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...
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实战 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, cach...
基于YOLOv8的NEU-DET钢材表面缺陷检测任务,加入DCNv4和SPPF结合DCNv4提升检测精度 本文主要内容:通过实战NEU-DET钢材表面缺陷检测任务,验证DCNv4和SPPF结合DCNv4的可行性 实验结果表明:原始YOLOv8n map0.5为 0.768,DCNv4为0.774 ,SPPF结合DCNv4为0.7751.NEU-DET钢材表… AI小怪兽发表于YOLO系... 基于YOLOv8/YOLO...
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: 2.1四个检测头训练结果 map从原始的0.742提升到0.786
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'
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"] ...
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"] ...
1. NEU-CLS数据集 下载方式: 方式一:已上传至CSDN资源,链接如下 [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 在公开的钢材缺陷图像数据集NEU-DET上进行了验证,对6种缺陷的平均检测精度达到77.8%,比YOLOv5s提升了6%,单幅图片的推理时间仅为8.9 ms,精度和速度均能满足工业部署的需求;在另一个公开的钢材缺陷图像数据集GC10-DET上也进行了验证,...