1. 太陽電池欠陥データセットの概要
背景: 太陽エネルギーは魅力的な代替エネルギー源です。太陽光発電セル (太陽電池) は太陽光発電システムの基礎です。一般に、セル内のさまざまな欠陥は太陽電池の光電変換効率とサービスに直接影響します。人生。太陽エネルギーの開発と利用の主要なキャリアとして、太陽電池モジュールの品質保証には多くの関係が含まれていますが、その中でも太陽電池の溶接は最も重要な作業であり、太陽電池の溶接品質はモジュールの性能に直接影響します。 。溶接品質を確保するためには、太陽電池の溶接前検査も欠かせません。
データセットのサイズ: 元の画像 219 枚、データを 2 倍に拡張して 657 枚の画像、カテゴリクラス = ["パチパチ"、"無効"]、データセットは 8:1:1 に従ってランダムに生成されます。
1.1 データセットの分割
split_train_val.py を通じて trainval.txt、val.txt、test.txt を取得する
# coding:utf-8
import os
import random
import argparse
parser = argparse.ArgumentParser()
#xml文件的地址,根据自己的数据进行修改 xml一般存放在Annotations下
parser.add_argument('--xml_path', default='Annotations', type=str, help='input xml label path')
#数据集的划分,地址选择自己数据下的ImageSets/Main
parser.add_argument('--txt_path', default='ImageSets/Main', type=str, help='output txt label path')
opt = parser.parse_args()
trainval_percent = 0.9
train_percent = 0.8
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
os.makedirs(txtsavepath)
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt', 'w')
file_val = open(txtsavepath + '/val.txt', 'w')
for i in list_index:
name = total_xml[i][:-4] + '\n'
if i in trainval:
file_trainval.write(name)
if i in train:
file_train.write(name)
else:
file_val.write(name)
else:
file_test.write(name)
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()
1.2 voc_label.py を通じてyolov8に適したトレーニング要件を取得する
# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val']
classes = ["crackle","invalid"] # 改成自己的类别
abs_path = os.getcwd()
print(abs_path)
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = (box[0] + box[1]) / 2.0 - 1
y = (box[2] + box[3]) / 2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return x, y, w, h
def convert_annotation(image_id):
in_file = open('Annotations/%s.xml' % (image_id), encoding='UTF-8')
out_file = open('labels/%s.txt' % (image_id), 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
#difficult = obj.find('Difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
b1, b2, b3, b4 = b
# 标注越界修正
if b2 > w:
b2 = w
if b4 > h:
b4 = h
b = (b1, b2, b3, b4)
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
for image_set in sets:
if not os.path.exists('labels/'):
os.makedirs('labels/')
image_ids = open('ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
list_file = open('%s.txt' % (image_set), 'w')
for image_id in image_ids:
list_file.write(abs_path + '/images/%s.jpg\n' % (image_id))
convert_annotation(image_id)
list_file.close()
1.3 生成されるコンテンツは次のとおりです
2. トレーニング結果の分析
元のyolov8の結果
[email protected] は 0.919
YOLOv8n summary (fused): 168 layers, 3006038 parameters, 0 gradients, 8.1 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 4/4 [00:10<00:00, 2.67s/it]
all 119 269 0.887 0.839 0.919 0.634
crackle 119 191 0.837 0.807 0.867 0.558
invalid 119 78 0.937 0.872 0.972 0.711
2.1 多次元共同注意モジュール MCA
MCA の独占オンラインデビュー
実験結果:
[email protected] は当初 0.919 でしたが、0.930 に増加しました
YOLOv8_MCALayer summary (fused): 181 layers, 3006048 parameters, 0 gradients, 8.1 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 4/4 [00:04<00:00, 1.12s/it]
all 119 269 0.909 0.875 0.93 0.663
crackle 119 191 0.851 0.801 0.875 0.564
invalid 119 78 0.967 0.949 0.984 0.763
Speed: 0.3ms preprocess, 3.9ms inference, 0.0ms loss, 6.8ms postprocess per image
2.2 ダイナミック スネーク コンボリューション (ダイナミック スネーク コンボリューション)
管状構造の細長く連続的な特性に注目し、この情報を使用して、ニューラル ネットワークの次の 3 つの段階 (特徴抽出、特徴融合、損失制約) での知覚を同時に強化します。動的スネーク畳み込み、マルチビュー特徴融合戦略、および連続性トポロジー制約損失がそれぞれ設計されました。
実験結果:
[email protected] は当初 0.919 でしたが、0.930 に増加しました
YOLOv8n-C2f-DySnakeConv summary: 209 layers, 3337118 parameters, 0 gradients, 8.4 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 4/4 [00:03<00:00, 1.04it/s]
all 119 269 0.867 0.829 0.93 0.618
crackle 119 191 0.865 0.812 0.903 0.543
invalid 119 78 0.869 0.846 0.958 0.693
2.3 MCA+DSC の組み合わせ
実験結果:
[email protected] は当初 0.919 でしたが、0.934 に増加しました
YOLOv8n-C2f-DySnakeConv-MCALayer summary: 262 layers, 3425904 parameters, 0 gradients, 8.7 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 4/4 [00:04<00:00, 1.03s/it]
all 119 269 0.907 0.893 0.934 0.637
crackle 119 191 0.869 0.838 0.885 0.537
invalid 119 78 0.946 0.949 0.982 0.737
ソースコードの詳細については、以下を参照してください。