更多目标检测、图像分类识别、目标追踪、图像检索、图像分割等其他项目可看我主页其他文章

功能演示（看 shi pin 简介）：

改进Faster-RCNN的钢铁表面缺陷检测系统（包含改进前后的过程结果），支持图像、视频和摄像实时检测【pytorch框架、python源码】_哔哩哔哩_bilibili

（一）简介

改进Faster-RCNN的钢铁表面缺陷检测系统是在pytorch框架下实现的，这是一个完整的项目，包括代码，数据集，训练好的模型权重，模型训练记录，GUI界面等。

GUI界面由pyside6设计实现，界面简洁明了，突出功能，并非那些花里胡哨的烂大街界面。

项目可外接USB摄像头或者直接使用笔记本摄像头。

该项目是可在pycharm和anaconda搭建的虚拟环境 或者 vscode和anaconda搭建的虚拟环境中 执行

pycharm和anaconda安装和配置可观看教程：
超详细的pycharm+anaconda搭建python虚拟环境_pycharm配置anaconda虚拟环境-CSDN博客

 vscode和anaconda安装和配置可观看教程： 

超详细的vscode+anaconda搭建python虚拟环境_vscode anaconda-CSDN博客  

（二）项目介绍

1. 项目结构

​

​​该项目可以使用已经训练好的模型权重，也可以自己重新训练，自己训练也比较简单：

第一步：​模型训练(若是原项目数据集，则直接运行train_resnet50_fpn.py，无需修改)

    1. 修改pascal_voc_classes.json中的类别名称，注意与数据集中的类别名称对应

    2. 将VOCdevkit/VOC_DATA/JPEGImages、VOCdevkit/VOC_DATA/Annotations替换为自己数据集

    3. 将VOCdevkit/VOC_DATA/ImageSets/Main中的train.txt、val.txt替换为自己数据集的train.txt、val.txt（可运行voc_data_split.py生成覆盖原数据集的train.txt、val.txt）

    4. 修改train_res50_fpn.py中下面的`--num-classes`参数为自己数据集的类别数

    5. train_res50_fpn.py，训练完成后模型权重保存在save_weights文件夹中，指标图表保存在results文件夹中

第二步：模型验证（若是原项目，则直接运行validation.py，无需修改）

    1. 修改validation.py中`--num-classes`参数为自己数据集的类别数

    2. 修改validation.py中`----weights-path`参数为自己训练好的权重文件路径，在save_weights文件夹中

    3. 运行validation.py验证脚本，验证结果保存在results文件夹中
 

2. 数据集 

​​部分数据展示： 

​​​

​​

3.GUI界面（技术栈：pyside6+python+opencv） 

a.GUI初始界面

​​​​​​

b.图像检测界面

​​​

c.视频检测界面​

​​​

d.摄像实时检测界面（可外接USB摄像头或直接用笔记本自带的摄像头）

​

4.模型训练和验证的一些指标及效果

​​​（1）改进前

​

​​​

​​​​​

​（2）改进后

（三）总结​

以上即为整个项目的介绍，整个项目主要包括以下内容：完整的程序代码文件、训练好的模型、数据集、GUI界面和各种模型指标图表等。

项目包含整套资料，一步到位，拿来就用，省心省力。

项目运行过程如果出现问题，请及时沟通！