = "quiet"
（4）Numpy 版本问题
报错内容：AttributeError: module ‘numpy’ has no attribute ‘float’.
解决方法：不再使用 np.float ，需要将其修改为 np.float64 。
【本节完】
版权声明：
欢迎关注『youcans动手学模型』系列
转发请注明原文链接：
【YOLO5 项目实战】（3）PCB 缺陷检测
Copyright 2024 youcans, XUPT
Crated：2024-08-12
上一篇： 使用MongoDB构建AI：Story Tools Studio将生成式AI引入Myth Maker AI游戏
下一篇： 【人工智能】Transformers之Pipeline（十五）：总结（summarization）
本文标签
声明
本文内容仅代表作者观点，或转载于其他网站，本站不以此文作为商业用途
如有涉及侵权，请联系本站进行删除
转载本站原创文章，请注明来源及作者。