当前位置：首页 > news >正文

布匹瑕疵检测数据集 4类 2800张布料缺陷带标注 voc yolo

news 2025/7/12 21:03:47

对应标注，格式VOC (XML)，选配Y0L0(TXT)
label| pic_ num| box_ _num
hole: (425， 481)
suspension_ wire: (1739， 1782)
topbasi: (46， 46)
dirty: (613， 1425)
total: (2823， 3734)
破洞，勾线，污染等

布匹瑕疵检测数据集介绍

数据集名称

布匹瑕疵检测数据集 (Fabric Defect Detection Dataset)

数据集概述

该数据集是一个专门用于训练和评估布料缺陷检测模型的数据集。数据集包含2800张图像，每张图像都带有详细的标注信息，标注格式包括VOC（Pascal VOC）和YOLO格式。这些图像涵盖了各种布料上的常见缺陷类型，如破洞、勾线、污染等。通过这个数据集，可以训练出能够准确检测和定位布料上不同类型的瑕疵的模型，从而帮助进行质量控制、生产过程监控等应用。

数据集特点

高质量图像：数据集中的图像具有高分辨率，能够提供丰富的细节信息。
带标注：每张图像都有详细的标注信息，包括缺陷的位置和大小。
多格式标注：标注信息同时以VOC和YOLO格式提供，方便不同框架的使用。
实际应用场景：适用于需要精确检测布料缺陷的场景，如纺织品生产线、质量控制部门等。

数据集结构

fabric_defect_detection_dataset/
├── images/                            # 图像文件
│   ├── 00001.jpg                      # 示例图像
│   ├── 00002.jpg
│   └── ...
├── annotations/                       # 标注文件
│   ├── VOC/                           # Pascal VOC格式标注
│   │   ├── 00001.xml                  # 示例VOC标注文件
│   │   ├── 00002.xml
│   │   └── ...
│   ├── YOLO/                          # YOLO格式标注（选配）
│   │   ├── 00001.txt                  # 示例YOLO标注文件
│   │   ├── 00002.txt
│   │   └── ...
├── data.yaml                          # 类别描述文件
├── README.md                          # 数据集说明

数据集内容

images/
- 功能：存放图像文件。
- 内容：
  - 00001.jpg：示例图像。
  - 00002.jpg：另一张图像。
  - ...
annotations/
- 功能：存放标注文件。
- 内容：
  - VOC/：存放Pascal VOC格式的标注文件。
    - 00001.xml：示例VOC标注文件。
    - 00002.xml：另一张图像的VOC标注文件。
    - ...
  - YOLO/：存放YOLO格式的标注文件（选配）。
    - 00001.txt：示例YOLO标注文件。
    - 00002.txt：另一张图像的YOLO标注文件。
    - ...

data.yaml

功能：定义数据集的类别和其他相关信息。

内容：

train: fabric_defect_detection_dataset/images
val: fabric_defect_detection_dataset/images
nc: 4
names: ['hole', 'suspension_wire', 'topbasi', 'dirty']

README.md
- 功能：数据集的详细说明文档。
- 内容：
  - 数据集的来源和用途。
  - 数据集的结构和内容。
  - 如何使用数据集进行模型训练和评估。
  - 其他注意事项和建议。

数据集统计

总图像数量：2800张
总标注框数量：3734个
类别：4类
平均每张图像的标注框数量：约1.33个

具体类别及其统计如下：

hole（破洞）：(425, 481)
suspension_wire（勾线）：(1739, 1782)
topbasi（顶基）：(46, 46)
dirty（污染）：(613, 1425)

使用说明

环境准备
- 安装依赖库：
```
pip install -r requirements.txt
```
- 确保安装了常用的深度学习库，例如torch, torchvision, numpy等。
数据集路径设置
- 将数据集解压到项目目录下，确保路径正确。

训练模型

以下是一个使用PyTorch和torchvision库进行布匹瑕疵检测的示例代码。我们将使用预训练的Faster R-CNN模型，并对其进行微调以适应我们的数据集。

import torch
import torchvision
from torchvision.models.detection.faster_rcnn import FastRCNNPredictor
from torchvision.models.detection import FasterRCNN
from torchvision.models.detection.rpn import AnchorGenerator
from torchvision.transforms import functional as F
from torch.utils.data import DataLoader, Dataset
from PIL import Image
import os
import xml.etree.ElementTree as ET# 自定义数据集类
class FabricDefectDetectionDataset(Dataset):def __init__(self, root, transforms=None):self.root = rootself.transforms = transformsself.imgs = list(sorted(os.listdir(os.path.join(root, "images"))))self.annotations = list(sorted(os.listdir(os.path.join(root, "annotations", "VOC"))))def __getitem__(self, idx):img_path = os.path.join(self.root, "images", self.imgs[idx])annotation_path = os.path.join(self.root, "annotations", "VOC", self.annotations[idx])img = Image.open(img_path).convert("RGB")annotation_root = ET.parse(annotation_path).getroot()boxes = []labels = []for obj in annotation_root.findall('object'):xmin, ymin, xmax, ymax = [int(obj.find('bndbox').find(tag).text) for tag in ('xmin', 'ymin', 'xmax', 'ymax')]label = obj.find('name').textlabel_id = ['hole', 'suspension_wire', 'topbasi', 'dirty'].index(label) + 1boxes.append([xmin, ymin, xmax, ymax])labels.append(label_id)boxes = torch.as_tensor(boxes, dtype=torch.float32)labels = torch.as_tensor(labels, dtype=torch.int64)target = {}target["boxes"] = boxestarget["labels"] = labelstarget["image_id"] = torch.tensor([idx])if self.transforms is not None:img, target = self.transforms(img, target)return F.to_tensor(img), targetdef __len__(self):return len(self.imgs)# 数据预处理
def get_transform(train):transforms = []if train:transforms.append(torchvision.transforms.RandomHorizontalFlip(0.5))return torchvision.transforms.Compose(transforms)# 加载数据集
dataset = FabricDefectDetectionDataset(root='fabric_defect_detection_dataset', transforms=get_transform(train=True))
dataset_test = FabricDefectDetectionDataset(root='fabric_defect_detection_dataset', transforms=get_transform(train=False))indices = torch.randperm(len(dataset)).tolist()
dataset = torch.utils.data.Subset(dataset, indices[:-500])
dataset_test = torch.utils.data.Subset(dataset_test, indices[-500:])data_loader = DataLoader(dataset, batch_size=2, shuffle=True, num_workers=4, collate_fn=lambda x: tuple(zip(*x)))
data_loader_test = DataLoader(dataset_test, batch_size=1, shuffle=False, num_workers=4, collate_fn=lambda x: tuple(zip(*x)))# 定义模型
model = torchvision.models.detection.fasterrcnn_resnet50_fpn(pretrained=True)
num_classes = 5  # 4类缺陷 + 背景
in_features = model.roi_heads.box_predictor.cls_score.in_features
model.roi_heads.box_predictor = FastRCNNPredictor(in_features, num_classes)# 设置设备
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)# 定义优化器
params = [p for p in model.parameters() if p.requires_grad]
optimizer = torch.optim.SGD(params, lr=0.005, momentum=0.9, weight_decay=0.0005)# 训练模型
num_epochs = 10
for epoch in range(num_epochs):model.train()for images, targets in data_loader:images = list(image.to(device) for image in images)targets = [{k: v.to(device) for k, v in t.items()} for t in targets]loss_dict = model(images, targets)losses = sum(loss for loss in loss_dict.values())optimizer.zero_grad()losses.backward()optimizer.step()print(f'Epoch {epoch+1}/{num_epochs}, Loss: {losses.item()}')# 验证模型model.eval()with torch.no_grad():for images, targets in data_loader_test:images = list(image.to(device) for image in images)targets = [{k: v.to(device) for k, v in t.items()} for t in targets]outputs = model(images)# 保存模型
torch.save(model.state_dict(), 'fabric_defect_detection_model.pth')

注意事项

数据格式：确保输入的数据格式正确，特别是图像文件和标注文件的格式。
超参数调整：根据实际情况调整学习率、批大小等超参数，以获得最佳训练效果。
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。
数据增强：可以通过数据增强技术（如随机翻转、旋转等）来增加模型的鲁棒性。
模型选择：除了Faster R-CNN，还可以尝试其他目标检测模型，如YOLOv5、SSD等，以找到最适合当前任务的模型。