yzl19940819 / paddlex_steel_defect_seg

钢板缺陷检测

1 项目说明

2 数据准备

数据集中包含6666张已经标注好的数据，原始数据标注形式为csv格式。该项目采用语义分割的标注方式，在本文档中提供了SEG数据集格式。点击此处下载数据集 更多数据格式信息请参考数据标注说明文档

• 数据切分 将训练集、验证集和测试集按照7：2：1的比例划分。 PaddleX中提供了简单易用的API，方便用户直接使用进行数据划分。

paddlex --split_dataset --format SEG --dataset_dir dataset --val_value 0.2 --test_val 0.1

数据文件夹切分前后的状态如下:

  dataset/                          dataset/
  ├── Annotations/      -->         ├── Annotations/
  ├── JPEGImages/                   ├── JPEGImages/
                                    ├── labels.txt
                                    ├── test_list.txt
                                    ├── train_list.txt
                                    ├── val_list.txt

3 模型选择

PaddleX提供了丰富的视觉模型，在语义分割中提供了DeepLabV3、UNET、HRNET和FastSCNN系列模型。在本项目中采用UNET为分割模型进行钢板缺陷检测。

4 模型训练

在项目中，我们采用UNET作为钢板缺陷分割的模型。具体代码请参考train.py。

运行如下代码开始训练模型：

python train.py

若输入如下代码，则可在log文件中查看训练日志，log文件保存在code目标下

python train.py > log

5 模型优化(进阶)

• 精度提升 为了进一步提升模型的精度，在项目中采用了一系列模型优化的方式，具体请参考模型优化文档
• 速度优化

6 模型预测

运行如下代码：

python code/infer.py

则可生成可视化的分割结果。

预测结果如下：

image_4e8e7a28c gt_4e8e7a28c predict_4e8e7a28c image_9d34d1ed3 gt_9d34d1ed3 predict_9d34d1ed3

使用calc_fps.py脚本可计算预测速度，使用UNET网络推理速度如下。

arch	resolution	FPS
UNET	1600x256	26.38

7 模型导出

模型训练后保存在output文件夹，如果要使用PaddleInference进行部署需要导出成静态图的模型,运行如下命令，会自动在output文件夹下创建一个inference_model的文件夹，用来存放导出后的模型。

paddlex --export_inference --model_dir=output/unet/best_model --save_dir=output/inference_model 

8 模型上线选择

9 模型部署方式

模型部署采用了PaddleX提供的C++ inference部署方案，在改方案中提供了C#部署Demo，用户可根据实际情况自行参考。