重装后没选择CUDA版本导致我训练的时候用CPU跑半小时一轮,要注意安装CUDA版本并且在训练中调用好batch参数,我的笔记本1050ti,默认8的话只能利用50%把batch改成16后就可以跑满了) 注意事项:去东北大学宋克臣老师主页下载点击该链接NEU-DET
Yolov5创新:NEU-DET钢材表面缺陷检测,优化组合新颖程度较高,CVPR2023 DCNV3和InceptionNeXt,涨点明显 1.钢铁缺陷数据集介绍 NEU-DET钢材表面缺陷共有六大类,分别为:'crazing','inclusion','patches','pitted_surface','rolled-in_scale','scratches' 2.基于yolov5s的训练 map值0.742: 2.1 Inception-MetaNeXtStage...
如何将ECVBlock应用到yolov5/yolov7是本文的关键,重点是增强用于这些检测器的特征金字塔的表示。 1)将ECVBlock添加到backbone或者是head在不同数据集的性能会不一致,比如本文添加到backbone,在NEU-DET钢材表面缺陷和道路缺陷如任务中取得的涨点也是不一样的; 2)比如在backbone添加的位置不同对最终的性能也是完全不一...
1)将ECVBlock添加到backbone或者是head在不同数据集的性能会不一致,比如本文添加到backbone,在NEU-DET钢材表面缺陷和道路缺陷如任务中取得的涨点也是不一样的; 2)比如在backbone添加的位置不同对最终的性能也是完全不一样的,这点也佐证了深度学习具有玄学,体现了调参的必要性,在不断的调参中自然会取得一定经验值; ...
NEU-DET钢材表面缺陷共有六大类,分别为:'crazing','inclusion','patches','pitted_surface','rolled-in_scale','scratches' 每个类别分布为: 训练结果如下: 2.基于yolov5s的训练 map值: 2.1 Inception-MetaNeXtStage 将Inception的思想和ConvNeXt的设计相结合,从而实现了对大核深度卷积的有效分解。这...
本文使用NEU-DET数据集和yolov5算法对钢材表面的六种常见缺陷进行检测。 1.处理数据 (1)读入数据和标签 展开代码 classLoadImagesAndLabels(Dataset):# for training/testingdef__init__(self, path, img_size=640, batch_size=16, augment=False, hyp=None, rect=False, image_weights=False, ...
本文内容:针对基基于YOLOv9的NEU-DET缺陷检测算法进行性能提升,加入各个创新点做验证性试验。 具有切片操作的SimAM注意力,魔改SimAM 原始mAP50为 0.733提升至0.745 1.YOLOv9原理介绍 论文: 2402.13616.pdf (arxiv.org) 代码:GitHub - WongKinYiu/yolov9: Implementation of paper - YOLOv9: Learning What You ...
将train、val、test修改为自己的路径,以train为例,NEU-DET/train/images/ 将nc修改为数据的类别数,如钢材表面缺陷,故修改为6 将names修改自己数据的类名,如names: ["crazing", "inclusion", "patches", "pitted_surface", "rolled-in_scale", "scratches"] ...
[钢材表面缺陷检测数据集:NEU-DET 用于钢材表面的6种缺陷检测] 方式二: 关注GZH:阿旭算法与机器学习,回复:“NEU”即可获取本文数据集 2. 实战视频链接如下 【YOLOV5应用实战项目系列】教程 3.YOLOV5模型配置及训练个人笔记 准备好数据集 图片数据集与Label数据集(txt格式)。图像名称与Label名称一一对应。我已将La...
将train、val、test修改为自己的路径,以train为例,NEU-DET/train/images/ 将nc修改为数据的类别数,如钢材表面缺陷,故修改为6 将names修改自己数据的类名,如names: ["crazing", "inclusion", "patches", "pitted_surface", "rolled-in_scale", "scratches"] ...