## Faster-Rcnn：PCB-component-defect-detection目标检测模型在Pytorch当中的实现
---
## 目录
1. [仓库更新 Top News](#仓库更新)
2. [性能情况 Performance](#性能情况)
3. [所需环境 Environment](#所需环境)
4. [文件下载 Download](#文件下载)
5. [预测步骤 How2predict](#预测步骤)
6. [训练步骤 How2train](#训练步骤)
7. [评估步骤 How2eval](#评估步骤)
8. [参考资料 Reference](#Reference)
## Top News
**本项目支持step、cos学习率下降法、支持adam、sgd优化器选择、支持学习率根据batch_size自适应调整、新增图片裁剪。**
**增加了大量注释、增加了大量可调整参数、对代码的组成模块进行修改、增加fps、视频预测、批量预测等功能。**
## 性能情况
| 训练数据集 | 权值文件名称 | 测试数据集 | 输入图片大小 | mAP 0.5:0.95 | mAP 0.5 |
| :-----: | :-----: | :------: | :------: | :------: | :-----: |
| VOC07+12 | [voc_weights_resnet.pth](https://github.com/bubbliiiing/faster-rcnn-pytorch/releases/download/v1.0/voc_weights_resnet.pth) | VOC-Test07 | - | - | 80.36
| VOC07+12 | [voc_weights_vgg.pth](https://github.com/bubbliiiing/faster-rcnn-pytorch/releases/download/v1.0/voc_weights_vgg.pth) | VOC-Test07 | - | - | 77.46
**本代码中也用训练权重，读者可以不用下载。
## 所需环境
torch == 1.2.0
## 文件下载
训练所需的voc_weights_resnet.pth或者voc_weights_vgg.pth以及主干的网络权重可以在百度云下载。
voc_weights_resnet.pth是resnet为主干特征提取网络用到的；
voc_weights_vgg.pth是vgg为主干特征提取网络用到的；
链接: https://pan.baidu.com/s/1S6wG8sEXBeoSec95NZxmlQ
提取码: 8mgp
VOC数据集下载地址如下，里面已经包括了训练集、测试集、验证集（与测试集一样），无需再次划分：
链接: https://pan.baidu.com/s/1YuBbBKxm2FGgTU5OfaeC5A
提取码: uack
**笔者是使用生产工厂，现场采集的PCB图片，故不能上传，读者需要自备数据集或者根据提供的数据集链接下载
**在后续中，笔者以共用数据集VOC07+12数据集进行讲解，
## 训练步骤
### a、训练VOC07+12数据集
1. 数据集的准备
**本文使用VOC格式进行训练，训练前需要下载好VOC07+12的数据集，解压后放在根目录**
2. 数据集的处理
修改voc_annotation.py里面的annotation_mode=2，运行voc_annotation.py生成根目录下的2007_train.txt和2007_val.txt。
3. 开始网络训练
train.py的默认参数用于训练VOC数据集，直接运行train.py即可开始训练。
4. 训练结果预测
训练结果预测需要用到两个文件，分别是frcnn_predict.py和predict.py。我们首先需要去frcnn_predict.py里面修改model_path以及classes_path，这两个参数必须要修改。
**model_path指向训练好的权值文件，在logs文件夹里。
classes_path指向检测类别所对应的txt。**
完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。
### b、训练自己的数据集
1. 数据集的准备
**本文使用VOC格式进行训练，训练前需要自己制作好数据集，**
训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
2. 数据集的处理
在完成数据集的摆放之后，我们需要利用voc_annotation.py获得训练用的2007_train.txt和2007_val.txt。
修改voc_annotation.py里面的参数。第一次训练可以仅修改classes_path，classes_path用于指向检测类别所对应的txt。
训练自己的数据集时，可以自己建立一个cls_classes.txt，里面写自己所需要区分的类别。
model_data/cls_classes.txt文件内容为：
```python
cat
dog
...
```
修改voc_annotation.py中的classes_path，使其对应cls_classes.txt，并运行voc_annotation.py。
3. 开始网络训练
**训练的参数较多，均在train.py中，大家可以在下载库后仔细看注释，其中最重要的部分依然是train.py里的classes_path。**
**classes_path用于指向检测类别所对应的txt，这个txt和voc_annotation.py里面的txt一样！训练自己的数据集必须要修改！**
修改完classes_path后就可以运行train.py开始训练了，在训练多个epoch后，权值会生成在logs文件夹中。
4. 训练结果预测
训练结果预测需要用到两个文件，分别是frcnn_predict.py和predict.py。在frcnn_predict.py里面修改model_path以及classes_path。
**model_path指向训练好的权值文件，在logs文件夹里。
classes_path指向检测类别所对应的txt。**
完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。
## 预测步骤
### a、使用预训练权重
1. 下载完库后解压，在百度网盘下载frcnn_weights.pth，放入model_data，运行predict.py，输入
```python
img/street.jpg
```
2. 在predict.py里面进行设置可以进行fps测试和video视频检测。
### b、使用自己训练的权重
1. 按照训练步骤训练。
2. 在frcnn_predict.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；**model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类**。
3. 运行predict.py，输入
```python
img/street.jpg
```
4.在predict.py里面进行设置可以进行fps测试和video视频检测。
## 评估步骤
### a、评估VOC07+12的测试集
1. 本文使用VOC格式进行评估。VOC07+12已经划分好了测试集，无需利用voc_annotation.py生成ImageSets文件夹下的txt。
2. 在frcnn.py里面修改model_path以及classes_path。**model_path指向训练好的权值文件，在logs文件夹里。classes_path指向检测类别所对应的txt。**
3. 运行get_map.py即可获得评估结果，评估结果会保存在map_out文件夹中。
### b、评估自己的数据集
1. 本文使用VOC格式进行评估。
2. 如果在训练前已经运行过voc_annotation.py文件，代码会自动将数据集划分成训练集、验证集和测试集。如果想要修改测试集的比例，可以修改voc_annotation.py文件下的trainval_percent。trainval_percent用于指定(训练集+验证集)与测试集的比例，默认情况下 (训练集+验证集):测试集 = 9:1。train_percent用于指定(训练集+验证集)中训练集与验证集的比例，默认情况下 训练集:验证集 = 9:1。
3. 利用voc_annotation.py划分测试集后，前往get_map.py文件修改classes_path，classes_path用于指向检测类别所对应的txt，这个txt和训练时的txt一样。评估自己的数据集必须要修改。
4. 在frcnn_predict.py里面修改model_path以及classes_path。**model_path指向训练好的权值文件，在logs文件夹里。classes_path指向检测类别所对应的txt。**
5. 运行get_map.py即可获得评估结果，评估结果会保存在map_out文件夹中。
基于python+faster-RCNN的PCB元器件缺陷检测+源码+开发文档+项目解析（毕业设计&课程设计&项目开发）
版权申诉
198 浏览量
2024-04-14
20:03:31
上传
评论 1
收藏 214KB ZIP 举报
基于faster-RCNN的PCB元器件缺陷检测.zip （79个子文件） 
PCB_defect_detection_faster_r_cnn-main 
voc_annotation.py 7KB order_name.py 4KB LICENSE 1KB predict.py 8KB utils utils.py 2KB __init__.py 1B utils_bbox.py 7KB soft_nms.py 6KB utils_map.py 37KB anchors.py 3KB kmeans_anchors yolo_kmeans.py 1KB plot_kmeans.py 2KB main.py 3KB Bikmeans_anchors.py 8KB read_voc.py 3KB dataloader.py 6KB utils_fit.py 3KB callbacks.py 10KB __pycache__ utils_bbox.cpython-39.pyc 3KB dataloader.cpython-37.pyc 4KB dataloader.cpython-39.pyc 4KB utils_map.cpython-37.pyc 18KB utils_fit.cpython-39.pyc 2KB __init__.cpython-39.pyc 155B anchors.cpython-39.pyc 2KB callbacks.cpython-37.pyc 6KB callbacks.cpython-39.pyc 6KB utils.cpython-39.pyc 2KB utils_bbox.cpython-37.pyc 6KB utils_fit.cpython-37.pyc 2KB utils_map.cpython-39.pyc 19KB __init__.cpython-37.pyc 160B utils.cpython-37.pyc 2KB anchors.cpython-37.pyc 2KB nets __init__.py 1B resnet101.py 6KB vgg16.py 4KB resnet50_ECA_FPN.py 11KB rpn.py 16KB FasterRCNN_train.py 7KB resnet50.py 7KB Suggestion_box.py 27KB classifier.py 11KB resnet50_FPN.py 11KB __pycache__ resnet101.cpython-37.pyc 4KB Suggestion_box.cpython-39.pyc 12KB vgg16.cpython-39.pyc 2KB resnet50.cpython-39.pyc 4KB rpn.cpython-39.pyc 5KB classifier.cpython-37.pyc 5KB resnet50_FPN.cpython-37.pyc 5KB resnet50.cpython-37.pyc 4KB feature_pyramid_network.cpython-39.pyc 8KB frcnn.cpython-39.pyc 2KB resnet50_FPN.cpython-39.pyc 6KB __init__.cpython-39.pyc 154B classifier.cpython-39.pyc 5KB resnet101.cpython-39.pyc 4KB rpn.cpython-37.pyc 4KB feature_extraction.cpython-39.pyc 2KB FasterRCNN_train.cpython-37.pyc 2KB __init__.cpython-37.pyc 159B FasterRCNN_train.cpython-39.pyc 3KB faster_rcnn_feature_extraction.cpython-39.pyc 2KB Suggestion_box.cpython-37.pyc 10KB frcnn_training.cpython-39.pyc 10KB vgg16.cpython-37.pyc 2KB data_expansion.py 14KB qa.md 36KB summary.py 1KB
requirements.txt 150B get_map.py 8KB .gitignore 2KB frcnn_predict.py 17KB train.py 30KB README.md 7KB Data_preproces voc_annotation.py 7KB order_name.py 4KB data_expansion.py 14KB资源评论
