PCB（印刷电路板）
我知道，你一定在问，什么是PCB？不是吗？对于不知道PCB是什么的人，这里有一个来自维基百科的定义：
PCB（Printed Circuit Board），中文名称为印制电路板，又称印刷线路板，是重要的电子部件，是电子元器件的支撑体，是电子元器件电气相互连接的载体。由于它是采用电子印刷术制作的，故被称为“印刷”电路板。［1］
我打赌你一生中至少见过一次PCB，但可能不想知道它是什么。以下是维基百科DVD读取器上的PCB图像：
PCB无处不在。几乎所有的电子设备都有一个隐藏在其中的印刷电路板。在很多情况下，这些PCB在设计时或使用后都可能存在缺陷。
以下是互联网上列出的PCB中一些常见缺陷的列表，以及免费提供的数据集中的示例图像?．
1.Opens
2.Excessive solder
3.Component shifting
4.Cold joints
5.Solder bridges
6.Webbing and splashes
7.Lifted pads
我们不会深入探讨它们的确切含义，因为这不是博客的内容。但是，从懂一点计算机视觉和深度学习的计算机工程师的角度来看，似乎检测PCB数字图像中的缺陷是一个可以解决的问题。
我们将使用mmdetection? 检测PCB图像中的缺陷。OpenMMLab? 是一个深度学习库，拥有计算机视觉领域大多数最先进实现的预训练模型。它实现了几乎所有众所周知的视觉问题，如分类、目标检测与分割、姿态估计、图像生成、目标跟踪等等。
YOLOX：2021超越YOLO系列?
本文中，我们将使用YOLOX? ，我们将微调mmdetection?． YOLOX? 是2021发布的最先进模型，是YOLO系列的改进。作者做出了一些重大改进，如下所示。
1.引入SimOTA进行标签分配
2.移除锚箱
3.注意数据增强
4.用于检测和分类的独立头
之前从v3到v5的YOLO系列都有一个单一的预测头，其中包括边界框预测、分类分数预测以及对象性分数预测，如上图上半部分所示。
这在YOLOX中发生了变化? 作者选择使用具有独立头的解耦头进行所有预测的系列。
如图所示，检测头和分类头位于不同的头中。这有助于改善训练期间的收敛时间（如图3所示），并略微提高模型精度。
由于分离为两个头部，参数数量显著增加，因此模型的速度确实受到了影响。正如我们在图4中看到的，YOLOX－L比YOLOv5－L慢一点。它也有专门为参数低得多的边缘设备构建的微型版本。
与以前最先进的对象检测模型相比，它们在平均精度方面确实有所提高，但FPS略有下降。
最后，正如伟大的莱纳斯·托瓦尔兹所说，
废话少说。放码过来。
让我们直接跳到代码里！
使用mmdetection微调YOLOX
我们有一个名为DeepPCB的开源PCB缺陷数据集?． 该数据集由1500个图像对组成，每个图像对具有一个无缺陷模板图像和一个具有缺陷的图像，该图像具有6种常见类型缺陷的边界框注释，即open， mouse－bite， short， spur， spurious copper， 和pin－hole。
图像的尺寸为640×640，在我们的YOLOX案例中非常完美? 在相同的维度上进行训练。
OpenMMLab?
OpenMMLab可以非常轻松地微调最先进的模型，只需很少的代码更改。它具有针对特定用例的全面API。我们将使用mmdetection? 用于微调YOLOX? 在DeepPCB上? 数据集。
数据集格式
注：PCB缺陷数据集是一个开源数据集，取自具有MIT许可证的DeepPCB Github repo
我们需要将数据集修改为COCO格式或Pascal VOC格式来重新训练模型。这是MMD检测所必需的? 加载自定义数据集进行训练。
出于训练目的，我们将采用COCO格式。你无需费尽心思将数据集转换为COCO格式，因为它已经为你完成了。你可以从这里直接下载转换后的数据集。整个数据集与DeepPCB中的数据集相同? 只需添加带有COCO格式注释的训练和测试JSON文件即可进行训练。
我将不进行COCO格式的转换，因为你可以找到许多文档，就像mmdetection文档中提到的那样。
将此数据集转换为COCO格式的脚本：
import json
import os
TRAIN＿PATH ＝ ＇PCBData／PCBData／trainval．txt＇
TEST＿PATH ＝ ＇PCBData／PCBData／test．txt＇
def create＿data（data＿path， output＿path）：
images ＝ ［］
anns ＝ ［］
with open（data＿path， ＇r＇） as f：
data ＝ f．read（）．splitlines（）
dataset ＝ ［］
counter ＝ 0
for idx， example in enumerate（data）：
image＿path， annotations＿path ＝ example．split（）
image＿path ＝ os．path．join（＇PCBData＇， ＇PCBData＇， image＿path．replace（＇．jpg＇， ＇＿test．jpg＇））
annotations＿path ＝ os．path．join（＇PCBData＇， ＇PCBData＇， annotations＿path）
with open（annotations＿path， ＇r＇） as f：
annotations ＝ f．read（）．splitlines（）
for ann in annotations：
x， y， x2， y2 ＝ ann．split（）［：－1］
anns．append（｛
＇image＿id＇： idx，
＇iscrowd＇： 0，
＇area＇： （int（x2）－int（x）） ＊ （int（y2）－int（y）），
＇category＿id＇： int（ann．split（）［－1］）－1，
＇bbox＇： ［int（x）， int（y）， int（x2）－int（x）， int（y2）－int（y）］，
＇id＇： counter
｝）
counter ＋＝ 1
images．append（｛
＇file＿name＇： image＿path，
＇width＇： 640，
＇height＇： 640，
＇id＇： idx
｝）
dataset ＝ ｛
＇images＇： images，
＇annotations＇： anns，
＇categories＇： ［
｛＇id＇： 0， ＇name＇： ＇open＇｝，
｛＇id＇： 1， ＇name＇： ＇short＇｝，
｛＇id＇： 2， ＇name＇： ＇mousebite＇｝，
｛＇id＇： 3， ＇name＇： ＇spur＇｝，
｛＇id＇： 4， ＇name＇： ＇copper＇｝，
｛＇id＇： 5， ＇name＇： ＇pin－hole＇｝，
］
｝
with open（output＿path， ＇w＇） as f：
json．dump（dataset， f）
create＿data（TRAIN＿PATH， ＇train．json＇）
create＿data（TEST＿PATH， ＇test．json＇）
数据集配置
下一步是修改数据集配置以使用自定义数据集。我们需要添加／修改特定的内容，如类的数量、注释路径、数据集路径、epoch数量、基本配置路径和一些数据加载器参数。
我们将复制一个预先编写的YOLOX－s配置，并为我们的数据集修改它。其余的配置，如增强、优化器和其他超参数将是相同的。
我们不会改变太多，因为这个博客的主要目的是熟悉手头的问题，尝试最先进的YOLOX架构，并实验mmdetection库。我们将把这个文件命名为yolox＿s＿config。py并将其用于训练。
我们将添加类名并更改预测头的类数。由于将从根目录而不是configs目录加载配置，因此需要更改基本路径。
＿base＿ ＝ ［＇configs／＿base＿／schedules／schedule＿1x．py＇， ＇configs／＿base＿／default＿runtime．py＇］
classes ＝ （＇open＇， ＇short＇， ＇mousebite＇， ＇spur＇， ＇copper＇， ＇pin－hole＇）
bbox＿head ＝ dict（type＝＇YOLOXHead＇， num＿classes＝6， in＿channels＝128， feat＿channels＝128）
我们需要稍微修改train dataset loader以使用我们的类和注释路径。
train＿dataset ＝ dict（
type＝＇MultiImageMixDataset＇，
dataset＝dict（
type＝dataset＿type，
classes＝classes，
ann＿file＝＇train．json＇，
img＿prefix＝＇＇，
pipeline＝［
dict（type＝＇LoadImageFromFile＇），
dict（type＝＇LoadAnnotations＇， with＿bbox＝True）
］，
filter＿empty＿gt＝False，
），
pipeline＝train＿pipeline）
我们需要在这里对验证和测试集执行相同的操作。这里我们不打算使用单独的测试集，相反，我们将使用相同的测试集进行验证和测试。
data ＝ dict（
samples＿per＿gpu＝8，
workers＿per＿gpu＝4，
persistent＿workers＝True，
train＝train＿dataset，
val＝dict（
type＝dataset＿type，
classes＝classes，
ann＿file＝＇test．json＇，
img＿prefix＝＇＇，
pipeline＝test＿pipeline），
test＝dict（
type＝dataset＿type，
classes＝classes，
ann＿file＝＇test．json＇，
img＿prefix＝＇＇，
pipeline＝test＿pipeline））
我们将只对模型进行20个epoch的训练，并每5个阶段获得一次验证结果。我们不需要再训练了，因为我们只在20个epoch里取得了不错的成绩。
max＿epochs ＝ 20
interval ＝ 5
训练
我们很乐意使用数据集部分。接下来我们需要做的是训练模型。mmdetection最棒的部分? 是，所有关于训练的事情都已经为你们做了。你所需要做的就是从tools目录运行训练脚本，并将路径传递给我们在上面创建的数据集配置。
python3 tools／train．py yolox＿s＿config．py
你已经成功训练了！
推理
让我们看看我们的模型在一些示例上的表现。你一定想知道，训练模型有多容易，必须有一个命令来对图像进行推理？
有！但是，不要让训练模型的简单程序拖累了你。让我们编写一些用于推理的代码，但让你感到高兴的是，它不到10行代码。
from mmdet．apis import init＿detector， inference＿detector， show＿result＿pyplot
config＿file ＝ ＇yolox＿s＿config．py＇
checkpoint＿file ＝ ＇best＿bbox＿mAP＿epoch＿20．pth＇
device ＝ ＇cuda：0＇
＃ init a detector
model ＝ init＿detector（config＿file， checkpoint＿file， device＝device）
＃ inference the demo image
image＿path ＝ ＇demo．jpg＇
op ＝ inference＿detector（model， image＿path）
show＿result＿pyplot（model， image＿path， op， score＿thr＝0．6）
这将显示一个带有边界框的图像，边界框上绘制有预测的类名。下面是一个来自数据集的示例图像，其中包含模型预测。
我们做到了！
你也可以尝试我们预先训练的模型，并使用它进行推理。
结论
今天，我们了解了现实世界中普遍存在的一个新问题，并尝试使用像YOLOX这样的最先进模型来解决这个问题?．
我们还使用了mmdetection? ，它是深度学习社区中用于训练对象检测模型的领先开源库之一。如果我不提如何检测，那将是不公平的? 。
在几乎没有任何自定义脚本的情况下，让我们如此快速、轻松地解决问题。
感谢阅读！
参考引用
感谢阅读！
原文标题 : 使用YOLOX检测PCB的缺陷
