在之前的文章中我们已经做了很多基于yolov5完成实例分割的项目，感兴趣的话可以自行移步阅读：

《基于YOLOv5-v7.0的药片污染、缺损裂痕实例分割检测识别分析系统》

《基于yolov5-v7.0开发构建裸土实例分割检测识别模型》

《基于yolov5-v7.0开发实践实例分割模型超详细教程》

本文主要的目的就是基于官方的v7.0分支的模型来开发构建工业机械齿轮瑕疵分割检测识别系统。话不多说，首先来看效果图：

简单看下数据集：

labels标注数据如下：

实例标注数据内容如下：

2 0.5657142857142857 0.21133333333333335 0.5771428571428572 0.23333333333333334 0.6214285714285714 0.25733333333333336 0.6185714285714285 0.22933333333333333
2 0.6521428571428571 0.25133333333333335 0.6571428571428571 0.27466666666666667 0.695 0.29933333333333334 0.6985714285714286 0.27666666666666667
2 0.6614285714285715 0.08266666666666667 0.7107142857142857 0.10666666666666667 0.7242857142857143 0.134 0.68 0.118
2 0.5642857142857143 0.37866666666666665 0.5757142857142857 0.4106666666666667 0.6171428571428571 0.43133333333333335 0.6085714285714285 0.4073333333333333
2 0.3385714285714286 0.7966666666666666 0.3407142857142857 0.8206666666666667 0.37357142857142855 0.838 0.3678571428571429 0.8106666666666666
2 0.6471428571428571 0.606 0.6542857142857142 0.6313333333333333 0.6921428571428572 0.652 0.68 0.622
2 0.5314285714285715 0.18866666666666668 0.5235714285714286 0.20466666666666666 0.5471428571428572 0.224 0.5635714285714286 0.22333333333333333 0.5542857142857143 0.20333333333333334
2 0.39714285714285713 0.11466666666666667 0.38285714285714284 0.11 0.37785714285714284 0.128 0.40714285714285714 0.144 0.41214285714285714 0.13466666666666666

这里一共有三种瑕疵类型，如下：

names:
  0: hp_cm
  1: hp_cd
  2: kp

模型文件如下：

#Parameters
nc: 3  # 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)
  ]

在data目录下新建self.yaml内容如下：

#Dataset
path: ./datasets/chilun-seg  
train: images/train 
val: images/train  
test:  images/train 



# Classes
names:
  0: hp_cm
  1: hp_cd
  2: kp

修改train.py如下所示：

红框中是我自己修改的部分，可以根据自己的实际需求进行修改即可。

如果不修改--workers的话可能会报错：

AttributeError: 'NoneType' object has no attribute 'python_exit_status'

所以建议修改为0.

默认执行100次epoch的迭代计算，日志输出如下所示：

可以看到：这里分别输出了box和mask的各种指标，可以看到模型是在同时完成检测和分割两种任务的计算。

训练完成后结果目录如下所示：

F1值曲线如下：

PR曲线如下所示：

LABEL可视化：

训练batch检测样例如下：

混淆矩阵：

训练指标可视化：

最后开发专用的界面实现可视化推理计算，如下所示：

上传图像：

检测推理：