X光安检是目前在城市轨交、铁路、机场、物流业广泛使用的物检手段。使用人工智能技术，辅助一线安检员进行X光安检判图，可以有效降低因为安检员经验、能力或工作状态造成的错漏检问题。在实际场景中，因待检测物品的多样性、成像角度、重叠遮挡等问题，X光安检图像检测算法研究存在一定挑战。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

X光安检图像检测挑战赛3.0

一、赛事背景

X光安检是目前在城市轨交、铁路、机场、物流业广泛使用的物检手段。使用人工智能技术，辅助一线安检员进行X光安检判图，可以有效降低因为安检员经验、能力或工作状态造成的错漏检问题。在实际场景中，因待检测物品的多样性、成像角度、重叠遮挡等问题，X光安检图像检测算法研究存在一定挑战。

比赛链接：https://challenge.xfyun.cn/topic/info?type=Xray-2025&option=ssgy

二、赛事任务

本赛事的任务是：基于科大讯飞提供的真实X光安检图像集构建检测模型，对X光安检图像中的指定类别的物品进行检测。

三、评审规则

1.数据说明

此次比赛提供带标注的训练数据，即待检测物品在包裹中的X光图像及其标注文件。

本次比赛标注文件中的类别为8类，包括：

刀（knife）、剪刀（scissors）、打火机（lighter）、优盘（USBFlashDisk）、压力容器（pressure）、带喷嘴塑料瓶（plasticBottleWithaNozzle）、公章（seal）、电池（battery）。

       

待识别物品的X光成像示意图如上图所示。

比赛提供的X光图像及其矩形框标注的文件按照数据来源存放在不同的文件夹中，图像文件采用jpg格式，标注文件采用xml格式。

2.评估指标

评测方式采用计算mAP（IoU = 0.5）的方式。

四、数据准备

In [1]

# 查看当前挂载的数据集目录, 该目录下的变更重启环境后会自动还原 !ls /home/aistudio/data

       

data151995

       

解压数据集。

In [2]

! unzip -oq data/data151995/data.zip -d data/

   

官方提供的数据标注是VOC格式。

可以直接使用labelimg查看标注图片。

       

生成训练集数据列表

In [3]

import os
data_path = '/home/aistudio/data/data/train'f = open(os.path.join(data_path, 'train.txt'), 'w')for subpath in os.listdir(data_path):
    img_path = os.path.join(data_path, subpath)    if os.path.isfile(img_path):        continue
    xml_path = os.path.join(subpath, 'XML')    for img_name in os.listdir(img_path):        if not os.path.isfile(os.path.join(img_path, img_name)):            continue
        img_file = os.path.join(subpath, img_name)
        xml_file = os.path.join(xml_path, img_name.replace('.jpg', '.xml'))
        f.write(img_file + ' ' + xml_file + '\n')

    In [4]

# 拷贝label_list到数据文件中! cp work/label_list.txt data/data/train

   

五、模型配置及训练

本方案选择百度自研的最新的sota模型ppyoloe作为baseline，为了尽快比赛流程，这里选用最小的s级模型。

对应的配置文件为PaddleDetection/configs/ppyoloe/ppyoloe_crn_s_300e_coco.yml；

5.1 配置文件修改

由于数据是voc格式，因此不能再使用ppyoloe默认的coco格式，修改指定的数据配置文件。

减小batch为16， 同时适当减少学习率为0.01；

       

为了加快训练速度，修改_base_/optimizer_300e.yml中的epoch为50；

       

修改_base_/ppyoloe_reader.yml中，注释掉RandomExpand数据增强，加快训练速度，主要是由于数据中很多目标较小，再随机扩增会使得目标更小。

为了使更多小目标能充分训练，在多尺度训练的配置中去掉512分辨率以下的配置。

       

修改configs/datasets/voc.yml，指定生成的数据列表并修改类别数为8；

       

5.2 模型训练

In [ ]

%cd /home/aistudio/work/PaddleDetection-release-2.4/# 只需运行一次! pip install -r requirements.txt

    In [ ]

! python tools/train.py -c configs/ppyoloe/ppyoloe_crn_s_300e_coco.yml

   

六、模型测试及提交结果生成

6.1 模型测试

利用训练好的模型测试，生成测试集的结果。

In [ ]

# 分别生成测试集中三个文件夹的结果! python tools/infer.py -c configs/ppyoloe/ppyoloe_crn_s_300e_coco.yml --infer_dir=/home/aistudio/data/data/test/test1/domain1/ -o weights=output/ppyoloe_crn_s_300e_coco/model_latest.pdparams --output_dir domain1/ --save_txt result.txt --draw_threshold 0.1! python tools/infer.py -c configs/ppyoloe/ppyoloe_crn_s_300e_coco.yml --infer_dir=/home/aistudio/data/data/test/test1/domain2/ -o weights=output/ppyoloe_crn_s_300e_coco/model_latest.pdparams --output_dir domain2/ --save_txt result.txt --draw_threshold 0.1! python tools/infer.py -c configs/ppyoloe/ppyoloe_crn_s_300e_coco.yml --infer_dir=/home/aistudio/data/data/test/test1/domain3/ -o weights=output/ppyoloe_crn_s_300e_coco/model_latest.pdparams --output_dir domain3/ --save_txt result.txt --draw_threshold 0.1

   

6.2 结果处理

合并测试集的结果，并按照提交的格式进行转换。

In [7]

import osimport json
label_list = ['knife','scissors', 'lighter', 'USBFlashDisk', 'pressure', 'plasticBottleWithaNozzle', 'seal', 'battery']
img_list = '/home/aistudio/data/data/2025gamedatasettest1.txt'results = []with open(img_list, 'r') as f:
    lines = f.readlines()    for line in lines:
        line = line.strip().replace('.jpg', '.txt')        with open(line, 'r') as ff:
            re_lines = ff.readlines()
            result = [[], [], [], [], [], [], [], []]            for re_line in re_lines:
                re_line = re_line.strip()
                re_list = re_line.split()                if not len(re_list):                    continue
                name, score, xmin, ymin, w, h = re_list
                index = label_list.index(name)
                result[index].append([float(xmin), float(ymin), float(xmin)+float(w), float(ymin) + float(h), float(score)])
        results.append(result)with open( 'result.json', 'w') as fp:
    json.dump(results, fp, ensure_ascii=False)

   

提交结果生成的result.json文件即可。

       

相关文章： ChatGPT不支持的国家-如何突破技术限制，拥抱未来的智能生活  豆包AI小程序，问答，开启智能生活新篇章,mac ai 笔刷下载  豆包AI女友，打造个性化智能聊天互动指南,成都ai鞋子建模排名  AI赋能的商业决策，数据分析模型软件新篇章,帮助读书的ai  文心一言隐私保护升级，不可删除记录功能亮相,ai卢浮宫  AI自动生成：开启智能时代的无限可能,ai熊熊图片  文心一言，轻松实现内容二次创作与创意再出发,ai轨道旋转  AI构建数学模型的高效策略解析,ai制作线团  SEOLogo设计：打造品牌形象的强大武器  豆包智能AI多维度收费解析，满足个性化用户需求,ai20191122  SEOSEM推广工具：如何借助强大工具提升你的在线营销效果  文心一言，揭秘记忆守护者退场后的失忆之谜,全数AI  文心一言大模型，性能测评与未来趋势洞察,ai抠图临时转换键  AI绘画，国外APP引领艺术创作新时代,善缘AI  我国AI大模型领域领军企业崛起之谜揭秘,ai哪种好看  文心解压，职场压力下的心灵呵护之道,ai86123  揭秘文心一言AIPPT，AI写作助手实操技巧大解析,ai换脸免会员  科技巨头AI竞赛，大模型参数排行榜揭秘,ai内环绕文字  解码Token智慧，文心一言引领AI新领域探索,美国反对ai写作  文心一言体验受阻真相揭秘，五大原因深度剖析,轩辕6ai  小爱触屏音箱AI大模型引领智能生活新,ai一起混合  AI语音合成技术革新与未来趋势解析,宿州ai翻译业务  一键体验智能未来，小爱AI大模型安装指南,多页pdf导入ai  AI芯片驱动下的模型训练革新，揭秘核心动力与优势,oasis ai  揭秘，AI大数据模型如何驱动交易主力控盘,扬州ai配音价位  文心一言VS通义，智能写作助手巅峰对决，谁是王者？,冰激凌ai绘画  文心一言，开启国内开源代码全球影响力新篇章,ai智能写作辅助  特斯拉AI大模型，引领电动汽车智能,ai计划云顶  高效构建AI模型组合，多组模型训练选择策略,ai超市服务  探索AI大模型，引领未来智能的强大动力,奇想ai  小爱AI大数据模型，揭秘智能生活引擎的秘密,ai连襟  文心盛宴，开启阅读新,ai取消节点  AI智慧精灵Genie，开启未来生活新篇章,ai中文字底色描边  文章AI生成标题：让创作更轻松，内容更精彩  文心一言诞生记，揭秘背后的故事与历史时刻,ai植入字体  AI对不起，这个Adobe应用程序不是可用  豆包AI文章高效保存攻略，实用技巧一网打尽,ai201066512  AI写作助手里程碑，文心一言3.5深度解析,亚洲中文字幕第一区ai  文心一言降重技术解析，原创保护与知识产权守护之道,华为ai工程师认证  文心一言AI写作3.5，开启智能创作新时代,遂宁论文ai写作免费论文初稿  美漫风格AI模型，创意与技术融合的艺术之旅,艺术字体ai  文心一言，创意文案素材解析与灵感源泉,逢赌必输ai翻唱  AI生成的文章是原创吗？揭示背后的真相与未来趋势  AI提取文章重要内容：让信息抓取更高效、更精准,松鼠ai 教学  水墨新境，SDAI绘画与传统文化艺术的创新交汇,平阴松鼠ai  文心一言版权归属揭秘，知识产权归属之谜解析,check唱歌ai  我国人工智能领域的璀璨明珠，360大模型AI深度揭秘,精准Ai智能  零基础打造AI模型，开启智能探索之旅,voicemod ai  智脑，揭秘AI大模型的科技内核,wps会员ai写作查重  ChatGPT4.0免费了！你不可错过的AI革命机会