YOLOv8+SAHI，针对小目标缺陷检测的切片辅助训练推理

💡💡💡本文摘要：1）分析了工业缺陷的难点；2）提供了用SAHI方法子图训练，如何自动生成对应xml的代码；3）SAHI+YOLOv8如何推理

原图

切分为子图训练+推理

1.工业缺陷检测介绍

得益于机器视觉的不断发展和成熟，越来越多的制造企业正在尝试将机器视觉检测技术引入产品缺陷检测。目前基于机器视觉的缺陷检测技术已经大量应用于纺织品、汽车零部件、半导体等产品的缺陷检测中，大大提升了制造业的质检效率。机器视觉在工业缺陷检测中的前景毋庸置疑，而工业制造领域的多样性、生产环境的复杂性、产品缺陷的非标性等因素，都给机器视觉在缺陷检测的实际应用带来了诸多挑战。

1.1工业缺陷难点

1）缺陷种类分布不均，可能存在着极其分布不均匀的现象；

2）在真实项目中，视觉成像弱，有些细微缺陷难以用肉眼辨别；

3）在真实生产环境中，良率较高，缺陷品很难收集；

4）缺陷产生跟某些工艺不稳定有关，导致缺陷存在未知的可能性；

1.2 行业发展

基于深度学习的缺陷检测，绝大多数还是基于有监督学习（比如YOLOv5、YOLOv8、Faster RCNN等），半监督无监督急需突破，近几年在AI在工业界的应用接近理性发展；

2.摄像头镜头缺陷检测介绍

摄像头镜头一共有四种缺陷，分别是白点、脏污、划伤、起翘等，数据集大小992张

["bai_dian","zang_wu","hua_shang","qi_pao"]

可以看出，绝大多数缺陷为白点 ，且为小目标缺陷检测

3.基于YOLOv8的摄像头缺陷检测算法

YOLOv8结构框图

​

3.1 SAHI:针对小目标检测的切片辅助超推理库

为了处理小目标检测问题，SAHI算法在fine-tuning和推理阶段提出了一种基于切片的通用框架。将输入图像分割成重叠的块，这样小目标物体的像素区域相对较大一些。

3.2 使用SAHI方法子图训练，如何自动生成对应xml

可以根据图像分辨率和缺陷所占像素值切分合适的比列，本文将原图一切为四，同时为了避免缺陷被切分掉，因此所采用重叠的方式进行切分

​

3.3 SAHI+YOLOv8如何推理

代码如下：

原文链接：

https://blog.csdn.net/m0_63774211/category_12341101.html?spm=1001.2014.3001.5482