SOGI-FLL 锁相环算法梳理
2026/10/13 9:54:13
接上文《PCB目标检测2——数据继续分析》
3.2 验证集推理
（1）代码：
import ultralytics.data as yolo_data from pcb_yolo_dataset import PCB_YOLODataset from ultralytics import YOLO # ===== 1. 应用验证专用补丁 ===== _original_build = yolo_data.build_yolo_dataset def _patched_build_val(opt, img_path, batch_size, augment=False, hyp=None, rect=False, cache=False, stride=32, pad=0.5, prefix=''): return PCB_YOLODataset( img_path=img_path, img_size=opt.imgsz, # ← 从配置对象中安全获取尺寸 batch_size=batch_size, augment=augment, # val模式下YOLO会自动传False hyp=hyp, rect=rect, # val模式下YOLO会自动传True cache=cache, stride=stride, pad=pad, prefix=prefix, data=opt.data if hasattr(opt, 'data') else {}, ) yolo_data.build_yolo_dataset = _patched_build_val print("验证补丁已应用") # ===== 2. 运行验证 ===== model = YOLO(r'D:\我的\5.机器视觉\PCB缺陷检测系统\runs\detect\train-8\weights\best.pt') results = model.val( data=r'D:\pcb\PCB_DATASET\yolo11_data\pcb.yaml', imgsz=960, # 必须与训练时的960严格一致 batch=4, # 与训练batch一致，避免padding策略差异 cache='ram', # 与训练一致 workers=0, # 与训练一致 device='cpu', # 与训练一致 conf=0.001, # 默认阈值，除非训练时改过 iou=0.7, # 默认阈值，除非训练时改过 plots=True, verbose=True, ) print(f"\nmAP@50:95 = {results.box.map:.4f}")（2）结果评估：总的来看，mAP50-95精度较低，与mAP50差距达0.395，说明当预测框和真实框的重叠度（IoU）≥0.5时，就算"检测对了"的精度较高，能确定大概位置；但是当IoU 阈值从0.5到0.95，每隔0.05取一个值（共10个阈值），分别计算mAP后取平均值的结果较低，模型不能精准地框住缺陷，之前在训练集上这个指标就不太好，怀疑是标注太松。epoch不用增加了：
（3）优化方向：换yolov8s、重新标注
4. 进一步优化
4.1 换yolov8s
（1）有提升，但不多。
训练集：
验证集：
4.2 重新标注
（1）下载X-AnyLabeling软件，可以先通过best.pt进行自动标注，然后再人为去修改，下载网址：Releases · CVHub520/X-AnyLabeling · GitHub
（2）软件需要导入best.onnx格式的数据和yaml文件，这个yaml文件需要根据官方案例去修改：X-AnyLabeling/docs/zh_cn/model_zoo.md at main · CVHub520/X-AnyLabeling · GitHub我选的是yolov8s对应的yaml文件。
from ultralytics import YOLO model = YOLO(r"C:\D\我的\5.机器视觉\PCB缺陷检测系统\runs\detect\train-9\weights\best.pt") model.export(format="onnx")（3）软件左侧垂直工具栏里点自动标注的按钮，中间左上角界面 no model的按钮点击后选自定义模型，导入上面做的那个yaml文件。然后左上角打开文件夹，选中训练集与验证集在一起的文件夹，右下角就可以自由选图片显示了。
（4）出来图片后点击上面蓝色的运行按钮，就会自动标注了，然后自己放大缩小去调整边框就行，挺好用的，就是图太多了...开干~~~
（5）导出的时候要保证界面右侧的修改之后的标注框对象都勾选上了（工具箱里有标签管理器，选上visible就能自动默认是勾选的），然后自己生成一个类别文件，比如classes.txt（这样才能知道每个类别对应的编号，第一行就是0，依次类推的），然后点击菜单栏的导出，选第一个YOLO HBB（方形框），选择calsses.txt文件，新建一个文件夹，保存好标注框信息（就是之前json转换好的那种txt文件）。再去用之前的代码将新的标注画出来看了看，效果是好了，紧致了。标注的时候开着原始标注框的图片对应看，因为自动标注可能会少标或者错标。
（6）重新标注思路，仅个人感觉：
- missing_hole：没有紧贴金属外框，留了一点阴影的区域；
- mouse_bite：尽量贴合，留一点点点的缓冲区；
- open_circuit：和mouse_bite一样的，也是尽量贴合了，留了一点缓冲区；
- short：蓝色框区域内，感觉要把拐角显示出来，多留一些缓冲区；
- spur：和short一样的思路；
- spurious_copper：尽量贴合，留一点点缓冲区。
4.3 重新训练与推理
（1）根据新的数据标注重训的各指标结果：
（2）根据新的数据标注重推理的各指标结果
（3）大模型给的解释，确实重新标注的框更贴合了，精细定位能力应该提升了，至于之前的是不是虚高不是很确定。
5. 可下载新标注
http://通过网盘分享的文件：labels.rar 链接: https://pan.baidu.com/s/1MPQgsxTe44ZTNcReKSu0Bw 提取码: e3a6
6. 感想
（1）数据标注感觉就是ai时代农民工，太累了，这个数据集的检测先告一段落，前几天在阿里云天池上又找到了新的pcb数据集，后面可以再把流程走一遍，看看有没有其他问题，然后再工程化一下。