网站 流程优化,房产网签合同,速贝网站友情链接怎么做,中国交通建设工程监督管理局网站本文研究并实现了一种基于YOLOV8深度学习模型的汽车车身车损检测系统#xff0c;旨在解决传统车损检测中效率低、精度不高的问题。该系统利用YOLOV8的目标检测能力#xff0c;在单张图像上实现了车身损坏区域的精确识别和分类#xff0c;尤其是在车身凹痕、车身裂纹和车身划…本文研究并实现了一种基于YOLOV8深度学习模型的汽车车身车损检测系统旨在解决传统车损检测中效率低、精度不高的问题。该系统利用YOLOV8的目标检测能力在单张图像上实现了车身损坏区域的精确识别和分类尤其是在车身凹痕、车身裂纹和车身划痕等常见损伤类型的检测上取得了显著效果。通过使用YOLOV8模型系统能够以较快的速度和较高的准确率对输入图像进行处理满足实际应用中对实时性和可靠性的要求。
为了提升用户体验系统采用了PyQt5框架构建了交互界面使用户可以轻松地加载车辆图像并查看检测到的损伤类型及其定位信息。用户界面设计直观操作简便可显示每个检测到的损伤类型及其在图像中的具体位置。此外系统还支持批量图像处理功能用户可以一次性上传多张图片系统将逐一识别并输出损伤检测结果。这种交互设计不仅提高了系统的实用性还为用户带来了便捷的操作体验。
在数据集方面本文专门构建并标注了一个针对汽车车损检测的数据集涵盖了不同类型和程度的车损案例包括车身凹痕、裂纹和划痕等多个类别。该数据集包含了多样化的车损情况保证了模型训练过程中的泛化能力适用于不同车型和车损场景。同时数据集还包含了各类车损的详细标注信息以帮助YOLOV8模型进行深度学习训练。实验验证了模型的性能其结果显示该车损检测系统在不同的损伤类型上均表现出较高的检测精度和识别速度能够有效减少漏检和误检情况。
系统的成功开发与应用为汽车保险理赔、车辆维护等领域提供了一种新型的智能化解决方案。相比于传统的人工检测方式该系统显著提高了车损检测的效率和准确性。通过自动化的车损检测流程保险公司可以更快速、准确地处理理赔案件减少主观误差而在车辆维护领域维修人员也能够利用该系统快速定位车损制定修复方案。总之本文提出的车损检测系统不仅在技术上实现了创新突破而且在实际应用中也具备了广泛的推广价值为车损检测领域带来了新的发展前景。
算法流程 项目数据
通过搜集关于数据集为各种各样的车身车损相关图像并使用Labelimg标注工具对每张图片进行标注分3检测类别分别是’车身凹痕’,’车身裂纹’,’车身划痕’。
目标检测标注工具 1labelimg:开源的图像标注工具标签可用于分类和目标检测它是用python写的并使用Qt作为其图形界面简单好用虽然是英文版的。其注释以 PASCAL VOC格式保存为XML文件这是ImageNet使用的格式。此外它还支持 COCO数据集格式。 2安装labelimg 在cmd输入以下命令 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple 结束后在cmd中输入labelimg 初识labelimg 打开后我们自己设置一下
在View中勾选Auto Save mode 接下来我们打开需要标注的图片文件夹 并设置标注文件保存的目录上图中的Change Save Dir 接下来就开始标注画框标记目标的label然后d切换到下一张继续标注不断重复重复。 Labelimg的快捷键 3数据准备 这里建议新建一个名为data的文件夹这个是约定俗成不这么做也行里面创建一个名为images的文件夹存放我们需要打标签的图片文件再创建一个名为labels存放标注的标签文件最后创建一个名为 classes.txt 的txt文件来存放所要标注的类别名称。
data的目录结构如下 │─img_data │─images 存放需要打标签的图片文件 │─labels 存放标注的标签文件 └ classes.txt 定义自己要标注的所有类别这个文件可有可无但是在我们定义类别比较多的时候最好有这个创建一个这样的txt文件来存放类别
首先在images这个文件夹放置待标注的图片。 生成文件如下: “classes.txt”定义了你的 YOLO 标签所引用的类名列表。 4YOLO模式创建标签的样式
存放标签信息的文件的文件名为与图片名相同内容由N行5列数据组成。 每一行代表标注的一个目标通常包括五个数据从左到右依次为类别id、x_center、y_center、width、height。 其中 –x类别id代表标注目标的类别 –x_center和y_center代表标注框的相对中心坐标 –xwidth和height代表标注框的相对宽和高。
注意这里的中心点坐标、宽和高都是相对数据 存放标签类别的文件的文件名为classes.txt (固定不变)用于存放创建的标签类别。
完成后可进行后续的yolo训练方面的操作。
模型训练
模型的训练、评估与推理
1.YOLOv8的基本原理
YOLOv8是一个SOTA模型它建立在Yolo系列历史版本的基础上并引入了新的功能和改进点以进一步提升性能和灵活性使其成为实现目标检测、图像分割、姿态估计等任务的最佳选择。其具体创新点包括一个新的骨干网络、一个新的Ancher-Free检测头和一个新的损失函数可在CPU到GPU的多种硬件平台上运行。 YOLOv8是Yolo系列模型的最新王者各种指标全面超越现有对象检测与实例分割模型借鉴了Yolov5、Yolov6、YoloX等模型的设计优点在全面提升改进Yolov5模型结构的基础上实现同时保持了Yolov5工程化简洁易用的优势。
Yolov8模型网络结构图如下图所示 2.数据集准备与训练
本研究使用了包含建筑外墙破损相关图像的数据集并通过Labelimg标注工具对每张图像中的目标边框Bounding Box及其类别进行标注。然后主要基于YOLOv8n这种模型进行模型的训练训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。模型训练和评估流程基本一致包括数据集准备、模型训练、模型评估。本次标注的目标类别为建筑外墙破损数据集中共计包含3073张图像其中训练集占2456张验证集占617张。部分图像如下图所示 部分标注如下图所示 图片数据的存放格式如下在项目目录中新建datasets目录同时将检测的图片分为训练集与验证集放入datasets目录下。 接着需要新建一个data.yaml文件用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时会读取该文件的信息用于进行模型的训练与验证。 data.yaml的具体内容如下 train: E:/VehicleDamageObjective_v8/datasets/train/images 训练集的路径 val: E:/VehicleDamageObjective_v8/datasets/val/images 验证集的路径 # test: E:/VehicleDamageObjective_v8/datasets/test/images 测试集的路径
nc: 3 names: [“dent”, “crack”, “scratch”]
这个文件定义了用于模型训练和验证的数据集路径以及模型将要检测的目标类别。
数据准备完成后通过调用train.py文件进行模型训练epochs参数用于调整训练的轮数batch参数用于调整训练的批次大小(根据内存大小调整最小为1)。
CPU/GPU训练代码如下 加载名为 yolov8n.pt 的预训练YOLOv8模型yolov8n.pt是预先训练好的模型文件。 使用YOLO模型进行训练主要参数说明如下 1datadata_yaml_path: 指定了用于训练的数据集配置文件。 2epochs150: 设定训练的轮数为150轮。 3batch4: 指定了每个批次的样本数量为4。 4optimizer’SGD’):SGD 优化器。 7name’train_v8′: 指定了此次训练的命名标签用于区分不同的训练实验。
3.训练结果评估
在深度学习的过程中我们通常通过观察损失函数下降的曲线来了解模型的训练情况。对于YOLOv8模型的训练主要涉及三类损失定位损失box_loss、分类损失cls_loss以及动态特征损失dfl_loss。训练完成后相关的训练过程和结果文件会保存在 runs/ 目录下具体如下 各损失函数作用说明 定位损失box_loss预测框与标定框之间的误差GIoU越小定位得越准 分类损失cls_loss计算锚框与对应的标定分类是否正确越小分类得越准 动态特征损失dfl_lossDFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时目标框需要缩放到特征图尺度即除以相应的stride并与预测的边界框计算Ciou Loss同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分通过计算DFLLoss可以更准确地调整预测框的位置提高目标检测的准确性。
训练结果如下 这张图展示了YOLOv8模型在训练和验证过程中的多个重要指标的变化趋势具体如下
train/box_loss 1这是训练过程中边界框损失的变化。边界框损失用于衡量模型预测的目标框与实际目标框的差异。 2随着训练的进行损失逐渐降低说明模型在定位边界框方面的性能在提高。
train/cls_loss 1这是训练集上的分类损失。分类损失衡量模型对目标类别的预测准确性。 2曲线逐渐下降表明模型在类别分类任务上也在逐渐收敛。
train/dfl_loss 1这是分布聚焦损失distribution focal loss用于帮助模型对目标框的精确定位。 2这一损失同样随着训练的进行而减小表明模型在预测边界框时越来越准确。
metrics/precision(B) 1这是训练集上的精度precision曲线。精度表示模型在检测到的目标中有多少是真正的目标。 2尽管有波动但整体趋势是上升的表明模型误检减少。
metrics/recall(B) 1这是训练集上的召回率recall曲线。召回率表示模型检测出的真实目标的比例。 2召回率随着训练增加而提高说明模型的漏检率降低。
val/box_loss 1这是验证集上的边界框损失曲线。 2与训练中的趋势相似损失逐渐减小说明模型在验证数据上的表现也在提升。
val/cls_loss 1这是验证集上的分类损失曲线。 2损失随训练过程下降验证了模型在不同数据集上的一致性。
val/dfl_loss 1这是验证集上的分布聚焦损失曲线。 2与训练集一样损失逐渐下降。
metrics/mAP50(B) 1这是验证集上的mAP50曲线表示在交并比阈值为0.5时模型的平均精度mean Average Precision。 2随着训练的增加mAP50逐渐提高说明模型的检测精度在不断提升。
metrics/mAP50-95(B) 1这是验证集上的mAP50-95曲线表示在不同交并比阈值从0.5到0.95下模型的平均精度。 2曲线的上升趋势表明模型在更高的IoU阈值上表现良好具有较好的泛化能力。
总结 1损失函数box_loss、cls_loss、dfl_loss在训练和验证集上的逐步下降说明模型在训练和验证集上的性能都在逐渐提高。 2精确率和召回率逐渐提高表明模型在减少误检和漏检方面表现较好。 3mAP50和mAP50-95曲线的上升趋势显示了模型在不同阈值下的平均检测精度逐渐提升验证了模型的收敛效果和准确性。
总体而言模型在训练过程中表现出良好的收敛性和稳健性表明其适用于车损检测任务并具备较高的泛化性能。 这张图展示的是 Precision-Recall 曲线用于评估模型在不同类别下的检测性能。以下是详细解释
曲线解释 1蓝色粗线表示整体的精确率-召回率曲线展示了模型在所有类别上的平均表现。该曲线的区域表示整体的平均精度mAP在IoU阈值为0.5时的mAP值为0.505。 2浅蓝色线代表“dent”凹痕类别。其mAP值为0.597曲线显示出较高的精确率和中等的召回率说明模型在识别凹痕时表现较好。 3橙色线代表“crack”裂纹类别。mAP值为0.089曲线在低召回率时的精确率急剧下降显示出模型在检测裂纹时表现较弱。 4绿色线代表“scratch”划痕类别。其mAP值为0.829曲线显示出较高的精确率和召回率说明模型在划痕检测方面表现非常出色。
整体性能all classes 1蓝色粗线代表所有类别的综合表现mAP0.5为0.505。这表明虽然模型在某些类别上表现较好但在整体上有进一步提升的空间。
这张精确率-召回率曲线图清晰地展示了YOLOv8模型在不同损伤类别上的检测性能差异。模型对划痕和凹痕检测表现较好但在裂纹检测方面表现不佳需要进一步优化。
4.检测结果识别
模型训练完成后我们可以得到一个最佳的训练结果模型best.pt文件在runs/train/weights目录下。我们可以使用该文件进行后续的推理检测。 imgTest.py 图片检测代码如下 加载所需库 1from ultralytics import YOLO导入YOLO模型类用于进行目标检测。 2import cv2导入OpenCV库用于图像处理和显示。
加载模型路径和图片路径 1path ‘models/best.pt’指定预训练模型的路径这个模型将用于目标检测任务。 2img_path “TestFiles/imagetest.jpg”指定需要进行检测的图片文件的路径。
加载预训练模型 1model YOLO(path, task’detect’)使用指定路径加载YOLO模型并指定检测任务为目标检测 (detect)。 2通过 conf 参数设置目标检测的置信度阈值通过 iou 参数设置非极大值抑制NMS的交并比IoU阈值。
检测图片 1results model(img_path)对指定的图片执行目标检测results 包含检测结果。
显示检测结果 1res results[0].plot()将检测到的结果绘制在图片上。 2cv2.imshow(“YOLOv8 Detection”, res)使用OpenCV显示检测后的图片窗口标题为“YOLOv8 Detection”。 3cv2.waitKey(0)等待用户按键关闭显示窗口
此代码的功能是加载一个预训练的YOLOv8模型对指定的图片进行目标检测并将检测结果显示出来。
执行imgTest.py代码后会将执行的结果直接标注在图片上结果如下 这段输出是基于YOLOv8模型对图片“imagetest.jpg”进行检测的结果具体内容如下
图像信息 1处理的图像路径为TestFiles/imagetest.jpg。 2图像尺寸为 416×416 像素。
检测结果 1模型在该图片上检测到 1 个车身凹痕”1 dent”
处理速度 1预处理时间: 3.9ms。 2推理时间: 4.7ms。 3后处理时间: 76.5ms。
输出的这些信息有助于了解检测到的车身车损类别以及模型在该特定图像上的推理表现。
运行效果
– 运行 MainProgram.py 1.主要功能 1可用于实时检测目标图片中的车身车损 2支持图片、视频及摄像头进行检测同时支持图片的批量检测 3界面可实时显示目标位置、目标总数、置信度、用时等信息; 4支持图片或者视频的检测结果保存。
2.检测结果说明 这张图表显示了基于YOLOv8模型的目标检测系统的检测结果界面。以下是各个字段的含义解释
用时Time taken: 1这表示模型完成检测所用的时间为0.049秒。 2这显示了模型的实时性检测速度非常快。
目标数目Number of objects detected: 1检测到的目标数目为1表示这是当前检测到的第1个目标。
目标选择(下拉菜单)全部: 1这里有一个下拉菜单用户可以选择要查看的目标类型。 2在当前情况下选择的是“全部”意味着显示所有检测到的目标信息。
类型Type: 1当前选中的行为类型为 “车身凹痕”表示系统正在高亮显示检测到的“dent”。
置信度Confidence: 1这表示模型对检测到的目标属于“车身凹痕”类别的置信度为96.74%。 2置信度反映了模型的信心置信度越高模型对这个检测结果越有信心。
目标位置Object location: 1xmin: 117, ymin: 113目标的左上角的坐标(xmin, ymin)表示目标区域在图像中的位置。 2xmax: 324, ymax: 380目标的右下角的坐标(xmax, ymax)表示目标区域的边界。
这些坐标表示在图像中的目标区域范围框定了检测到的“车身凹痕”的位置。
这张图展示了车身车损的一次检测结果包括检测时间、检测到的种类、各行为的置信度、目标的位置信息等。用户可以通过界面查看并分析检测结果提升车身车损检测的效率。
3.图片检测说明 1车身凹痕 2车身划痕 3车身裂纹 点击打开图片按钮选择需要检测的图片或者点击打开文件夹按钮选择需要批量检测图片所在的文件夹。 操作演示如下 1点击目标下拉框后可以选定指定目标的结果信息进行显示。 2点击保存按钮会对检测结果进行保存存储路径为save_data目录下。
检测结果系统识别出图片中的车身车损并显示检测结果包括总目标数、用时、目标类型、置信度、以及目标的位置坐标信息。
4.视频检测说明 点击视频按钮打开选择需要检测的视频就会自动显示检测结果再次点击可以关闭视频。 点击保存按钮会对视频检测结果进行保存存储路径为save_data目录下。
检测结果系统对视频进行实时分析检测到车身车损并显示检测结果。表格显示了视频中多个检测结果的置信度和位置信息。
这个界面展示了系统对视频帧中的多目标检测能力能够准确识别车身车损并提供详细的检测结果和置信度评分。
5.摄像头检测说明 点击打开摄像头按钮可以打开摄像头可以实时进行检测再次点击可关闭摄像头。
检测结果系统连接摄像头进行实时分析检测到车身车损并显示检测结果。实时显示摄像头画面并将检测到的行为位置标注在图像上表格下方记录了每一帧中检测结果的详细信息。
6.保存图片与视频检测说明 点击保存按钮后会将当前选择的图片(含批量图片)或者视频的检测结果进行保存。 检测的图片与视频结果会存储在save_data目录下。 保存的检测结果文件如下 图片文件保存的csv文件内容如下包括图片路径、目标在图片中的编号、目标类别、置信度、目标坐标位置。 注其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。 1图片保存 2视频保存 – 运行 train.py 1.训练参数设置 1datadata_yaml_path: 使用data.yaml中定义的数据集。 2epochs150: 训练的轮数设置为100轮。 3batch4: 每个批次的图像数量为4批次大小。 4name’train_v8′: 训练结果将保存到以train_v8为名字的目录中。 5optimizer’SGD’: 使用随机梯度下降法(SGD)作为优化器。
虽然在大多数深度学习任务中GPU通常会提供更快的训练速度。 但在某些情况下可能由于硬件限制或其他原因用户需要在CPU上进行训练。
温馨提示在CPU上训练深度学习模型通常会比在GPU上慢得多尤其是像YOLOv8这样的计算密集型模型。除非特定需要通常建议在GPU上进行训练以节省时间。
2.训练日志结果 这张图展示了使用YOLOv8进行模型训练的详细过程和结果。
训练总时长 1模型在训练了150轮后总共耗时2.992小时。
各类指标 1对于dent精确率为0.684召回率为0.552mAP50为0.597mAP50-95为0.352。 2对于crack精确率为0.251召回率为0.135mAP50为0.0886mAP50-95为0.0349表现相对较低表明模型在识别裂纹方面仍有较大提升空间。 3对于scratch精确率为0.811召回率为0.792mAP50为0.829mAP50-95为0.572表现相对较好。
速度 10.2ms 预处理时间 21.3ms 推理时间 30.8ms 后处理时间
结果保存 1Results saved to runs\detect\train_v8验证结果保存在 runs\detect\train_v8 目录下。
完成信息 1Process finished with exit code 0表示整个验证过程顺利完成没有报错。
这张图展示了使用YOLOv8模型训练和验证汽车车损检测系统的具体过程和性能指标表明该模型在车损检测任务上具有良好的检测速度和较高的准确性。
