Una introducción paso a paso sobre cómo entrenar el conjunto de datos de defectos en la superficie de acero + la implementación del código de detección de objetivos basada en YOLO-NAS

        La detección de objetos tiene muchas aplicaciones prácticas en muchas industrias. La mayoría de las veces, en entornos industriales, los objetivos de detección de objetos son pequeños. Por lo tanto, se vuelve muy difícil entrenar de manera eficiente los modelos de detección de objetos. Uno de esos problemas es la detección de defectos en la superficie del acero . Incluso con el aprendizaje profundo, es difícil resolver el problema con alta precisión. En este artículo, describiremos en detalle la detección de defectos en superficies de acero basada en YOLO-NAS.

Paso 1: Instalar

NOTA: Una vez que se complete la instalación (puede demorar unos minutos), deberá reiniciar el tiempo de ejecución una vez que se complete la instalación.

pip install super-gradients==3.1.0

Esta es una biblioteca de capacitación de aprendizaje profundo "todo en uno" para modelos de visión por computadora

Paso 2: Importa la biblioteca

import os
from pathlib import Path
from typing import Dict, Union
import xml.etree.ElementTree as ET
import requests
import torch
from PIL import Image

from super_gradients.training import Trainer, dataloaders, models
from super_gradients.training.dataloaders.dataloaders import (
    coco_detection_yolo_format_train, coco_detection_yolo_format_val
)
from super_gradients.training.losses import PPYoloELoss
from super_gradients.training.metrics import DetectionMetrics_050
from super_