PCB缺陷检测数据集（yolov5,v7,v8） 数据集总共有两个文件夹，一个是pcb整体标注，一个是pcb部分截图。 整体标注有6个分类，开路，短路等都已经标注，标注格式为xml，每个文件夹下有100多张的图片，可转yolo格式，跑过效果很好，北京大学PCB数据集。 第二个是第一个的部分和增强，共10688张图片，多篇pcb论文用的是这个数据集（共6类），训练集和检测集总共有10688张，看最后一张图。标注格式为txt，可直接yolov5,v7,v8检测。
项目概述
本数据集是一个专门用于印刷电路板（PCB）缺陷检测的数据集，包含两个主要部分：一个是整体标注的PCB图像，另一个是部分截图和增强后的图像。整体标注部分有6个分类，包括开路、短路等常见缺陷，并且已经使用XML格式进行了标注。第二个部分是对第一个部分的部分截图和增强处理，共有10688张图像，标注格式为YOLO格式（txt文件），可以直接用于YOLOv5、YOLOv7和YOLOv8模型的训练和检测。
数据集特点
- 高质量标注：所有标注数据经过处理，确保了标注质量。
- 多样化类别：涵盖六类常见的PCB缺陷。
- 多用途：适用于多种目标检测任务，特别是涉及PCB缺陷检测的应用。
- 易于使用：提供了详细的说明文档和预处理好的标注文件，方便用户快速上手。
- 学术认可：多篇PCB相关论文使用了该数据集，具有较高的学术价值和实际应用价值。
数据集结构
PCB_Defect_Detection_Dataset/
├── full_boards/ # 整体标注的PCB图像
│ ├── images/ # 图像文件夹
│ │ ├── train/ # 训练集图像
│ │ ├── val/ # 验证集图像
│ │ └── test/ # 测试集图像
│ ├── annotations/ # 标注文件夹 (XML格式)
│ │ ├── train/ # 训练集标注
│ │ ├── val/ # 验证集标注
│ │ └── test/ # 测试集标注
├── partial_and_augmented/ # 部分截图和增强后的图像
│ ├── images/ # 图像文件夹
│ │ ├── train/ # 训练集图像
│ │ ├── val/ # 验证集图像
│ │ └── test/ # 测试集图像
│ ├── labels/ # 标注文件夹 (YOLO格式)
│ │ ├── train/ # 训练集标注
│ │ ├── val/ # 验证集标注
│ │ └── test/ # 测试集标注
├── README.md # 项目说明文档
└── data.yaml # 数据集配置文件
数据集内容
- 总数据量 ：
- 整体标注的PCB图像：每个文件夹下约100多张图像。
- 部分截图和增强后的图像：共10688张图像。
- 标注格式 ：
- 整体标注：XML格式。
- 部分截图和增强：YOLO格式（txt文件）。
- 标注对象：各类PCB缺陷的位置。
- 类别及数量：
| 类别名 | 标注个数 |
|---|---|
| 开路 (Open Circuit) | 具体数量 |
| 短路 (Short Circuit) | 具体数量 |
| 缺失元件 (Missing Component) | 具体数量 |
| 错误元件 (Wrong Component) | 具体数量 |
| 裂纹 (Crack) | 具体数量 |
| 污染 (Contamination) | 具体数量 |
- 总计 ：
- 图像总数：整体标注约600张，部分截图和增强10688张
- 标注总数：具体数量根据实际情况而定
- 总类别数 (nc)：6类
使用说明
-
环境准备：
-
确保安装了Python及其相关库（如
torch、opencv-python、matplotlib等）。 -
下载并解压数据集到本地目录。
-
安装YOLOv5、YOLOv7或YOLOv8所需的依赖项：
git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt
-
-
加载数据集：
- 可以使用常见的编程语言（如Python）来加载和处理数据集。
- 示例代码如下：
import os
import xml.etree.ElementTree as ET
import pandas as pd
from pathlib import Path
from yolov5.utils.datasets import LoadImages, LoadImagesAndLabels
from yolov5.models.experimental import attempt_load
from yolov5.utils.general import non_max_suppression, scale_coords
from yolov5.utils.torch_utils import select_device
import cv2
import numpy as np定义数据集路径
dataset_path = 'PCB_Defect_Detection_Dataset'
加载整体标注的图像和标注
def load_full_boards(folder):
images_folder = os.path.join(dataset_path, 'full_boards', 'images', folder)
annotations_folder = os.path.join(dataset_path, 'full_boards', 'annotations', folder)dataset = [] for image_file in os.listdir(images_folder): if image_file.endswith('.jpg') or image_file.endswith('.png'): image_path = os.path.join(images_folder, image_file) annotation_path = os.path.join(annotations_folder, image_file.replace('.jpg', '.xml').replace('.png', '.xml')) tree = ET.parse(annotation_path) root = tree.getroot() labels = [] for obj in root.findall('object'): name = obj.find('name').text bndbox = obj.find('bndbox') xmin = int(bndbox.find('xmin').text) ymin = int(bndbox.find('ymin').text) xmax = int(bndbox.find('xmax').text) ymax = int(bndbox.find('ymax').text) labels.append([name, xmin, ymin, xmax, ymax]) dataset.append({ 'image_path': image_path, 'labels': labels }) return dataset加载部分截图和增强后的图像和标注
def load_partial_and_augmented(folder):
images_folder = os.path.join(dataset_path, 'partial_and_augmented', 'images', folder)
labels_folder = os.path.join(dataset_path, 'partial_and_augmented', 'labels', folder)dataset = [] for image_file in os.listdir(images_folder): if image_file.endswith('.jpg') or image_file.endswith('.png'): image_path = os.path.join(images_folder, image_file) label_path = os.path.join(labels_folder, image_file.replace('.jpg', '.txt').replace('.png', '.txt')) with open(label_path, 'r') as f: labels = [line.strip().split() for line in f.readlines()] dataset.append({ 'image_path': image_path, 'labels': labels }) return dataset示例：加载整体标注的训练集
full_boards_train_dataset = load_full_boards('train')
print(f"Number of training images (full boards): {len(full_boards_train_dataset)}")示例：加载部分截图和增强后的训练集
partial_and_augmented_train_dataset = load_partial_and_augmented('train')
print(f"Number of training images (partial and augmented): {len(partial_and_augmented_train_dataset)}") -
模型训练 ：
- 使用预训练的YOLOv5、YOLOv7或YOLOv8模型进行微调，或者从头开始训练。
- 示例代码如下（以YOLOv5为例）：
设置设备
device = select_device('')
加载预训练模型或从头开始训练
model = attempt_load('yolov5s.pt', map_location=device) # 或者 'path/to/custom_model.pt'
model.train()数据集配置文件
data_yaml = 'PCB_Defect_Detection_Dataset/data.yaml'
训练参数
hyp = 'yolov5/data/hyps/hyp.scratch.yaml' # 超参数配置文件
epochs = 100
batch_size = 16
img_size = 640开始训练
%cd yolov5
!python train.py --img {img_size} --batch {batch_size} --epochs {epochs} --data {data_yaml} --weights yolov5s.pt -
模型推理 ：
- 使用训练好的模型进行推理，并在图像上绘制检测结果。
- 示例代码如下：
def detect(image_path, model, device, img_size=640):
img0 = cv2.imread(image_path)
img = letterbox(img0, new_shape=img_size)[0]
img = img[:, :, ::-1].transpose(2, 0, 1) # BGR to RGB, to 3x416x416
img = np.ascontiguousarray(img)img = torch.from_numpy(img).to(device) img = img.half() if half else img.float() # uint8 to fp16/32 img /= 255.0 # 0 - 255 to 0.0 - 1.0 if img.ndimension() == 3: img = img.unsqueeze(0) # 推理 with torch.no_grad(): pred = model(img, augment=False)[0] # NMS pred = non_max_suppression(pred, 0.4, 0.5, classes=None, agnostic=False) for i, det in enumerate(pred): # 每个图像的检测结果 if det is not None and len(det): det[:, :4] = scale_coords(img.shape[2:], det[:, :4], img0.shape).round() for *xyxy, conf, cls in reversed(det): label = f'{model.names[int(cls)]} {conf:.2f}' plot_one_box(xyxy, img0, label=label, color=(0, 255, 0), line_thickness=3) return img0示例：检测单张图像
result_img = detect('path/to/image.jpg', model, device)
cv2.imshow('Detection Result', result_img)
cv2.waitKey(0)
cv2.destroyAllWindows() -
性能评估 ：
-
使用测试集进行性能评估，计算mAP、召回率、精确率等指标。
-
可以使用YOLOv5自带的评估脚本：
bash
深色版本
python val.py --data PCB_Defect_Detection_Dataset/data.yaml --weights best.pt --img 640
-
注意事项
- 数据格式：确保图像文件和标注文件的命名一致，以便正确匹配。
- 硬件要求：建议使用GPU进行训练和推理，以加快处理速度。如果没有足够的计算资源，可以考虑使用云服务提供商的GPU实例。
- 超参数调整：根据实际情况调整网络架构、学习率、批次大小等超参数，以获得更好的性能。
应用场景
- PCB制造：自动检测PCB上的缺陷，提高生产效率和产品质量。
- 智能监控：结合自动化生产线，实现对PCB的实时监控和预警。
- 科研教育：用于PCB缺陷检测研究和教学，提高学生和工程师的专业技能。