欢迎关注『youcans动手学模型』系列
本专栏内容和资源同步到 GitHub/youcans
【YOLO5 项目实战】（1）YOLO5 环境配置与测试
【YOLO5 项目实战】（2）使用自己的数据集训练目标检测模型
【YOLO5 项目实战】（3）PCB 缺陷检测
【YOLO5 项目实战】（3）PCB 缺陷检测
1. PCB 缺陷检测问题
印制电路板(简称PCB)是组装电子零件用的基板，PCB板的制造品质直接影响电子产品的可靠性。随着电子组装向更高密度、更小尺寸的PCB混合技术的纵深发展，为减少进入下步工序的缺陷电路板的数量，对PCB检测的自动光学检测(AOI)系统的需求也越来越大。
AOI系统是基于机器视觉技术应用的自动化检测系统，由图像采集单元、光源和主机组成，采用高清相机和高速图像处理软件进行实时检测，提取PCB表面图形、通过图形数字化转换、特征点逻辑判断与图形匹配、线条形态轮廓逻辑比对、缺陷点判定与提取这一技术流程来实现PCB表面图形的缺陷检测。
AOI系统作为基于机器视觉的自动化检测工具，具有高速、高效、高精度的特点，广泛应用于PCB检测。它能尽早发现并纠正缺陷，提高SMT生产工艺的成品率，并能适应高密度PCB组装的检测需求。
传统的 PCB 缺陷检测技术，通常基于数字图像处理技术进行处理。例如：首先读取图片，然后进行开运算和闭运算以预处理图像，接着使用动态阈值分割方法提取缺陷区域，最后展示原图和检测出的缺陷边缘。常用处理算法包括：
- Blob分析+特征检测
- Blob分析+特征检测+差分
- 频域滤波+空间滤波
- 光度立体法
- 特征训练（分类器，深度学习）
- 测量+拟合
近年来随着深度学习技术的发展，基于深度学习的PCB板缺陷检测方法取得了显著的进步。YOLO（You Only Look Once）系列算法，以其快速、准确的特点，在实时缺陷检测领域受到广泛关注。
一种基于 YOLO5 PCB板缺陷检测系统，面临的挑战包括：
- PCB板缺陷检测的准确性和速度
- 环境适应性和模型泛化能力
- 用户交互界面的直观性和功能性
- 数据处理能力和存储效率
- 系统的可扩展性和维护性
2. PCB 缺陷数据集
2.1 下载 PCB 瑕疵数据集
北大印刷电路板（PCB）瑕疵数据集
北大智能机器人开放实验室提供的 印刷电路板（PCB）瑕疵数据集，是一个公共合成PCB数据集，包含1386张图像，具有6种缺陷（漏孔、鼠咬、开路、短路、杂散、杂铜），用于图像检测、分类和配准任务。
- 下载地址：北京大学智能机器人开放实验室
- 百度AI stduio下载链接：https://aistudio.baidu.com/datasetdetail/272346，下载内容包括JSON和VOC格式版
使用百度AI stduio下载，选择 PCB_DATASET_VOC.zip 下载。下载数据集的结构如下：
- DataSetPCB
- Annotations
- ImageSets
DeepPCB 瑕疵数据集：
一个数据集包含1500个图像对，每个图像对由一个无缺陷的模板图像和一个对齐的测试图像组成，带有注释，包括6种最常见的PCB缺陷的位置：开路、短路、鼠咬、毛刺、针孔和假铜。每张 640 x 640图像中大约有3到12个缺陷。推荐将1000张图像作为训练集，将剩余图像作为测试集。
- 下载地址：DeepPCB数据集
- Gitee 下载链接：https://gitee.com/dengzhiguang/DeepPCB
- 参考文献：Online PCB Defect Detector On A New PCB Defect Dataset
2.2 构建 PCB 缺陷数据集
下载的 PCB 瑕疵数据集与 YOLOv5 的格式不一致，本文以北大 PCB 瑕疵数据集为例，构建 YOLOv5 数据集。
2.2.1 划分训练/测试数据集
把原始数据集划分为训练集、测试集和验证集，处理代码 split_train_val.py如下：
import os
import random
import argparse
parser = argparse.ArgumentParser()# 数据集的标注文件夹的路径，默认 '\Annotations'
parser.add_argument('--xml_path', default='Annotations',type=str,help='input xml label path')# 数据集的图像文件夹的路径，默认 '\ImageSets'
parser.add_argument('--txt_path', default='ImageSets',type=str,help='output txt label path')
opt = parser.parse_args()
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
# xmlfilepath = '\Annotations'# txtsavepath = '\Images'
total_xml = os.listdir(xmlfilepath)ifnot os.path.exists(txtsavepath):
os.makedirs(txtsavepath)
trainval_percent =0.9
train_percent =0.8
num =len(total_xml)
list_index =range(num)
tv =int(num * trainval_percent)
tr =int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
file_trainval =open(txtsavepath +'/trainval.txt','w')
file_test =open(txtsavepath +'/test.txt','w')
file_train =open(txtsavepath +'/train.txt','w')
file_val =open(txtsavepath +'/val.txt','w')for i in list_index:
name = total_xml[i][:-4]+'\n'print(name)if i in trainval:
file_trainval.write(name)if i in train:
file_train.write(name)else:
file_val.write(name)else:
file_test.write(name)
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()
2.2.2 标签格式转换
（1）该 PCB 瑕疵数据集 采用 VOC 的标签格式，保存在 Annotations 子目录中。
以 01_missing_hole_01.xml 为例，内容如下：
<annotation><folder>Missing_hole</folder><filename>01_missing_hole_01.jpg</filename><path>/home/weapon/Desktop/PCB_DATASET/Missing_hole/01_missing_hole_01.jpg</path><source><database>Unknown</database></source><size><width>3034</width><height>1586</height><depth>3</depth></size><segmented>0</segmented><object><name>missing_hole</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>2459</xmin><ymin>1274</ymin><xmax>2530</xmax><ymax>1329</ymax></bndbox></object><object><name>missing_hole</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>1613</xmin><ymin>334</ymin><xmax>1679</xmax><ymax>396</ymax></bndbox></object><object><name>missing_hole</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>1726</xmin><ymin>794</ymin><xmax>1797</xmax><ymax>854</ymax></bndbox></object></annotation>
（2）把 VOC 的标签格式转换为yolov5的格式，Python 代码如下：
# 将 xml 标签格式转换为 yolov5 格式# -*- coding: utf-8 -*-import xml.etree.ElementTree as ET
import os
from os import getcwd
# box [xmin,ymin,xmax,ymax]defconvert(size, box):
dw =1./(size[0])
dh =1./(size[1])
x =(box[0]+ box[1])/2.0-1
y =(box[2]+ box[3])/2.0-1
w = box[1]- box[0]
h = box[3]- box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return x, y, w, h
# xml2yolodefconvert_annotation(image_id):
in_file =open('Annotations/%s.xml'%(image_id), encoding='UTF-8')
out_file =open('Labels/%s.txt'%(image_id),'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w =int(size.find('width').text)
h =int(size.find('height').text)for obj in root.iter('object'):
difficult = obj.find('difficult').text
# difficult = obj.find('Difficult').text
cls = obj.find('name').text
if cls notin classes orint(difficult)==1:continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b =(float(xmlbox.find('xmin').text),float(xmlbox.find('xmax').text),float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))
b1, b2, b3, b4 = b
# 标注越界修正if b2 > w:
b2 = w
if b4 > h:
b4 = h
b =(b1, b2, b3, b4)
bb = convert((w, h), b)
out_file.write(str(cls_id)+" "+" ".join([str(a)for a in bb])+'\n')
sets =['train','val','test']
classes =["missing_hole","mouse_bite","open_circuit","short","spur","spurious_copper"]# 修改为PCB缺陷类别
abs_path = os.getcwd()
wd = getcwd()ifnot os.path.exists('Labels/'):
os.makedirs('Labels/')for image_set in sets:
image_ids =open('ImageSets/%s.txt'%(image_set)).read().strip().split()
list_file =open('%s.txt'%(image_set),'w')print(image_set, image_ids)for image_id in image_ids:
list_file.write('/Images/%s.jpg\n'%(image_id))
convert_annotation(image_id)
list_file.close()
（3）程序创建 Labels 子目录，生成 YOLOv5格式的标签文件。
以 01_missing_hole_01.txt 为例，内容如下：
00.8218523401450230.81998738965952080.023401450230718520.0346784363177805800.5421885299934080.229508196721311480.021753460777851020.0390920554854981100.58025708635464720.51891551071878940.023401450230718520.03783102143757881
2.3 数据集配置文件
YOLOv5 模型训练时，要调用数据集配置文件 YAML 文件（ .yaml）。因此，需要在数据集所在的文件夹（例如…/DataSetYoloPCB/）创建自己的数据集配置文件 dataPCB.yaml，内容如下
train:../DataSetYoloPCB/train/images
val:../DataSetYoloPCB/valid/images
test:../DataSetYoloPCB/test/images # test images (optional)# number of classes
nc:6# Class names
names:["missing_hole","mouse_bite","open_circuit","short","spur","spurious_copper"]
其中，train 表示训练集图像文件夹的路径，val 表示验证集图像文件夹的路径，test 表示测试集图像文件夹的路径。nc:6 表示类别数为 6，names 表示 6个类别的名称。
注意，nc 是由数据集的标注内容决定的，不能自行修改。
3. 训练 PCB 缺陷模型
3.1 下载 YOLOv5 预训练模型
推荐从 YOLOv5 release下载 YOLOv5 预训练模型。
本文选择 YOLOv5s，参数约 7.2M。下载完成后，将下载的预训练模型文件 yolov5s.pt 放在 YOLOv5 项目路径下。
3.2 修改 YOLOv5 模型配置
在 yolov5/models/ 目录下，打开模型配置文件 yolov5s.yaml，把文件中的类别数改为 6 ，另存为 /models/yolov5sPCB.yaml。
# Ultralytics YOLOv5 🚀, AGPL-3.0 license# Parameters
nc:6# number of classes
depth_multiple:0.33# model depth multiple
width_multiple:0.50# layer channel multiple
anchors:-[10,13,16,30,33,23]# P3/8-[30,61,62,45,59,119]# P4/16-[116,90,156,198,373,326]# P5/32...
3.3 YOLOv5 模型训练
1. 运行训练程序查看帮助
从 PyCharm 命令行输入“ python train.py -h” 可以查看帮助，也可以检查程序是否有错误。
输出如下：
(torch) PS C:\Python\PythonProjects\YOLOv5_PCB> python train.py -h
usage: train.py [-h][--weights WEIGHTS][--cfg CFG][--data DATA][--hyp HYP][--epochs EPOCHS][--batch-size BATCH_SIZE][--imgsz IMGSZ][--rect][--resume [RESUME]][--nosave][--noval][--noautoanchor][--noplots][--evolve [EVOLVE]][--evolve_population EVOLVE_POPULATION][--resume_evolve RESUME_EVOLVE][--bucket BUCKET][--cache [CACHE]][--image-weights][--device DEVICE][--multi-scale][--single-cls][--optimizer {SGD,Adam,AdamW}][--sync-bn][--workers WORKERS][--project PROJECT][--name NAME][--exist-ok][--quad][--cos-lr][--label-smoothing LABEL_SMOOTHING][--patience PATIENCE][--freeze FREEZE [FREEZE ...]][--save-period SAVE_PERIOD][--seed SEED][--local_rank LOCAL_RANK][--entity ENTITY][--upload_dataset [UPLOAD_DATASET]][--bbox_interval BBOX_INTERVAL][--artifact_alias ARTIFACT_ALIAS][--ndjson-console][--ndjson-file]
optional arguments:-h,--help show this help message and exit
--weights WEIGHTS initial weights path
--cfg CFG model.yaml path
--data DATA dataset.yaml path
--hyp HYP hyperparameters path
--epochs EPOCHS total training epochs
--batch-size BATCH_SIZE
total batch size forall GPUs,-1for autobatch
--device DEVICE cuda device, i.e.0or0,1,2,3or cpu
...
使用自己的数据集训练 YOLOv5 模型，，需要注意检查以下路径或参数值：
- weight，预训练模型权重文件，先选择下载的官方权重文件 yolov5s.pt。
- cfg，yolov5s 模型配置文件，选择修改的 models/yolov5sPCB.yaml。
- data，选择自己编写的数据集配置文件 DataSetYoloPCB/data.yaml。
- hyp HYP，超参数文件路径，可以修改模型训练参数，本文未涉及。
- epoch，整个数据集遍历训练次数，根据计算机性能和需要确定，默认值100，新手练习时可以设为 2。
- batch_size，每批读入的样本数量，根据计算机内存确定，默认值8，新手练习时可以设为 2。
- device，cuda 显卡设置，默认值为 0 表示使用 CPU训练，如有 GPU 显卡可以设为 1 或相应值。
2. 运行训练程序 train.py
通过命令行就可以运行 YOLOv5 训练程序 train.py 。
如果计算机性能资源不足，可以设置较小的训练参数以便学习，例如：
python train1.py --weights yolov5s.pt --cfg models/yolov5sPCB.yaml --data …/DataSetYoloPCB/dataPCB.yaml --epoch 2 --batch-size 4
本文设置的遍历次数 epoch=100，批次数 batch-size=16，使用 GPU 训练。
python train1.py --weights yolov5s.pt --cfg models/yolov5sPCB.yaml --data …/DataSetYoloPCB/dataPCB.yaml --epoch 100 --batch-size 16 --img 640 --device 1
经过100 epochs的训练，结果如下：
(torch) PS C:\Python\PythonProjects\YOLOv5_PCB> python train1.py --weights yolov5s.pt --cfg models/yolov5sPCB.yaml --data ../DataSetYoloPCB/dataPCB.yaml --epoch 100--batch-size 16--img 640--device 1
train1: weights=yolov5s.pt, cfg=models/yolov5sPCB.yaml, data=../DataSetYoloPCB/data.yaml, hyp=data\hyps\hyp.scratch-low.yaml, epochs=100, batch_size=16, imgsz=640, rect=False, resume=False, nosave=False, noval=False, noautoancho
r=False, noplots=False, evolve=None, evolve_population=data\hyps, resume_evolve=None, bucket=, cache=None, image_weights=False, device=1, multi_scale=False, single_cls=False, optimizer=SGD, sync_bn=False, workers=8, project=runs
\train, name=exp, exist_ok=False, quad=False, cos_lr=False, label_smoothing=0.0, patience=100, freeze=[0], save_period=-1, seed=0, local_rank=-1, entity=None, upload_dataset=False, bbox_interval=-1, artifact_alias=latest, ndjson_console=False, ndjson_file=False
hyperparameters: lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.0005, warmup_epochs=3.0, warmup_momentum=0.8, warmup_bias_lr=0.1, box=0.05, cls=0.5, cls_pw=1.0, obj=1.0, obj_pw=1.0, iou_t=0.2, anchor_t=4.0, fl_gamma=0.0, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, degrees=0.0, translate=0.1, scale=0.5, shear=0.0, perspective=0.0, flipud=0.0, fliplr=0.5, mosaic=1.0, mixup=0.0, copy_paste=0.0
Transferred 342/349 items from yolov5s.pt
AMP: checks passed
optimizer: SGD(lr=0.01)with parameter groups 57 weight(decay=0.0),60 weight(decay=0.0005),60 bias
train: Scanning C:\Python\PythonProjects\DataSetYoloPCB\train\labels...554 images,0 backgrounds,0 corrupt:100%|██████████|554/554[00:06<00:00,83.51it/s]
train: WARNING Cache directory C:\Python\PythonProjects\DataSetYoloPCB\train isnot writeable:[WinError 183]:'C:\\Python\\PythonProjects\\DataSetYoloPCB\\train\\labels.cache.npy'->'C:\\Python\\PythonProjects\\DataSetYoloPCB\\train\\labels.cache'
val: Scanning C:\Python\PythonProjects\DataSetYoloPCB\valid\labels...139 images,0 backgrounds,0 corrupt:100%|██████████|139/139[00:13<00:00,10.59it/s]
val: WARNING Cache directory C:\Python\PythonProjects\DataSetYoloPCB\valid isnot writeable:[WinError 183]:'C:\\Python\\PythonProjects\\DataSetYoloPCB\\valid\\labels.cache.npy'->'C:\\Python\\PythonProjects\\DataSetYoloPCB\\valid\\labels.cache'
AutoAnchor:3.75 anchors/target,1.000 Best Possible Recall (BPR). Current anchors are a good fit to dataset
Plotting labels to runs\train\exp5\labels.jpg...
Image sizes 640 train,640 val
Using 8 dataloader workers
Logging results to runs\train\exp5
Starting training for100 epochs...
Epoch GPU_mem box_loss obj_loss cls_loss Instances Size
0/993.53G 0.12550.026830.0510167640:100%|██████████|35/35[00:20<00:00,1.75it/s]
Class Images Instances P R mAP50 mAP50-95:100%|██████████|5/5[00:01<00:00,3.04it/s]all1395984.3e-050.001492.18e-054.36e-06...
Epoch GPU_mem box_loss obj_loss cls_loss Instances Size
99/994.69G 0.030250.013330.00323946640:100%|██████████|35/35[00:22<00:00,1.56it/s]
Class Images Instances P R mAP50 mAP50-95:100%|██████████|5/5[00:01<00:00,3.25it/s]all1395980.9590.9410.9570.486100 epochs completed in0.637 hours.
Optimizer stripped from runs\train\exp5\weights\last.pt,14.5MB
Optimizer stripped from runs\train\exp5\weights\best.pt,14.5MB
Validating runs\train\exp5\weights\best.pt...
Fusing layers...
YOLOv5sPCB summary:157 layers,7026307 parameters,0 gradients,15.8 GFLOPs
Class Images Instances P R mAP50 mAP50-95:100%|██████████|5/5[00:03<00:00,1.26it/s]all1395980.9560.9430.9580.487
missing_hole 1391120.9810.9910.9870.594
mouse_bite 139830.9240.9160.9370.46
open_circuit 139850.9650.9670.9710.451
short 1391160.970.9830.9890.483
spur 139970.9470.8760.9180.445
spurious_copper 1391050.9460.9240.9460.491
Results saved to runs\train\exp5
其中，Epoch 为遍历次数，GPU_mem 为占用的显卡内存，box_loss 为边界框损失值，obj_loss为置信度损失值，cls_loss 为分类损失值，Instances 为实例个数（矩形框个数），Size 为输入图像大小。Class 为类别名称，Images 为训练图像数量，Instances 为实例个数，P 为准确率，R为召回率，mAP50为IoU阈值0.5的平均精度均值，maP50-95表示在不同IoU阈值（0.5~0.95）的平均精度均值。
训练好的模型，保存在路径：“runs/exp/weights”，best.pt 是最好结果，last.pt 是最后结果。
3.4 模型训练结果
经过 100 轮遍历训练，训练过程及结果文件保存在目录 “runs”，如下图所示：
（1）损失函数下降曲线
YOLOv5 中定义的损失函数包括：
- 边界框定位损失（box_loss）：计算预测边界框与标注边界框之间的误差（GIoU）
- 分类损失（cls_loss）：计算预测类别与对应的标注类别是否正确
- 动态特征损失（dfl_loss）：计算回归预测框与目标框之间距离的损失函数
（2）置信度曲线
- F1 置信曲线，F1得分随着置信度阈值的变化。F1得分是精确度和召回率的调和平均值，曲线的峰值表示给定置信度阈值下精确度和召回率的最佳平衡点。
- 精确度置信曲线，模型预测的精确度随着置信度阈值的变化。精确度是模型预测正确正例与预测为正例总数的比值。
- 精确度召回曲线（PR曲线），模型的精确度与召回率之间的关系。理想情况下，模型应在精确度和召回率之间保持良好的平衡。
- 召回置信度曲线，模型的召回率随置信度阈值的变化。召回率是模型正确预测的正例与实际正例总数的比值。
训练好的模型，保存在路径：“runs/exp/weights”，best.pt 是最好结果，last.pt 是最后结果。可以使用该文件进行模型推理，检测PCB缺陷。
4. 模型推理
4.1 修改推理程序 detect.py
detect.py 程序使用PyTorch加载预训练的YOLOv5模型。程序解析从命令行传入的参数，这些参数包括输入文件的路径（可以是图像、视频或目录）、预训练模型的路径、输出文件的路径、置信度阈值等。具体用法如下：
Usage - sources:
$ python detect.py --weights yolov5s.pt --source 0# webcam
img.jpg # image
vid.mp4 # video
screen # screenshot
path/# directorylist.txt # list of imageslist.streams # list of streams'path/*.jpg'# glob'https://youtu.be/LNwODJXcvt4'# YouTube'rtsp://example.com/media.mp4'# RTSP, RTMP, HTTP stream
detect.py 程序默认读取 data\images 路径的图片，结果默认保存到 runs/detect 文件夹中。
我们根据项目的配置，要对推理程序 detect.py 进行如下修改（也可以直接通过命令行参数设置）：
defparse_opt():
parser = argparse.ArgumentParser()
parser.add_argument("--weights", nargs="+",type=str, default=ROOT /"weights/yolov5PCBbest.pt",help="model path or triton URL")
parser.add_argument("--source",type=str, default=ROOT /"data/images",help="file/dir/URL/glob/screen/0(webcam)")
parser.add_argument("--data",type=str, default=ROOT /"data/dataPCB.yaml",help="(optional) dataset.yaml path")...
其中：yolov5PCBbest.pt 是前面训练的 PCB 缺陷检测模型的权重文件，已另存为 “weights/yolov5PCBbest.pt”；“data/images” 是保存 PCB 测试图片的路径；dataPCB.yaml 是前面修改的数据集配置文件，已另存为 “data/dataPCB.yaml”。
4.2 运行推理程序检测 PCB 缺陷
打开并运行 YOLOv5 项目中的 detect.py 程序，使用训练的PCB 缺陷检测模型 “weights/yolov5PCBbest.pt” 进行 PCB 缺陷。
python detect.py
运行输出如下：
(torch) PS C:\Python\PythonProjects\YOLOv5_PCB> python detect.py
detect: weights=weights\yolov5PCBbest.pt, source=data\images, data=data\dataPCB.yaml, imgsz=[640,640], conf_thres=0.25, iou_thres=0.45, max_det=1000, device=, view_img=False, save_txt=False, save_csv=False, save_conf=False, save_crop=False, nosave=False, classes=None, agnostic_nms=False, augment=False, visualize=False, update=False, project=runs\detect, name=exp, exist_ok=False, line_thickness=3, hide_labels=False, hide_conf=False, half=False, dnn=False, vid_stride=1
YOLOv5 2024-7-29 Python-3.8.19 torch-2.3.1+cu121 CUDA:0(NVIDIA GeForce RTX 3060, 12288MiB)
Fusing layers...
YOLOv5sPCB summary:157 layers,7026307 parameters,0 gradients,15.8 GFLOPs
image 1/3 C:\Python\PythonProjects\YOLOv5_PCB\data\images\01_missing_hole_14.jpg: 352x640 3 missing_holes,48.0ms
image 2/3 C:\Python\PythonProjects\YOLOv5_PCB\data\images\01_short_17.jpg: 352x640 4 shorts,4.0ms
image 3/3 C:\Python\PythonProjects\YOLOv5_PCB\data\images\06_mouse_bite_10.jpg: 544x640 5 mouse_bites,50.0ms
Speed:0.3ms pre-process,34.0ms inference,4.0ms NMS per image at shape (1,3,640,640)
Results saved to runs\detect\exp
5. 报错处理
（1）Pytorch没有下载成功：
报错内容：Module Not Found Error: No module named ‘torch’
解决方法：通过 Anaconda 或 miniconda 重新下载安装 Pytorch。
（2）PyYaml 版本错误：
报错内容：AttributeError: ‘yaml’ has no attribute ‘FullLoader’
解决方法：卸载高版本 PyYaml，安装 PyYaml 5.3 版本：
pip install pyyaml==5.3
（3）Git 执行发生错误
报错内容：ImportError: Bad git executable.
解决方法：按照报错信息找到git下的cmd文件，添加下方代码：
import os
os.environ["GIT_PYTHON_REFRESH"]="quiet"
（4）Numpy 版本问题
报错内容：AttributeError: module ‘numpy’ has no attribute ‘float’.
解决方法：不再使用 np.float ，需要将其修改为 np.float64 。
【本节完】
版权声明：
欢迎关注『youcans动手学模型』系列
转发请注明原文链接：
【YOLO5 项目实战】（3）PCB 缺陷检测
Copyright 2024 youcans, XUPT
Crated：2024-08-12
版权归原作者 youcans_ 所有， 如有侵权，请联系我们删除。