Eine Schritt-für-Schritt-Einführung in das Training des Datensatzes von Defekten auf der Stahloberfläche + die Code-Implementierung der Zielerkennung basierend auf YOLO-NAS

        Die Objekterkennung hat in vielen Branchen viele praktische Anwendungen. In industriellen Umgebungen sind die Objekte zur Objekterkennung meist klein. Daher wird es sehr schwierig, Objekterkennungsmodelle effizient zu trainieren. Ein solches Problem ist die Erkennung von Stahloberflächenfehlern . Selbst mit Deep Learning ist es schwierig, das Problem mit hoher Präzision zu lösen. In diesem Artikel beschreiben wir ausführlich die Erkennung von Defekten auf Stahloberflächen auf Basis von YOLO-NAS.

Schritt 1: Installieren

HINWEIS: Sobald die Installation abgeschlossen ist (dies kann einige Minuten dauern), müssen Sie die Laufzeitumgebung nach Abschluss der Installation neu starten.

pip install super-gradients==3.1.0

Dies ist eine „All-in-One“-Deep-Learning-Trainingsbibliothek für Computer-Vision-Modelle

Schritt 2: Importieren Sie die Bibliothek

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_