布匹瑕疵检测数据集 4类 2800张 布料缺陷 带标注 voc yolo
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。
- 安装依赖库：
-
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 = root self.transforms = transforms self.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').text label_id = ['hole', 'suspension_wire', 'topbasi', 'dirty'].index(label) + 1 boxes.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"] = boxes target["labels"] = labels target["image_id"] = torch.tensor([idx]) if self.transforms is not None: img, target = self.transforms(img, target) return F.to_tensor(img), target def __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。
