指针压力表读数2：Pytorch实现指针压力表读数(含训练代码)

[1. 前言](#1. 前言)

2.指针压力表读数方法

（1）角度法获取读数

（2）指针和刻度检测

（5）Tensorboard可视化训练过程

6.指针压力表模型检测效果

7.指针压力表读数项目代码

（1）指针压力表读数推理代码（Pytorch）

（2）指针压力表读数训练代码和测试代码+数据集（Pytorch）

8.指针压力表读数C++和Android版本

1. 前言

本篇文章是项目《指针压力表读数 》系列文章之《PyTorch实现指针压力表读数》。项目基于 PyTorch 深度学习框架，构建了一套完整的指针压力表自动读数识别方案。整体流程采用"压力表检测 + 关键点检测 + 读数计算 "的三阶段设计：首先利用 YOLO11 模型从复杂工业背景中快速定位压力表表盘区域，裁剪得到表盘 ROI；随后在 ROI 内对表盘量程范围起点（零刻度线）、量程范围终点（最大刻度线）、指针起点和指针终点四个关键位置进行关键点检测；最后基于关键点之间的几何关系计算指针偏转角度，并结合量程信息换算得到最终压力读数。

其中，压力表表盘检测采用 YOLO11 模型。YOLO11 在检测速度、小目标识别能力和模型导出兼容性方面具有较好优势，能够适应工业现场中表盘尺度变化大、拍摄角度倾斜、光照不均等复杂场景。表盘指针关键点检测则基于开源 HRNet 进行改进，构建了完整的指针压力表读数训练与测试流程。HRNet 通过保持高分辨率特征表示，能够更稳定地回归指针尖端、表盘中心等细长或弱纹理关键点；在此基础上，项目进一步引入轻量化分支，支持高精度 HRNet、LiteHRNet 以及 MobileNet 等多种骨干网络的训练和测试，从而在检测精度、推理速度和模型体积之间进行灵活权衡。

为了方便后续模型工程化和 Android 平台部署，项目同时提供了 Python、C++ 和 Android 多个版本的实现。Python 版本主要用于算法验证、模型训练、离线测试和效果可视化；C++ 版本基于 ONNX 或 MNN等推理后端实现，便于在边缘设备、工控机或嵌入式平台上集成；Android 版本则面向移动端巡检场景，支持相机采集、实时推理和读数结果显示。

轻量化Mobilenet-v2模型在普通Android手机上可以达到实时的检测效果，CPU(4线程)约40ms左右，GPU约30ms左右，基本满足业务的性能需求。下表格给出HRNet，以及轻量化模型LiteHRNet和Mobilenet的计算量和参数量，以及其检测精度

|--------------|----------------|---------------|------------|--------|
| 模型 | input-size | params(M) | GFLOPs | AP |
| HRNet-w32 | 192×192 | 28.48M | 5734.05M | 0.9801 |
| LiteHRNet18 | 192×192 | 1.10M | 182.15M | 0.9708 |
| Mobilenet-v2 | 192×192 | 2.63M | 529.25M | 0.9589 |

先展示一下指针压力表读数检测效果：

Android指针压力表读数 APP Demo体验：https://download.csdn.net/download/guyuealian/93758160

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/168873246

更多项目《指针压力表读数》系列文章请参考：

指针压力表读数1：指针压力表数据集下载https://blog.csdn.net/guyuealian/article/details/168873184
指针压力表读数2：Pytorch实现指针压力表读数(含训练代码) https://blog.csdn.net/guyuealian/article/details/168873246
指针压力表读数3：C/C++实现指针压力表读数(可实时检测) https://blog.csdn.net/guyuealian/article/details/168873267
指针压力表读数4：Android实现指针压力表读数(可实时检测) https://blog.csdn.net/guyuealian/article/details/168873316

2.指针压力表读数方法

（1）角度法获取读数

项目采用最简单、最直接的指针压力表读数方法---角度法获取读数。该方法通过观察指针在刻度盘上的位置来获取被测量的角度值，仅需获得零刻度线与指针之间的夹角度数、零刻度线与量程终点之间的夹角度数，即可依据比例关系计算出示数。

计算过程简洁明了，无需复杂图像处理或高精度传感设备。由于该方法仅依赖角度比例关系，不受表盘直径、刻度分布样式等因素限制，因而具有原理简单、读数速度快、适用范围广泛的优点，可适用于多种规格和类型的指针式压力表。同时，该方法对硬件要求低、实现成本小，便于在现场快速部署与应用，为指针压力表的自动化读数提供了一种高效、可靠的技术途径。

角度法中各参数示意图如图：

其中，M表示最大刻度即仪表的量程。通过三者之间的关系，可以求得仪表的读数：

（2）指针和刻度检测

角度法获取读数的核心在于通过算法准确获取指针指向、零刻度线和最大刻度线的位置信息。具体可采用关键点检测方法实现：分别检测量程范围起点（零刻度线）、量程范围终点（最大刻度线）、指针起点和指针终点四个关键点。其中，零刻度线与最大刻度线共同确定刻度盘的量程基准及角度参照系，指针起点与指针终点则共同确定指针的实际指向方向。在获取上述关键点坐标后，以指针起点为顶点，分别计算指针方向与零刻度线方向、零刻度线方向与最大刻度线方向之间的夹角，进而依据角度比例关系即可换算出压力表示数。采用关键点检测方法具有定位精度高、鲁棒性强的优点，能够有效应对表盘倾斜、光照变化及指针遮挡等复杂情况，为角度法的准确读数提供可靠保障。

算法流程如下：采用"压力表检测 + 关键点检测 + 读数计算"的三阶段：首先利用 YOLO11 模型从复杂工业背景中快速定位压力表表盘区域，裁剪得到表盘 ROI；随后在 ROI 内对表盘量程范围起点（零刻度线）、量程范围终点（最大刻度线）、指针起点和指针终点四个关键位置进行关键点检测；最后以指针起点为顶点，计算指针方向与零刻度线方向之间的夹角，以及零刻度线方向与最大刻度线方向之间的量程夹角，进而依据角度比例关系换算出压力表的读数

压力表读数＝（指针与零刻度线夹角／零刻度线与量程夹角）×量程

3.指针压力表数据集

关于指针压力表数据集说明，请参考：https://blog.csdn.net/guyuealian/article/details/168873184

4.指针压力表检测模型训练

项目采用使用ultralytics YOLO11模型实现压力表目标检测，模型训练比较简单，可参考官方教程 :GitHub - ultralytics/ultralytics: Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 --- object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking · GitHubUltralytics YOLO27, YOLO26, YOLO11, YOLOv8 --- object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking - ultralytics/ultralyticshttps://github.com/ultralytics/ultralytics

5.指针压力表指针和刻度关键点检测

整套工程项目基本结构如下：

bash 复制代码

.
├── configs              # 训练配置文件
├── data                 # 一些数据
├── libs                 # 一些工具库
├── pose                 # 姿态估计模型文件
├── work_space           # 训练输出工作目录
├── demo.py              # 模型推理demo文件
├── README.md            # 项目工程说明文档
├── requirements.txt     # 项目相关依赖包
└── train.py             # 训练文件

（1）项目安装

项目依赖python包请参考requirements.txt，使用pip安装即可**，项目代码都在Ubuntu系统和Windows系统验证正常运行，请放心使用；若出现异常，大概率是相关依赖包版本没有完全对应**

bash 复制代码

numpy==1.21.6
matplotlib==3.2.2
Pillow==8.4.0
bcolz==1.2.1
easydict==1.9
onnx==1.8.1
onnx-simplifier==0.2.28
onnxoptimizer==0.2.0
onnxruntime==1.6.0
opencv-contrib-python==4.5.2.52
opencv-python==4.5.1.48
pandas==1.1.5
PyYAML==5.3.1
scikit-image==0.17.2
scikit-learn==0.24.0
scipy==1.5.4
seaborn==0.11.2
sklearn==0.0
tensorboard==2.5.0
tensorboardX==2.1
torch==1.7.1+cu110
torchvision==0.8.2+cu110
tqdm==4.55.1
xmltodict==0.12.0
pycocotools==2.0.2
pybaseutils==0.9.4
basetrainer
json_tricks==3.17.3

项目安装教程请参考（初学者入门，麻烦先看完下面教程，配置好Python3.10开发环境）：

推荐使用Python3.10，更高版本可能不支持

项目开发使用教程和常见问题和解决方法

视频教程： 1 手把手教你安装CUDA和cuDNN(1)

视频教程： 2 手把手教你安装CUDA和cuDNN(2)

视频教程： 3 如何用Anaconda创建pycharm环境

视频教程： 4 如何在pycharm中使用Anaconda创建的python环境

（2）准备Train和Test数据

下载指针压力表数据集：pressure-meter1和pressure-meter1，然后解压到本地

（3）配置文件configs

项目支持HRNet以及轻量化模型LiteHRNet和Mobilenet模型训练，并提供对应的配置文件；你需要修改对应配置文件的数据路径；本篇以训练HRNet-w32为例子，其配置文件在configs/coco/hrnet/w32_adam_hand_192_192.yaml，修改该文件的训练数据集路径TRAIN_FILE（支持多个数据集训练）和测试数据集TEST_FILE的数据路径为你本地数据路径，其他参数保持默认即可，如下所示：

python 复制代码

WORKERS: 8
PRINT_FREQ: 20
DATASET:
  DATASET: 'custom_coco'
  TRAIN_FILE:
    - '/home/pressure-meter1/train/coco_kps.json'
    - '/home/pressure-meter2/train/coco_kps.json'
  TEST_FILE: '/home/pressure-meter1/val/coco_kps.json'
  FLIP: true
  ROT_FACTOR: 45
  SCALE_FACTOR: 0.3
  SCALE_RATE: 1.0
  JOINT_IDS: [ ]
  FLIP_PAIRS: [ ]
  SKELETON: [[2, 0], [2, 1], [2, 3]]

配置文件的一些参数说明，请参考

|------------------|--------|-------------|--------------------------------|
| 参数 | 类型 | 参考值 | 说明 |
| WORKERS | int | 8 | 数据加载处理的进程数 |
| PRINT_FREQ | int | 10 | 打印LOG信息的间隔 |
| DATASET | str | custom_coco | 数据集类型，目前仅支持COCO数据格式 |
| TRAIN_FILE | List | - | 训练数据集文件列表(COCO数据格式)，支持多个数据集 |
| TEST_FILE | string | - | 测试数据集文件(COCO数据格式),仅支持单个数据集 |
| FLIP | bool | True | 是否翻转图片进行测试，可提高测试效果 |
| ROT_FACTOR | float | 45 | 训练数据随机旋转的最大角度，用于数据增强 |
| SCALE_FACTOR | float | 1.25 | 图像缩放比例因子 |
| SCALE_RATE | float | 0.25 | 图像缩放率 |
| JOINT_IDS | list | | 表示所有关键点，也可以指定需要训练的关键点序号ID |
| FLIP_PAIRS | list | | 图像翻转时，关键点不受翻转影响的ID号 |
| SKELETON | list | | 关键点连接线的序列列表，用于可视化效果 |

（4）开始训练

修改好配置文件后，就可以开始准备训练了：

训练高精度模型HRNet-w48或者HRNet-w32

bash 复制代码

# 高精度模型：HRNet-w48
python train.py  -c "configs/coco/hrnet/w32_adam_192_192.yaml" --workers=8 --batch_size=32 --gpu_id=0 --work_dir="work_space/pressure_meter"
# 高精度模型：HRNet-w32
python train.py  -c "configs/coco/hrnet/w48_adam_192_192.yaml" --workers=8 --batch_size=32 --gpu_id=0 --work_dir="work_space/pressure_meter"

训练轻量化模型LiteHRNet

bash 复制代码

# 轻量化模型：LiteHRNet
python train.py  -c "configs/coco/litehrnet/litehrnet18_192_192.yaml" --workers=8 --batch_size=32 --gpu_id=0 --work_dir="work_space/pressure_meter"

训练轻量化模型Mobilenetv2

bash 复制代码

# 轻量化模型：Mobilenet
python train.py  -c "configs/coco/mobilenet/mobilenetv2_192_192.yaml" --workers=8 --batch_size=32 --gpu_id=0 --work_dir="work_space/pressure_meter"

下表格给出HRNet，以及轻量化模型LiteHRNet和Mobilenet的计算量和参数量，以及其检测精度AP；高精度检测模型HRNet-w32，AP可以达到0.9801，但其参数量和计算量比较大，不合适在移动端部署；LiteHRNet18和Mobilenet-v2参数量和计算量比较少，合适在移动端部署；虽然LiteHRNet18的理论计算量和参数量比Mobilenet-v2低，但在实际测试中，发现Mobilenet-v2运行速度更快。轻量化Mobilenet-v2模型在普通Android手机上可以达到实时的检测效果，CPU(4线程)约40ms左右，GPU约30ms左右，基本满足业务的性能需求

（5）Tensorboard可视化训练过程

复制代码

训练过程可视化工具是使用Tensorboard，使用方法，在终端输入：

bash 复制代码

# 基本方法
tensorboard --logdir=path/to/log/
# 例如
 tensorboard --logdir=work_space/pressure_meter/hrnet_w32_4_192_192_custom_coco_20261023_092104_1319/log

点击终端TensorBoard打印的链接，即可在浏览器查看训练LOG信息等：

6.指针压力表模型检测效果

demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试图片即可运行测试了；demo.py命令行参数说明如下：

参数	类型	默认值	说明
-c,--config_file	str	-	配置文件
-m,--model_file	str	-	模型文件
target	str	-	骨骼点类型，如hand,coco_person,mpii
image_dir	str	data/image	测试图片的路径
video_file	str,int	-	测试的视频文件
out_dir	str	output	保存结果，为空不保存
threshold	float	0.3	关键点检测置信度
device	str	cuda:0	GPU ID
range	float	-1	压力表量程范围，-1表示未知。

下面以运行LiteHRNet18为样例，其他模型修改--config_file或者--model_file即可

测试图片（参数range表示压力表量程范围，请根据实际情况填写）

bash 复制代码

python demo.py -c work_space/pressure_meter/LiteHRNet18_4_192_192_custom_coco_20261023_105744_0418/litehrnet18_192_192.yaml -m work_space/pressure_meter/LiteHRNet18_4_192_192_custom_coco_20261023_105744_0418/model/best_model_209_1.0000.pth --image_dir data/images --out_dir output --range -1

测试视频文件（参数range表示压力表量程范围，请根据实际情况填写）

bash 复制代码

python demo.py -c work_space/pressure_meter/LiteHRNet18_4_192_192_custom_coco_20261023_105744_0418/litehrnet18_192_192.yaml -m work_space/pressure_meter/LiteHRNet18_4_192_192_custom_coco_20261023_105744_0418/model/best_model_209_1.0000.pth --video_file data/video01.mp4 --out_dir output --range 100

测试摄像头（参数range表示压力表量程范围，请根据实际情况填写）

bash 复制代码

python demo.py -c work_space/pressure_meter/LiteHRNet18_4_192_192_custom_coco_20261023_105744_0418/litehrnet18_192_192.yaml -m work_space/pressure_meter/LiteHRNet18_4_192_192_custom_coco_20261023_105744_0418/model/best_model_209_1.0000.pth --video_file 0 --out_dir output --range -1

运行效果：

下面效果图只显示了指针与零刻度线夹角／零刻度线与量程夹角的比值，指针读数时，需要将比值×量程(最大刻度)，获得真实的压力表指针读数。

7.指针压力表读数项目代码

如需下载项目源码，请WX关注【AI吃大瓜】，回复【指针压力表】即可下载

（1）指针压力表读数推理代码（Pytorch）

提供YOLO11n指针压力表目标检测推理代码

提供高精度版本HRNet-w32，以及轻量化模型LiteHRNet和Mobilenet-v2的推理代码（不含训练代码）。

提供训练好的模型：高精度版本HRNet-w32，以及轻量化模型LiteHRNet和Mobilenet-v2模型，配置好环境，可直接运行demo.py

提供指针压力表：零刻度线、最大刻度线、指针起点和指针终点共四个关键点检测推理代码demo.py

推理代码demo.py提供视频关键点去抖动算法(filter=true)

推理代码demo.py支持图片，视频和摄像头测试。

如果你需要配套的训练数据集和训练代码，请查看下面部分

（2）指针压力表读数训练代码和测试代码+数据集（Pytorch）

提供pressure-meter1和pressure-meter2指针压力表读数数据集，含labelme数据标注文件。

提供YOLO11n指针压力表目标检测推理代码

提供高精度版本HRNet-w32，以及轻量化模型LiteHRNet和Mobilenet-v2的推理代码和训练代码。

提供训练好的模型：高精度版本HRNet-w32，以及轻量化模型LiteHRNet和Mobilenet-v2模型，配置好环境，可直接运行demo.py

提供指针压力表：零刻度线、最大刻度线、指针起点和指针终点共四个关键点检测推理代码demo.py

推理代码demo.py提供视频关键点去抖动算法(filter=true)

推理代码demo.py支持图片，视频和摄像头测试。

8.指针压力表读数C++和Android版本

指针压力表读数3：C/C++实现指针压力表读数(可实时检测) https://blog.csdn.net/guyuealian/article/details/168873267
指针压力表读数4：Android实现指针压力表读数(可实时检测) https://blog.csdn.net/guyuealian/article/details/168873316

指针压力表读数Android APK安装包体验效果： https://download.csdn.net/download/guyuealian/93758160