针对吉利生产的电池进行外观检测和工艺质量检测--vscode YoloV8目标检测

前言

这个项目是使用vscode平台，在使用wsl进行远程链接虚拟机，使用ubuntu系统进行代码编写以及训练测试的。由于之前并没有接触模型框架和其他的经历，所以并没有修改模型。其次只是模型训练和数据集标注，内容主要是问题梳理以及知识技术概要。

训练自己的模型

一.数据集的准备

数据集采用的 桐庐缺陷分类样本参考.zip，网盘链接为 https://pan.quark.cn/s/839ddfcd394f

压缩包中分为三个文件，第一个文件是主要的缺陷类型分类以及原图，剩下都是原图，要自己进行筛选和分类。

将其分类之后放入ubuntu系统的jl文件夹中。

二.数据集的处理

由于使用的是yolo进行图像识别训练，所以要将标签使用yolo格式保存并放入相应文件夹。这边使用的工具是labellmg。

使用方法，在labellmg文件夹目录下输入cmd打开控制台，输入python labelImg.py predefined_classes.txt ，打开程序，进入到此界面

右边是对应的标签名，然后直接打开目标文件夹进行缺陷标注，最后保存在

使用split.py对图片进行分类使得格式为images>>train>val,比例82开进行划分。

三.开始训练

先对标准分类的图片标注，然后训练一个初始模型，用训练模型再去自动标注剩余图片。

设置训练轮数300轮，patience=50，若50轮无显著变化则停止。使用模型yolov8s，自己并未修改所以效果会很差。runs/detect/runs/detect/battery_defect/weights/best.pt训练后的模型保存路径。新建unlabled文件，建立continue_train.py调用上一次保存的文件进行在训练。

降低学习率，由于使用的wsl，虚拟机不能一次性处理过多的图片，可能导致连接中断，所以直接patience=0确保跑完成。训练完成之后

使用merge.py把标注好的图片合并至训练集，进行在训练。最后训练好模型保存在runs/detect/runs/detect/battery_defect_continue/weights/best.pt。最后直接调用这个模型即可。

问题总结以及解决办法

首先最直接的问题的就是数据集标注问题，因为数据集图片较多，所以人工全部手动标注时间成本太大，采用先训练一个初始模型，在用初始模型进行再标注然后人工审查一番。但是这样精度肯定比不上人工，但是这样比较节省时间。

其次也是最大的问题就是没有去修改模型框架，这个肯定是影响最大的。在学校实验中没有怎么接触过这些，一般都是给定的模型和训练集自己去跑训练结果。我觉得要是有优化调整，应该先关注这个。

对于训练loss值调整和精度提高我认为可以从这几个方面。首先使用的yolov8肯定是数据集以及对应的缺陷的数据要足够多，不然像裂纹和其他较小的缺陷就无法识别。其次调低学习率也可以使得loss值降低。lr0=0.01->lr0=0.001。采用数据增强mosaic，提高分辨率，但是分辨率过高会导致wsl连接中断，所以不采用。

总结：就是一定要自己去改模型框架。不建议在虚拟机上进行训练，尽量去使用linux系统。