PCB版缺陷檢測資料集的部分截圖如下所示，其中訓練集6975張圖片，驗證集1989張圖片、測試集包括997張圖片，共計9961張圖片構成。該資料集涵蓋漏孔、鼠牙洞、開路、短路、毛刺、雜銅等類別，所有缺陷處均新增標記框。

Chinese_name = {'missing_hole': "漏孔", 'mouse_bite': "鼠牙洞", 'open_circuit': "開路", 'short': "短路", 'spur': "毛刺",
                'spurious_copper': "雜銅"}

        資料集中各類標籤、圖片的情況如下圖所示，從柱狀圖的統計結果可以看出各類別樣本數目接近，釋出較均勻，適合用來進行訓練模型。

        然後我們可以執行train.py程式進行訓練。在深度學習中，我們通常通過損失函數下降的曲線來觀察模型訓練的情況。而YOLOv5訓練時主要包含三個方面的損失：矩形框損失(box_loss)、置信度損失（obj_loss）和分類損失(cls_loss)，在訓練結束後，我們也可以在logs目錄下找到生成對若干訓練過程統計圖。下圖為博主訓練PCB板類識別的模型訓練曲線圖。

        一般我們會接觸到兩個指標，分別是召回率recall和精度precision，兩個指標p和r都是簡單地從一個角度來判斷模型的好壞，均是介於0到1之間的數值，其中接近於1表示模型的效能越好，接近於0表示模型的效能越差，為了綜合評價目標檢測的效能，一般採用均值平均密度map來進一步評估模型的好壞。我們通過設定不同的置信度的閾值，可以得到在模型在不同的閾值下所計算出的p值和r值，一般情況下，p值和r值是負相關的，繪製出來可以得到如下圖所示的曲線，其中曲線的面積我們稱AP，目標檢測模型中每種目標可計算出一個AP值，對所有的AP值求平均則可以得到模型的mAP值。

        以PR-curve為例，可以看到我們的模型在驗證集上的均值平均準確率為0.862。

        在訓練完成後得到最佳模型，接下來我們將幀影象輸入到這個網路進行預測，從而得到預測結果，預測方法（predict.py）部分的程式碼如下所示：

parser = argparse.ArgumentParser()
parser.add_argument('--weights', nargs='+', type=str, default='./weights/pcb-best.pt',
                    help='model.pt path(s)')  # 模型路徑僅支援.pt檔案
parser.add_argument('--img-size', type=int, default=480, help='inference size (pixels)')  # 檢測影象大小，僅支援480
parser.add_argument('--conf-thres', type=float, default=0.25, help='object confidence threshold')  # 置信度閾值
parser.add_argument('--iou-thres', type=float, default=0.45, help='IOU threshold for NMS')  # NMS閾值
# 選中執行機器的GPU或者cpu，有GPU則GPU，沒有則cpu，若想僅使用cpu，可以填cpu即可
parser.add_argument('--device', default='',
                    help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
parser.add_argument('--save-dir', type=str, default='inference', help='directory to save results')  # 檔案儲存路徑
parser.add_argument('--classes', nargs='+', type=int,
                    help='filter by class: --class 0, or --class 0 2 3')  # 分開類別
parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS')  # 使用NMS
opt = parser.parse_args()  # opt區域性變數，重要
out, weight, imgsz = opt.save_dir, opt.weights, opt.img_size  # 得到檔案儲存路徑，檔案權重路徑，影象尺寸
device = select_device(opt.device)  # 檢驗計算單元,gpu還是cpu
half = device.type != 'cpu'  # 如果使用gpu則進行半精度推理
 
model = attempt_load(weight, map_location=device)  # 讀取模型
imgsz = check_img_size(imgsz, s=model.stride.max())  # 檢查影象尺寸
if half:  # 如果是半精度推理
    model.half()  # 轉換模型的格式
names = model.module.names if hasattr(model, 'module') else model.names  # 得到模型訓練的類別名
 
colors = [[random.randint(0, 255) for _ in range(3)] for _ in range(len(names))]  # 給每個類別一個顏色
img = torch.zeros((1, 3, imgsz, imgsz), device=device)  # 建立一個影象進行預推理
_ = model(img.half() if half else img) if device.type != 'cpu' else None  # 預推理

        執行得到的結果如下圖所示，圖中PCB板缺陷的種類和置信度值都標註出來了，預測速度較快。基於此模型我們可以將其設計成一個帶有介面的系統，在介面上選擇圖片、視訊或攝像頭然後呼叫模型進行檢測。

        博主對整個系統進行了詳細測試，最終開發出一版流暢得到清新介面，就是博文演示部分的展示，完整的UI介面、測試圖片視訊、程式碼檔案，以及Python離線依賴包（方便安裝執行，也可自行設定環境），均已打包上傳，感興趣的朋友可以通過下載連結獲取。

下載連結

    若您想獲得博文中涉及的實現完整全部程式檔案（包括測試圖片、視訊，py, UI檔案等，如下圖），這裡已打包上傳至博主的麵包多平臺，見可參考部落格與視訊，已將所有涉及的檔案同時打包到裡面，點選即可執行，完整檔案截圖如下：

    在資料夾下的資源顯示如下，下面的連結中也給出了Python的離線依賴包，讀者可在正確安裝Anaconda和Pycharm軟體後，複製離線依賴包至專案目錄下進行安裝，離線依賴的使用詳細演示也可見本人B站視訊：win11從頭安裝軟體和設定環境執行深度學習專案、Win10中使用pycharm和anaconda進行python環境設定教學。