管道焊缝质量数据集——good和bad两种标签，0为good.1134个图片，有对应的xml标签和txt标签，可用于yolo训练
管道焊缝质量的数据集 有good和bad两种标签，0为good. 1134个图片，有对应的xml标签和txt标签，可用于yolo训练，赠送五个常用的训练脚本。
管道焊缝质量检测数据集
管道焊缝质量检测数据集
项目背景：
管道焊接是工业生产中非常重要的环节，焊缝的质量直接影响到管道的安全性和使用寿命。然而，手工检查焊缝质量耗时耗力且容易出错。利用计算机视觉技术自动检测焊缝质量，不仅可以提高检测效率，还能保证检测的一致性和准确性。本数据集旨在为管道焊缝质量检测提供高质量的标注数据，支持自动化检测系统的开发与应用。
数据集概述：
- 名称：管道焊缝质量检测数据集
- 规模：共计1,134张图像
- 标签：两类标签，其中“0”表示良好（good），“1”表示不良（bad）
- 标注格式：包含对应的.xml标签文件和适用于YOLO的.txt标签文件
- 附加内容：赠送五个常用的训练脚本
数据集特点：
- 全面性：涵盖良好的焊缝以及存在缺陷的焊缝图像，确保数据集的多样性和实用性。
- 高质量标注：每张图像都已详细标注，确保数据的准确性和可靠性。
- 适用范围广：适用于多种深度学习框架，方便科研人员和开发者直接使用。
- 标准格式：提供Pascal VOC的.xml标签文件以及YOLO的.txt标签文件，方便导入不同的检测框架。
数据集内容：
- 良好焊缝（Good）：标注了没有明显缺陷的焊缝图像。
- 不良焊缝（Bad）：标注了存在缺陷的焊缝图像，如未焊透、气孔、夹渣等。
数据集用途：
- 质量检测：可用于训练和评估深度学习模型，特别是在管道焊缝质量检测方面。
- 自动化检测：帮助实现焊缝质量的自动化检测，减少人工检测的工作量。
- 科研与教育：为焊缝质量检测领域的研究和教学提供丰富的数据支持。
使用场景：
- 自动化检测：在工业生产线上，利用该数据集训练的模型可以自动识别焊缝质量。
- 质量控制：在质量控制系统中，利用该数据集可以提高检测的准确性和速度。
- 生产管理：在生产管理和优化工作中，利用该数据集可以提高生产效率和产品质量。
技术指标：
- 数据量：共计1,134张图像，涵盖良好的焊缝和不良的焊缝。
- 标签格式：包含Pascal VOC的.xml标签文件和适用于YOLO的.txt标签文件。
- 标注精度：所有图像均已详细标注，确保数据的准确性和可靠性。
注意事项：
- 数据隐私：在使用过程中，请确保遵守相关法律法规，保护个人隐私。
- 数据预处理：在使用前，建议进行一定的数据预处理，如图像归一化等。
获取方式：
- 下载链接：请访问项目主页获取数据集下载链接。
- 许可证：请仔细阅读数据集的使用许可协议。
关键代码示例：
以下是关键代码的示例，包括数据加载、模型训练、检测和结果展示。
数据加载：
1import os
2import cv2
3import numpy as np
4from xml.etree import ElementTree as ET
5
6# 数据集路径
7DATASET_PATH = 'path/to/dataset'
8IMAGES_DIR = os.path.join(DATASET_PATH, 'images')
9VOC_LABELS_DIR = os.path.join(DATASET_PATH, 'voc_labels')
10YOLO_LABELS_DIR = os.path.join(DATASET_PATH, 'yolo_labels')
11
12# 加载数据集
13def load_dataset(directory):
14 images = []
15 voc_labels = []
16 yolo_labels = []
17
18 for img_file in os.listdir(IMAGES_DIR):
19 if img_file.endswith('.jpg'):
20 img_path = os.path.join(IMAGES_DIR, img_file)
21 voc_label_path = os.path.join(VOC_LABELS_DIR, img_file.replace('.jpg', '.xml'))
22 yolo_label_path = os.path.join(YOLO_LABELS_DIR, img_file.replace('.jpg', '.txt'))
23
24 image = cv2.imread(img_path)
25 images.append(image)
26
27 # 加载VOC标签
28 tree = ET.parse(voc_label_path)
29 root = tree.getroot()
30 voc_objects = []
31 for obj in root.findall('object'):
32 name = obj.find('name').text
33 bbox = obj.find('bndbox')
34 xmin = int(bbox.find('xmin').text)
35 ymin = int(bbox.find('ymin').text)
36 xmax = int(bbox.find('xmax').text)
37 ymax = int(bbox.find('ymax').text)
38 voc_objects.append((name, (xmin, ymin, xmax, ymax)))
39 voc_labels.append(voc_objects)
40
41 # 加载YOLO标签
42 with open(yolo_label_path, 'r') as f:
43 yolo_label = f.read().strip()
44 yolo_labels.append(yolo_label)
45
46 return images, voc_labels, yolo_labels
47
48images, voc_labels, yolo_labels = load_dataset(DATASET_PATH)模型训练：
1# 初始化YOLOv8模型
2model = YOLO('yolov8n.pt')
3
4# 定义训练参数
5EPOCHS = 100
6BATCH_SIZE = 16
7
8# 训练模型
9results = model.train(data='pipe_weld_quality.yaml', epochs=EPOCHS, batch=BATCH_SIZE)模型检测：
1# 加载训练好的模型
2model = YOLO('best.pt')
3
4# 检测图像
5def detect_weld_quality(image):
6 results = model.predict(image)
7 for result in results:
8 boxes = result.boxes
9 for box in boxes:
10 x1, y1, x2, y2 = box.xyxy[0]
11 conf = box.conf
12 class_id = box.cls
13
14 # 显示结果
15 cv2.rectangle(image, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
16 cv2.putText(image, f'Class: {class_id}, Conf: {conf:.2f}', (int(x1), int(y1)-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
17
18 return image
19
20# 测试图像
21test_image = cv2.imread('path/to/test_image.jpg')
22result_image = detect_weld_quality(test_image)
23cv2.imshow('Detected Weld Quality', result_image)
24cv2.waitKey(0)
25cv2.destroyAllWindows()配置文件 pipe_weld_quality.yaml：
1train: path/to/train/images
2val: path/to/val/images
3test: path/to/test/images
4
5nc: 2 # Number of classes
6names: ['Good', 'Bad'] # Class names
7
8# Training parameters
9batch_size: 16
10epochs: 100
11img_size: [640, 640] # Image size使用指南：
- 数据准备：确保数据集路径正确，并且数据集已准备好。
- 模型训练：运行训练脚本，等待训练完成。
- 模型检测：使用训练好的模型进行检测，并查看检测结果。
结语：
本数据集提供了一个高质量的管道焊缝质量检测数据集，支持自动化检测、质量控制等多个应用场景。通过利用该数据集训练的模型，可以提高焊缝检测的效率和准确性。如果您有任何问题或需要进一步的帮助，请查阅项目文档或联系项目作者。