2021广东工业智造创新大赛智能算法赛瓷砖表面瑕疵质检源码+学习说明.zip

## 2021广东工业智造创新大赛 ### 智能算法赛：瓷砖表面瑕疵质检  https://tianchi.aliyun.com/competition/entrance/531846/introduction ### 系统依赖 - 硬件 联想拯救者R7000P游戏本 - 系统 Windows10 - python 3.8 ### 思路概述 - 将原标注修改成yolov5格式 - 按标注位置将原图切割成320*320样本，并用yolo重头训练，epoch 100 - 因6g显存限制，yolo使用了s版本，并修改了yaml文档增加了2层SElayer实现通道注意力机制,增加后模型收敛速度明显加快 - 按标注位置将原图切割成1280*1280样本，并用320*320获得的权重重新训练yolo，epoch 100 - 应用1280*1280样本训练的yolos模型预测并生成最终结果 ### 效果 - 初赛B榜 143/4432 ### 文件夹说明 ``` project |--README.md # 解决方案及算法介绍文件 |--requirements.txt # 硬件介绍及Python环境依赖 |--tcdata |--user_data |--round1_testA_sliced_all_320 # 适用于yolo的切割图像和标签文件夹（训练） |--images |--labels |--round1_testA_sliced_all_1280 # 适用于yolo的切割图像和标签文件夹（训练） |--images |--labels |--round1_testB_sliced_all_1280 # 适用于yolo的切割图像和标签文件夹（预测） |--images |--labels |--prediction_result |--code |--01_read_convert_tags.ipynb # 标签转换格式 |--02_2_try_cut_pic.ipynb # 预测按标签切图 |--03_run_yolo_train.ipynb # 训练yolo |--04_try_cut_target_pic.ipynb # 预测目标切图，其多进程版本为 04_multiproc_try_cut_target_pic.py |--05_run_yolo_predict.ipynb # 预测因大量print建议在terminal运行，最终使用train/exp59/weights/last.pt 模型 |--06_combine_target_labels.ipynb # 汇总结果生成标签 ``` ### 修改的模型部分主要如下 #### 实在搞不懂开源协议，yolov5的部分就不上传了 ``` python ### in yolov5/models/commom.py class SELayer(nn.Module): def __init__(self, channel, reduction=16): super(SELayer, self).__init__() self.avg_pool = nn.AdaptiveAvgPool2d(1) self.fc = nn.Sequential( nn.Linear(channel, channel // reduction, bias=False), nn.ReLU(inplace=True), nn.Linear(channel // reduction, channel, bias=False), nn.Sigmoid() ) def forward(self, x): b, c, _, _ = x.size() y = self.avg_pool(x).view(b, c) y = self.fc(y).view(b, c, 1, 1) return x * y.expand_as(x) ``` ``` yaml # YOLOv5 backbone backbone: # [from, number, module, args] [[-1, 1, Focus, [64, 3]], # 0-P1/2 [-1, 1, Conv, [128, 3, 2]], # 1-P2/4 [-1, 3, BottleneckCSP, [128]], [-1, 1, Conv, [256, 3, 2]], # 3-P3/8 [-1, 9, BottleneckCSP, [256]], [-1, 1, SELayer,[256,16]], # added by ccjaread [-1, 1, Conv, [512, 3, 2]], # 5-P4/16 [-1, 9, BottleneckCSP, [512]], [-1, 1, SELayer,[512,16]], # added by ccjaread [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32 [-1, 1, SPP, [1024, [5, 9, 13]]], # [-1, 1, SELayer,[1024,16]], [-1, 3, BottleneckCSP, [1024, False]], # 9 ] ```