AI賦能工業生產是一個強有力的方式，在我們之前的系列博文中也有很多相應的開發實踐，感興趣的胡都可以自行移步閱讀，本文的核心思想就是想要基于輕量級的實例分割模型來開發構建工業場景下的滾珠絲杠傳動表面缺陷分割檢測系統，首先看下實例效果：
簡單看下數據集：
這里我直接使用的是官方v7.0分支的代碼，項目地址在這里，如下所示：
如果不會使用可以參考我的教程：
《基于yolov5-v7.0開發實踐實例分割模型超詳細教程》
非常詳細的操作實踐教程，這里就不再贅述了。
訓練數據配置文件如下所示：
#Dataset
path: ./dataset
train: images/train
val: images/train
test: images/train # Classes
names:0: Pitting本文使用的是輕量級的n系列的分割模型，如下：
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parameters
nc: 1 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.25 # layer channel multiple
anchors:- [10,13, 16,30, 33,23] # P3/8- [30,61, 62,45, 59,119] # P4/16- [116,90, 156,198, 373,326] # P5/32# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2[-1, 1, Conv, [128, 3, 2]], # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]], # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]], # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]], # 9]# YOLOv5 v6.0 head
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]], # cat backbone P4[-1, 3, C3, [512, False]], # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 4], 1, Concat, [1]], # cat backbone P3[-1, 3, C3, [256, False]], # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]], # cat head P4[-1, 3, C3, [512, False]], # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]], # cat head P5[-1, 3, C3, [1024, False]], # 23 (P5/32-large)[[17, 20, 23], 1, Segment, [nc, anchors, 32, 256]], # Detect(P3, P4, P5)]
這里我們是直接基于CPU來進行訓練的，如下所示：
接下來看下結果詳情：
【Precision曲線】
精確率曲線（Precision-Recall Curve）是一種用于評估二分類模型在不同閾值下的精確率性能的可視化工具。它通過繪制不同閾值下的精確率和召回率之間的關系圖來幫助我們了解模型在不同閾值下的表現。
精確率（Precision）是指被正確預測為正例的樣本數占所有預測為正例的樣本數的比例。召回率（Recall）是指被正確預測為正例的樣本數占所有實際為正例的樣本數的比例。
繪制精確率曲線的步驟如下：
使用不同的閾值將預測概率轉換為二進制類別標簽。通常，當預測概率大于閾值時，樣本被分類為正例，否則分類為負例。
對于每個閾值，計算相應的精確率和召回率。
將每個閾值下的精確率和召回率繪制在同一個圖表上，形成精確率曲線。
根據精確率曲線的形狀和變化趨勢，可以選擇適當的閾值以達到所需的性能要求。
通過觀察精確率曲線，我們可以根據需求確定最佳的閾值，以平衡精確率和召回率。較高的精確率意味著較少的誤報，而較高的召回率則表示較少的漏報。根據具體的業務需求和成本權衡，可以在曲線上選擇合適的操作點或閾值。
精確率曲線通常與召回率曲線（Recall Curve）一起使用，以提供更全面的分類器性能分析，并幫助評估和比較不同模型的性能。
【Recall曲線】
召回率曲線（Recall Curve）是一種用于評估二分類模型在不同閾值下的召回率性能的可視化工具。它通過繪制不同閾值下的召回率和對應的精確率之間的關系圖來幫助我們了解模型在不同閾值下的表現。
召回率（Recall）是指被正確預測為正例的樣本數占所有實際為正例的樣本數的比例。召回率也被稱為靈敏度（Sensitivity）或真正例率（True Positive Rate）。
繪制召回率曲線的步驟如下：
使用不同的閾值將預測概率轉換為二進制類別標簽。通常，當預測概率大于閾值時，樣本被分類為正例，否則分類為負例。
對于每個閾值，計算相應的召回率和對應的精確率。
將每個閾值下的召回率和精確率繪制在同一個圖表上，形成召回率曲線。
根據召回率曲線的形狀和變化趨勢，可以選擇適當的閾值以達到所需的性能要求。
通過觀察召回率曲線，我們可以根據需求確定最佳的閾值，以平衡召回率和精確率。較高的召回率表示較少的漏報，而較高的精確率意味著較少的誤報。根據具體的業務需求和成本權衡，可以在曲線上選擇合適的操作點或閾值。
召回率曲線通常與精確率曲線（Precision Curve）一起使用，以提供更全面的分類器性能分析，并幫助評估和比較不同模型的性能。
【F1值曲線】
F1值曲線是一種用于評估二分類模型在不同閾值下的性能的可視化工具。它通過繪制不同閾值下的精確率（Precision）、召回率（Recall）和F1分數的關系圖來幫助我們理解模型的整體性能。
F1分數是精確率和召回率的調和平均值，它綜合考慮了兩者的性能指標。F1值曲線可以幫助我們確定在不同精確率和召回率之間找到一個平衡點，以選擇最佳的閾值。
繪制F1值曲線的步驟如下：
使用不同的閾值將預測概率轉換為二進制類別標簽。通常，當預測概率大于閾值時，樣本被分類為正例，否則分類為負例。
對于每個閾值，計算相應的精確率、召回率和F1分數。
將每個閾值下的精確率、召回率和F1分數繪制在同一個圖表上，形成F1值曲線。
根據F1值曲線的形狀和變化趨勢，可以選擇適當的閾值以達到所需的性能要求。
F1值曲線通常與接收者操作特征曲線（ROC曲線）一起使用，以幫助評估和比較不同模型的性能。它們提供了更全面的分類器性能分析，可以根據具體應用場景來選擇合適的模型和閾值設置。
模型訓練可視化如下所示：
Batch計算實例如下所示：
推理實例如下所示：
