裂纹识别

Yasin2025年4月16日大约 5 分钟

使用 YOLOv8 进行图像分割,从数据处理到模型训练一条龙流程

环境搭建

上一步数据准备后，输出目录中还有原图片，另外图片标注需要大量数据(几百张到上千张)，这样训练出来的模型效果才会好。所以要把图片再处理一下,把原图剔除掉，每 400 张切图为一组
新建一个输出目录文件夹
修改 filter.py 中的 src 和 dst, src 为数据准备中切割结果的文件夹，dst 为刚刚新建的输出目录文件夹
修改src和dst
打开 filter.py 所在文件夹的 cmd 窗口，输入 python ./filter.py 执行脚本等待数据处理完成
打开cmd
执行脚本

打开 X-AnyLabeling-CPU，修改语言为中文
设置语言
打开数据处理中输出目录文件夹
打开文件夹
按快捷键 P 开始绘制多边形，按住 Ctrl+鼠标滚轮放大图片方便绘制图片。依次点击鼠标左键在裂纹周边，把裂纹围起来，绘制的多边形要尽可能的贴合裂纹。
如果一张图没有裂纹，按 Ctrl+Shift+Del 将图片删掉。
绘制完成后会要求你输入对象标签。意思是当前绘制的多边形是什么类型，如果只是要识别裂纹就写 Crack，如果还要对裂纹进行分类，具体什么类别就写什么类别，可以是 Crack1，Crack2,....
添加标签
一张图有多少裂纹就要有多少个多边形，多边形的质量决定后续识别的质量。
绘制多边形
绘制多边形1
绘制多边形2
绘制多边形3
其他快捷建 A:上一张 D：下一张 Del:删除绘制多边形
标注一组大概 400 张，标注完开始导出数据
新建一个文本文件叫 classes.txt,这个文件里写上之前标注时的类别。要和标注的类别名称一样，包括大小写，有几类写几种，每一类占一行，比如下图
classes
点击 X-AnyLabeling-CPU 顶部的导出，选择导出 yolo 标签,选择刚刚创建的 classes.txt
导出界面
导出成功后，会在图片文件夹同级目录生成一个叫 labels 的文件夹，至此标注结束
导出成功

图片标注完成后，需要将标注结果分为训练集，测试集，验证集
打开 resultFilter.py,修改 image_src_dir，label_src_dir，output_root。
image_src_dir 是数据标注中打开的文件夹路径，label_src_dir 是数据标注中最后导出的 labels 文件夹路径，output_root 是分类结果存放路径
resultFilter
修改完成后，在 resultFilter.py 所在文件夹打开 cmd，输入 python ./resultFilter.py，等待分类完成
分类结果

打开 dataset.yaml,修改 path,train,test,val 地址，path 是标注数据分类中的 output_root 地址。train,test,val 分别对应该路径下的 train.txt,test.txt,val.txt 地址。
修改 dataset.yaml 的 nc 值，表示分类的数量。修改 names,前面的代表编号，从 0 开始累加。后面代表类名，跟 classes.txt 中的类别对应
修改datasetyaml
打开 train.py 修改 pt 文件地址和 dataset.yaml
修改train
在 train.py 所在文件目录打开 cmd，输入 python ./train.py 开始训练，cpu 训练时间很长，而且会很卡，如果内存不够会失败，最好拿一台配置好的电脑训练
训练完成后，会在 train.py 文件目录下的 runs 目录，打开 runs/segment/train/weights,该目录下会有 best.pt 和 last.pt 两个文件，这就是训练的模型。

利用训练完的模型，可以预测大板中是否存在裂纹。
新建一个文件夹，将要识别的图片放在里面。
打开 predict.py，修改 best.pt 和刚刚新建的文件夹地址，打开 predict.py 所在文件夹的 cmd，输入 python ./predict.py 执行脚本，会显示预测结果
修改predict
预测结果
修改结果
修改结果1
修改结果2
修改结果3
修改结果4