在前文：
《AI助力隧道等洞体类场景下水泥基建缺陷检测，基于DeeplabV3Plus开发构建洞体场景下壁体建筑缺陷分割系统》
我们基于DeepLabv3Plus尝试构建了洞体类建筑缺损病害问题分割系统，本文的核心思想是想要基于yolo这一经典的模型来开发构建洞体墙体建筑缺陷检测分割系统。首先看下效果图：
本文选择的是最为轻量级的n系列的模型来开发训练分割模型，n系列模型详情结构如下所示：
简单看下数据集：
实例标注数据如下所示：
模型文件如下所示：
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# Parameters
nc: 10 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.25 # 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
# YOLOv5 v6.0 backbone
backbone:
# [from, number, module, args]
[[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, C3, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 6, C3, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 3, C3, [1024]],
[-1, 1, SPPF, [1024, 5]], # 9
]
# YOLOv5 v6.0 head
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 3, C3, [512, False]], # 13
[-1, 1, Conv, [256, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 3, C3, [256, False]], # 17 (P3/8-small)
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]], # cat head P4
[-1, 3, C3, [512, False]], # 20 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]], # cat head P5
[-1, 3, C3, [1024, False]], # 23 (P5/32-large)
[[17, 20, 23], 1, Segment, [nc, anchors, 32, 256]], # Detect(P3, P4, P5)
]
默认设定100次的epoch 训练计算，看下结果详情：
数据可视化如下：
混淆矩阵如下：
F1值曲线如下所示：
精确率曲线如下所示：
召回率曲线如下所示：
PR曲线如下所示：
训练指标可视化如下所示：
batch计算实例如下所示：
可以看到轻量级的n系列的模型已经有不俗的表现了，后面会再尝试下其他参数量级的模型。
