Hello，大家好，我是augustqi。

今天给大家分享一个图像分类项目：基于yolov5的钢板表面缺陷分类(附代码和数据集)，在之前的文章中，我们使用yolov7算法对钢板表面缺陷进行检测，属于目标检测范畴，鉴于yolov5-6.2和yolov5-7.0版本中增加了图像分类功能，我们尝试使用yolov5做一个图像分类任务，使用的是钢板表面缺陷数据集。

钢板表面缺陷检测文章回顾：
【表面缺陷检测】基于yolov7的钢板表面缺陷检测(Ubuntu系统)
【表面缺陷检测】基于yolov7的钢板表面缺陷检测(附代码)

本项目也是从零开始制作自己的数据集，学会如何使用yolov5训练图像分类模型的保姆级教程，多的不说，少的不唠，下面我们一起来学习一下吧。

以下内容，完全是我根据参考资料和个人理解撰写出来的，不存在滥用原创的问题。

1. 引言

从事深度学习行业的都知道，yolov5是一个很优秀的目标检测框架，代码已开源至github，截止到2023年1月14日，获得了34.5k Star，12.5k Fork，妥妥的人类高质量项目。项目也在持续更新，并不断完善和增加了新的功能，例如在yolov5-6.2和yolov5-7.0版本中增加了图像分类功能，yolov5-7.0版本中增加了图像分割功能。

资料显示，官方使用4张A100显卡，在ImageNet数据集上训练了90个epoch，得到了YOLOv5-cls分类模型，同时训练了ResNet和EfficientNet模型进行比较，YOLOv5-cls分类模型取得了不错的结果。

2. 背景

图像分类任务是计算机视觉领域的核心任务之一，其目标就是根据图像信息中所反映的不同特征，将不同类别的图像区分开来。钢厂在生产钢板的时候，由于工艺或者现场因素原因，有的钢板表面会产生缺陷，通过对钢板表面缺陷类别进行分类和统计，从而分析缺陷产生的原因，对进一步改善工艺，降低次品率有很大的帮助。

使用人工对每天生产的钢板进行缺陷检测和分类，不仅费时费力，而且很容易漏检和错检。基于计算机视觉的方法对图像进行分类现在已经很成熟了，目前比较主流的图像分类网络有ResNet、DenseNet、EfficientNet等。YOLOv5是目标检测方向的一个主流框架，但yolov5-6.2版本增加了图像分类功能，从官方公布的实验结果来看，取得了不错的效果，本项目首次基于yolov5训练钢板表面缺陷分类模型。

3. 数据

国内外的工业界和学术界目前开源了几个钢板表面缺陷数据集，说实话，部分数据集的中图片的数量和质量还是有待提高的，但是想一想整理并开源一个数据集耗费大量的人力和物力，成本是巨大的，而且这些数据都是商业数据，也是保密的，能够免费使用目前开源的数据已经很幸运了，且用且珍惜吧。其实本人也参与过钢板表面缺陷检测项目，深入钢厂在钢板生产现场收集了某个钢种的一些钢板表面缺陷图片，也和现场业务员进行沟通，对缺陷图片进行了标注，整理了一份包含1600张缺陷图片的数据集，总共4类缺陷，每类缺陷400张图片，但是这是商业数据，也是保密数据，无法公开。其实，我很想继续把这个数据集进行扩充，收集更多的缺陷图片，增加更多的缺陷类别，当有一天这个数据成果公开后，可以给工业界和学术界带来更多的图像分类、目标检测和图像分割研究成果，希望这一天早日到来吧。

本项目中使用的图像分类数据集，是东北大学带钢表面缺陷检测数据集，这个数据集在之前的“【表面缺陷检测】表面缺陷检测数据集汇总”介绍过，数据集中包含夹杂、划痕、压入氧化皮、裂纹、麻点和斑块6种缺陷，每种缺陷300张，图像尺寸为200×200。

4. 代码

4.1 项目搭建

下载代码，将代码上传到服务器，也可以是使用本地的Windows系统进行训练：

我们只要用到的是classify文件夹下的train.py、val.py和predict.py脚本代码：

train.py：训练脚本
val.py：评估脚本
predict.py：推理脚本

4.2 核心代码

主干网络使用yolov5s、yolov5x、yolov5m、yolov5n、yolov5l：

class ClassificationModel(BaseModel):
    # YOLOv5 classification model
    def __init__(self, cfg=None, model=None, nc=1000, cutoff=10):  # yaml, model, number of classes, cutoff index
        super().__init__()
        self._from_detection_model(model, nc, cutoff) if model is not None else self._from_yaml(cfg)

    def _from_detection_model(self, model, nc=1000, cutoff=10):
        # Create a YOLOv5 classification model from a YOLOv5 detection model
        if isinstance(model, DetectMultiBackend):
            model = model.model  # unwrap DetectMultiBackend
        model.model = model.model[:cutoff]  # backbone
        m = model.model[-1]  # last layer
        ch = m.conv.in_channels if hasattr(m, 'conv') else m.cv1.conv.in_channels  # ch into module
        c = Classify(ch, nc)  # Classify()
        c.i, c.f, c.type = m.i, m.f, 'models.common.Classify'  # index, from, type
        model.model[-1] = c  # replace
        self.model = model.model
        self.stride = model.stride
        self.save = []
        self.nc = nc

    def _from_yaml(self, cfg):
        # Create a YOLOv5 classification model from a *.yaml file
        self.model = None

class Classify(nn.Module):
    # YOLOv5 classification head, i.e. x(b,c1,20,20) to x(b,c2)
    def __init__(self, c1, c2, k=1, s=1, p=None, g=1):  # ch_in, ch_out, kernel, stride, padding, groups
        super().__init__()
        c_ = 1280  # efficientnet_b0 size
        self.conv = Conv(c1, c_, k, s, autopad(k, p), g)
        self.pool = nn.AdaptiveAvgPool2d(1)  # to x(b,c_,1,1)
        self.drop = nn.Dropout(p=0.0, inplace=True)
        self.linear = nn.Linear(c_, c2)  # to x(b,c2)

    def forward(self, x):
        if isinstance(x, list):
            x = torch.cat(x, 1)
        return self.linear(self.drop(self.pool(self.conv(x)).flatten(1)))

损失函数：

def smartCrossEntropyLoss(label_smoothing=0.0):
    # Returns nn.CrossEntropyLoss with label smoothing enabled for torch>=1.10.0
    if check_version(torch.__version__, '1.10.0'):
        return nn.CrossEntropyLoss(label_smoothing=label_smoothing)
    if label_smoothing > 0:
        LOGGER.warning(f'WARNING ⚠️ label smoothing {label_smoothing} requires torch>=1.10.0')
    return nn.CrossEntropyLoss()

优化器：

def smart_optimizer(model, name='Adam', lr=0.001, momentum=0.9, decay=1e-5):
    # YOLOv5 3-param group optimizer: 0) weights with decay, 1) weights no decay, 2) biases no decay
    g = [], [], []  # optimizer parameter groups
    bn = tuple(v for k, v in nn.__dict__.items() if 'Norm' in k)  # normalization layers, i.e. BatchNorm2d()
    for v in model.modules():
        for p_name, p in v.named_parameters(recurse=0):
            if p_name == 'bias':  # bias (no decay)
                g[2].append(p)
            elif p_name == 'weight' and isinstance(v, bn):  # weight (no decay)
                g[1].append(p)
            else:
                g[0].append(p)  # weight (with decay)

    if name == 'Adam':
        optimizer = torch.optim.Adam(g[2], lr=lr, betas=(momentum, 0.999))  # adjust beta1 to momentum
    elif name == 'AdamW':
        optimizer = torch.optim.AdamW(g[2], lr=lr, betas=(momentum, 0.999), weight_decay=0.0)
    elif name == 'RMSProp':
        optimizer = torch.optim.RMSprop(g[2], lr=lr, momentum=momentum)
    elif name == 'SGD':
        optimizer = torch.optim.SGD(g[2], lr=lr, momentum=momentum, nesterov=True)
    else:
        raise NotImplementedError(f'Optimizer {name} not implemented.')

    optimizer.add_param_group({'params': g[0], 'weight_decay': decay})  # add g0 with weight_decay
    optimizer.add_param_group({'params': g[1], 'weight_decay': 0.0})  # add g1 (BatchNorm2d weights)
    LOGGER.info(f"{colorstr('optimizer:')} {type(optimizer).__name__}(lr={lr}) with parameter groups "
                f"{len(g[1])} weight(decay=0.0), {len(g[0])} weight(decay={decay}), {len(g[2])} bias")
    return optimizer

5. 训练

训练命令：

python classify/train.py --model weights/yolov5s-cls.pt --data data_custom --epochs 100  --batch-size 32 --imgsz 224 

开始训练：

结束训练：

生成的文件：

我使用了一张Tesla P100显卡，训练了100 epoch，仅用了不到6分钟的时间，真的是相当的快，而且top1和top5精度都达到了100%。

6. 评估和推理

6.1 评估

评估代码：

python classify/val.py --weights runs/train-cls/exp/weights/best.pt --data data_custom

评估结果：

6.2 推理

推理代码：

# 测试im1.jpg
python classify/predict.py --weights runs/train-cls/exp/weights/best.pt --source im1.jpg

# 测试im2.jpg
python classify/predict.py --weights runs/train-cls/exp/weights/best.pt --source im2.jpg

推理结果：

7. 导出

7.1 ONNX

执行命令导出onnx：

python export.py --weights runs/train-cls/exp/weights/best.pt --include onnx

输出：

Detect:          python classify/predict.py --weights runs/train-cls/exp/weights/best.onnx
Validate:        python classify/val.py --weights runs/train-cls/exp/weights/best.onnx
PyTorch Hub:     model = torch.hub.load('ultralytics/yolov5', 'custom', 'runs/train-cls/exp/weights/best.onnx')  # WARNING ⚠️ ClassificationModel not yet supported for PyTorch Hub AutoShape inference
Visualize:       https://netron.app

我们使用onnx进行模型部署，也可以把它当作中间件进行模型转换，根据项目需求进行选择。

7.2 TensorRT

执行命令导出engine：

python export.py --weights runs/train-cls/exp/weights/best.pt --include engine --device 0

输出：

Detect:          python classify/predict.py --weights runs/train-cls/exp/weights/best.engine
Validate:        python classify/val.py --weights runs/train-cls/exp/weights/best.engine
PyTorch Hub:     model = torch.hub.load('ultralytics/yolov5', 'custom', 'runs/train-cls/exp/weights/best.engine')  # WARNING ⚠️ ClassificationModel not yet supported for PyTorch Hub AutoShape inference
Visualize:       https://netron.app

我们导出的engine模型，可以使用英伟达的TensorRT框架进行部署，加速模型推理速度。

8. 结论

本次项目基于yolov5对钢板表面缺陷进行分类，从评估指标来看，验证集上准确率很高，取得了很好的结果。模型训练速度也很快，模型导出也很方便和友好。目前，还可以做的工作是使用多GPU对模型进行训练，对导出的模型进行部署。但是，虽然分类精度很高，但是我们不知道缺陷的具体位置，没办法对缺陷进行定位，目前的想法是使用卷积热力图，用于突出图像的类的特定区域，不知道是否可行，还需进一步验证。总后絮叨，yolov5你真强！截止发文前，ultralytics公司目前已将yolov8开源了，yolov8将在江湖上引起腥风血雨。

如果您觉得这篇文章对您有一点点的帮助和启发，希望您关注公众号AIexplore，并点赞、转发。您可以联系我获取项目中的数据集和代码，数据整理和代码调试不易，公众号运营困难，为了公众号的正常运营，提供有偿指导，感谢您的理解和支持，祝好。

联系方式：公众号底部菜单栏--关于我--与我联系【订阅CSDN专栏的朋友，请加我v，发您数据和代码，不贴出代码和数据集的链接是为了防止爬虫，望理解】

参考资料

[1]https://github.com/ultralytics/yolov5
[2]https://blog.csdn.net/AugustMe/article/details/128111977