生产质量环境的检验始终是一个热门的应用场景，在之前一些项目和文章中我也做过一些相关的事情，比如PCB电路板相关的，如下：

《助力质量生产，基于目标检测模型MobileNetV2-YOLOv3-Lite实现PCB电路板缺陷检测》

本质的目的就是想基于AI的能力来实现生产产品质控的自动巡检，尽可能地降低人工成本，当然了完全自动化的巡检可能在初期也是会存在风险的，这里主要就是一种AI赋能的场景思维，这里我主要是基于香烟的小批量数据集来实践香烟质量的缺陷问题检测，首先看下效果：

在模型选型层面，因为这里主要是自己实践性质的项目，暂未成为商业项目，这里直接使用的就是yolov5的原生项目，数据集也是小批量的数据集，这个后期如果想要提升性能的话建议是可以扩大样本量用更好的模型来尝试构建模型的。

简单看下数据：

只有几百张的数据，这个数据仅仅是为了演示拍摄获取的，并非真实生产环境里面的数据。

yolov5官方项目在这里，截图如下：

star增长速度还是很快的。

这里yolov5s.yaml文件如下：

#Parameters
nc: 2  # 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

#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
  ]

#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, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

默认100个epoch的迭代计算，训练完成结果如下所示：

batch检测实例如下所示：

这里的目标对象只有两种：空头和异物，分别表示：香烟空头和香烟烟草存在异物。

同样，这里开发专用界面使得推理可视化，如下：

上传图像：

推理检测：