YOLOv10 PCB瑕疵检测系统

简介

第十九届"挑战杯"揭榜挂帅·华为赛道（高校赛道）复赛Rank27/320，决赛国家一等奖方案（算法部分）。使用在COCO数据集上经过预训练的YOLOv10模型进行迁移学习，专门用于PCB板瑕疵检测。

分类

• 深度学习/计算机视觉
• 目标检测/瑕疵检测

检测类别

支持以下PCB瑕疵类型的检测：

• Mouse_bite（鼠咬）
• Spur（毛刺）
• Missing_hole（缺孔）
• Short（短路）
• Open_circuit（开路）
• Spurious_copper（多余铜）

环境要求

• Python 3.9
• CUDA 12.x（推荐）
• PyTorch 2.0+

快速启动

1. 创建Conda环境

conda create -n yolov10 python=3.9 -y
conda activate yolov10

2. 安装PyTorch（CUDA版本）

# 根据您的CUDA版本选择合适的命令（以CUDA 12.1为例）
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

3. 安装项目依赖

# 安装所有必需依赖（包含huggingface-hub、opencv-python、gradio、supervision、pandas等）
pip install -r requirements.txt

4. 运行推理测试

# 使用项目中的YOLOv10实现进行测试
python test_service.py

# 或者使用基础预测脚本
python predict.py

5. 启动Web界面（可选）

# 启动Gradio可视化界面
python service_app.py

# 或使用官方界面
python app-origin.py

项目结构

├── data/                  # 临时测试数据存放文件夹
├── tmp_output/           # 推理结果输出目录
├── utils/                # 数据处理工具
├── weights/              # 模型权重文件
├── ultralytics/          # 项目内置YOLOv10实现
├── service_app.py        # Gradio应用（推荐，功能丰富）
├── app-origin.py         # 官方Gradio应用
├── predict.py            # 基础预测脚本
├── test_service.py       # 推理测试脚本
├── customize_service.py  # 自定义服务接口
├── config.py             # 配置文件（类别定义）
├── train.py              # 训练脚本
├── val.py                # 验证脚本
└── requirements.txt      # 项目依赖列表

使用说明

基础推理

1. 将待检测的PCB图片放入 data/ 目录
2. 运行 python test_service.py 使用项目中的YOLOv10实现进行测试
3. 检测结果将保存在 tmp_output/ 目录和 result.json 文件中

Web界面使用

1. 运行 python service_app.py 启动服务
2. 在浏览器中打开显示的URL（通常是 http://localhost:7860）
3. 上传PCB图片进行实时检测和可视化

自定义模型

• 替换 yolov8n.pt 为您训练的PCB瑕疵检测模型
• 在 config.py 中修改类别定义
• 调整推理参数以适应您的应用场景

性能基准

• 推理速度: ~8-24ms/区域（608x608，RTX 4060，使用项目内置YOLOv10）
• 支持格式: JPG, JPEG, PNG, BMP
• 推荐分辨率: 608x608（项目默认设置）
• 检测机制: 滑动窗口大图检测

数据集处理方法

PKU数据集转换

将PKU数据集（VOC格式）转换为YOLO格式：

cd data/PCB_DATASET-PKU
python ../../utils/pku_dataset_convert_to_yolo.py

数据均放在test集中，共693张。

初赛样例集转换

将初赛样例集整合为标准YOLO格式（含类别ID统一映射）：

python utils/preliminary_dataset_convert_to_yolo.py

转换后数据集位置：data/PCB_瑕疵初赛样例集/yolo_dataset/ 数据均放在test集中，共48张。

复赛样例集转换

将复赛样例集整合为标准YOLO格式（含类别ID统一映射）：

python utils/final_dataset_convert_to_yolo.py

转换后数据集位置：data/PCB_瑕疵复赛样例集/yolo_dataset/ 数据均放在test集中，共20张。

合并所有测试数据集

将三个数据集的测试集合并为一个统一的测试数据集：

python utils/merge_test_datasets.py

合并后数据集位置：data/mix_pcb_test_dataset/

• 包含761张测试图片（PKU: 693张, 初赛: 48张, 复赛: 20张）
• 统一的images和labels目录结构
• 自动处理文件名冲突（添加数据集前缀）

类别映射说明

所有转换脚本统一使用以下类别映射：

• 0: mouse_bite（鼠咬）
• 1: spur（毛刺）
• 2: missing_hole（缺孔）
• 3: short（短路）
• 4: open_circuit（开路）
• 5: spurious_copper（多余铜）

Benchmark评估

项目提供完整的benchmark评估工具，用于系统化测试模型性能。所有benchmark相关文件已整理到 benchmark_tools/ 目录。

快速开始

# 方式1: 使用根目录便捷脚本（推荐）
python run_benchmark_tool.py --mode single --limit 10

# 方式2: 进入benchmark_tools目录运行
cd benchmark_tools
python run_benchmark.py --mode single --limit 10

主要功能

• ✅ 标准评估指标: mAP, Precision, Recall, F1-Score
• ✅ 速度分析: FPS, 推理时间统计
• ✅ 类别级别评估: 每个瑕疵类型的详细指标
• ✅ 批量实验: 自动测试多种配置组合
• ✅ 样本数量控制: --limit 参数快速验证（如 --limit 10 仅测试10张）
• ✅ 结果对比: 可视化对比不同配置
• ✅ 导出功能: JSON和CSV格式结果

三种运行模式

• Quick: 快速测试单张图片 (--mode quick)
• Single: 单次完整评估 (--mode single)
• Batch: 批量实验对比 (--mode batch)

相关文件

benchmark_tools/
├── benchmark.py              # 核心评估引擎
├── run_benchmark.py          # 命令行运行脚本
├── benchmark_config.yaml     # 配置文件
├── BENCHMARK_GUIDE.md        # 详细使用指南
└── README.md                 # 工具说明文档

详细使用方法请查看 benchmark_tools/BENCHMARK_GUIDE.md

Test Time优化技巧

除了滑动窗口，还支持以下优化技术：

1. Test Time Augmentation (TTA) - 多角度推理融合
2. Weighted Boxes Fusion (WBF) - 替代NMS的框融合
3. Multi-Scale Testing - 多尺度检测
4. Adaptive Sliding Window - 自适应窗口策略
5. Confidence Calibration - 置信度校准
6. Model Ensemble - 多模型集成

详见benchmark配置文件中的实验设置。

训练

1. 首先下载yolov10s.pt到weights/下：

curl -o yolov10s.pt "https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10s.pt"

2. 在train.py中配置数据集和数据增强方法等参数

3. 然后执行训练脚本：

python train.py

开发状态

• [✔] 修复NMS和红色PCB瑕疵检测
• [✔] 更新置信度和滑动方法
• [✔] Conda环境配置和依赖管理
• [✔] 推理功能测试和验证
• [✔] 跨平台兼容性支持
• [✔] Benchmark评估系统
• [✔] Test Time优化方案