【数据集介绍】
数据集中有很多增强图片，大约300张为原图剩余为增强图片
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
图片数量(jpg文件个数)：1159
标注数量(xml文件个数)：1159
标注数量(txt文件个数)：1159
标注类别数：3
所在仓库：firc-dataset
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["Crack","corrosion","weld-defect"]
每个类别标注的框数：
Crack 框数 = 985
corrosion 框数 = 2295
weld-defect 框数 = 369
总框数：3649
使用标注工具：labelImg
标注规则：对类别进行画矩形框
重要说明：暂无
特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
图片预览：
标注例子：
【训练步骤】
首先获取到数据集后截图如下：
然后将数据集压缩包解压到一个非中文和空格路径下面，比如我解压的到C:\Users\Administrator\Downloads，由于使用yolo训练数据集，因此Annotations文件夹用不上可以放一边。
解压后目录为：
在data文件夹下面新建train和val一共2个文件夹，然后分别在train和val文件夹再新建images和labels文件夹，如下图
然后将JPEGImages文件夹下面前100张图片和对应标注移动到val文件夹对应目录中，当然您也可以随便选择指定数量图片移动或者复制都行。最后把剩余图片和标注txt文件复制到train文件夹指定目录。
参考coco128.yaml配置写自己训练配置文件，如果没有yaml文件可以按照下面格式书写配置文件
train: C:\Users\Administrator\Downloads\data\train\images
val: C:\Users\Administrator\Downloads\data\val\images
nc: 3
names:
0: Crack
1: corrosion
2: weld-defect写好后这里我叫data.yaml，注意上面类别一定要和labels文件夹里面classes.txt类别要一致
之后就是开始训练了，注意训练yolov8模型需要自己提前安装好环境。
使用预训练模型开始训练
yolo task=detect mode=train model=yolov8n.pt data=data.yaml epochs=100 imgsz=640 batch=8
参数说明：
model: 使用的模型类型，如 yolov8s.pt（小模型）、yolov8m.pt（中）、yolov8l.pt（大）
data: 指定数据配置文件
epochs: 训练轮数
imgsz: 输入图像尺寸
batch: 批量大小（根据显存调整）
训练完成后，最佳权重保存路径为：runs/detect/train/weights/best.pt，如果多次运行命令runs/detect/train2,runs/detect/train3文件夹生成只需要到数字最大文件夹查看就可以找到模型
图片预测：
from ultralytics import YOLO
# 加载训练好的模型
model = YOLO('runs/detect/train/weights/best.pt')
# 图像预测
results = model('path_to_your_image.jpg')视频或摄像头预测
results = model('path_to_video.mp4') # 视频
#results = model(0) # 摄像头验证集评估
yolo task=detect mode=val model=runs/detect/train/weights/best.pt data=data.yaml输出指标图像，一般在模型训练后生成，文件位置在runs/detect/train/results.png：
上面训练结果图片常用评估参数介绍
在目标检测任务中，评估模型的性能是至关重要的。你提到的几个术语是评估模型性能的常用指标。下面是对这些术语的详细解释：
Class：
这通常指的是模型被设计用来检测的目标类别。例如，一个模型可能被训练来检测车辆、行人或动物等不同类别的对象。
Images：
表示验证集中的图片数量。验证集是用来评估模型性能的数据集，与训练集分开，以确保评估结果的公正性。
Instances：
在所有图片中目标对象的总数。这包括了所有类别对象的总和，例如，如果验证集包含100张图片，每张图片平均有5个目标对象，则Instances为500。
P（精确度Precision）：
精确度是模型预测为正样本的实例中，真正为正样本的比例。计算公式为：Precision = TP / (TP + FP)，其中TP表示真正例（True Positives），FP表示假正例（False Positives）。
R（召回率Recall）：
召回率是所有真正的正样本中被模型正确预测为正样本的比例。计算公式为：Recall = TP / (TP + FN)，其中FN表示假负例（False Negatives）。
mAP50：
表示在IoU（交并比）阈值为0.5时的平均精度（mean Average Precision）。IoU是衡量预测框和真实框重叠程度的指标。mAP是一个综合指标，考虑了精确度和召回率，用于评估模型在不同召回率水平上的性能。在IoU=0.5时，如果预测框与真实框的重叠程度达到或超过50%，则认为该预测是正确的。
mAP50-95：
表示在IoU从0.5到0.95（间隔0.05）的范围内，模型的平均精度。这是一个更严格的评估标准，要求预测框与真实框的重叠程度更高。在目标检测任务中，更高的IoU阈值意味着模型需要更准确地定位目标对象。mAP50-95的计算考虑了从宽松到严格的多个IoU阈值，因此能够更全面地评估模型的性能。
这些指标共同构成了评估目标检测模型性能的重要框架。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。
将模型导出为ONNX、TensorRT等格式以用于部署：
yolo export model=runs/detect/train/weights/best.pt format=onnx
支持格式包括：onnx, engine, tflite, pb, torchscript 等。
经过上面训练可以使用模型做一步部署，比如使用Onnx模型在嵌入式部署，使用engine模型在jetson上deepstream部署，使用torchscript模型可以在C++上部署等等。