基于yolo8的电子元件检测

前言

  • 电子实验教学、元件分拣和电路板检查中,经常需要先认出“这是什么元件、在哪里”。元件体积小、种类多,人工逐个辨认效率不高,初学者也容易混淆。
  • 本文介绍一种基于 YOLO8 的电子元件检测方法:输入一张图片或摄像头画面,模型框出图中的每个元件,并给出元件类别和置信度。
  • 项目可识别电容器、二极管、LED、电阻器、晶体管和齐纳二极管 6 类常见的直插式电子元件。
  • 本项目只识别元件的种类和位置,不读取电阻色环、电容容量等参数,也不判断元件好坏和电路连接是否正确。


  • 整体流程主要分为两步。
  • 第一步:准备带有位置框和类别标注的电子元件图片,以 YOLO8 预训练权重为起点进行微调训练。
  • 第二步:加载训练好的 best.pt,对指定图片或摄像头画面进行检测,统计每类元件的数量和平均置信度。

介绍

第一步:电子元件检测模型训练

YOLO8 环境配置

  • 项目使用 Python 开发,模型训练和推理由 Ultralytics 完成,摄像头画面由 OpenCV 读取。
  • 依赖安装命令如下:
pip install ultralytics opencv-python

数据集准备与处理

  • 项目使用 Roboflow 上公开的电子元件数据集(Electronics Components),共 141 张图片,分为训练集、验证集和测试集。
  • 标注采用 YOLO 目标检测格式,每条标注包含类别编号、归一化的中心点坐标、宽度和高度。
  • 一张图片中常常有多个元件,所以下表统计的是标注框数量,不是图片数量。
  • 类别编号:0;英文类别:Capacitor;中文含义:电容器;训练集:133;验证集:29;测试集:5;合计:167

  • 类别编号:1;英文类别:Diode;中文含义:二极管;训练集:52;验证集:0;测试集:1;合计:53

  • 类别编号:2;英文类别:LED;中文含义:LED;训练集:198;验证集:16;测试集:6;合计:220

  • 类别编号:3;英文类别:Resistor;中文含义:电阻器;训练集:260;验证集:29;测试集:31;合计:320

  • 类别编号:4;英文类别:Transistor;中文含义:晶体管;训练集:72;验证集:5;测试集:3;合计:80

  • 类别编号:5;英文类别:Zener Diode;中文含义:齐纳二极管;训练集:51;验证集:0;测试集:1;合计:52

  • 类别编号:合计;英文类别:—;中文含义:—;训练集:766;验证集:79;测试集:47;合计:892

训练目标检测模型

  • 项目使用 yolo8.pt 作为初始权重,在电子元件图片上进行微调,训练 60 轮,输入尺寸为 800。
  • 元件在图片中通常比较小,把输入尺寸从默认的 640 调大到 800,可以保留更多细节。
  • 在项目根目录运行 train.py 即可开始训练,最佳权重保存为 best.pt。

训练结果评估

  • 精确率表示模型画出的框中,类别判断正确的比例;召回率表示所有真实元件中,被模型找出来的比例。
  • mAP50 是检测任务的综合成绩:预测框和真实框重叠超过一半就算对,满分为 1。
  • 本文使用测试集的 6 张图片、47 个元件验证了 best.pt,结果为:召回率 88.0%,mAP50 为 0.883。
  • 在验证集的 12 张图片上,mAP50 为 0.717。其中电阻器的效果最好,mAP50 达到 0.946。

第二步:指定电子元件图片检测

加载检测权重

  • predict.py 默认加载项目根目录中的 best.pt,并把模型输出的英文类别转换为中文名称。

使用脚本识别图片

  • 在项目根目录执行如下命令,检测指定图片中的电子元件:
python predict.py
  • 脚本默认检测根目录下的 1.jpg,置信度阈值为 0.5。返回结果按类别统计,包含每类元件的数量和平均置信度。
  • 以项目自带的一张电阻器示意图为例,模型找出 5 个电阻器,平均置信度为 0.76,同时把图中两组较细的小功率电阻误判成了 LED。
  • 需要注意,predict.py 会用画好检测框的结果图覆盖原图片,使用前最好先备份原图。
  • 运行 main.py 可以打开摄像头,实时检测画面中的电子元件,按 q 键退出。

检测效果与适用范围

  • 模型适合在白色或浅色背景下,对单个或少量直插元件做快速识别,可以用于电子实验教学和元件分拣演示。
  • 数据集只有 141 张图片,验证集和测试集都很小,指标容易随图片不同而波动。用于实际场景前,最好补充更多不同角度、不同背景的元件图片。

总结

  • 以上就是基于 YOLO8 的电子元件检测项目的主要实现流程:准备 6 类电子元件的标注数据,微调 YOLO8 检测模型,再用最佳权重对图片和摄像头画面进行检测。
  • 测试集上模型的 mAP50 为 0.883,召回率为 88.0%。
  • 后续可以补充二极管、齐纳二极管和贴片元件等图片,扩大数据集规模,并换用更大的模型来提高小元件的识别效果。
  • 感兴趣的小伙伴可以联系我.