深度学习实战 |
您所在的位置:网站首页 › 人工智能检测系统原理 › 深度学习实战 |
文章目录
原创声明前言Smart_Construction指标yolov5s 为基础训练,`epoch = 50`yolov5m 为基础训练,`epoch = 100`yolov5l 为基础训练,`epoch = 100`
1.YOLO v5训练自己数据集教程环境准备训练自己的数据提示:
1.1 创建自己的数据集配置文件1.2 创建每个图片对应的标签文件1.3 文件放置规范1.4 聚类得出先验框(Yolov5 内部已做适配,可选)1.5 选择一个您需要的模型1.6 开始训练1.7 看训练之后的结果
2. 侦测3. 检测危险区域内是否有人3.1 危险区域标注方式3.2 执行侦测3.3 效果:在危险区域里面的人体会被 *红色框* 选出来
4. 生成 ONNX4.1 安装 `onnx` 库4.2 执行生成
5. 增加数据集的分类总结Github 开源地址:**如果能帮到您的项目快速落地,可以 buy me a coffee ☕** ![在这里插入图片描述](https://img-blog.csdnimg.cn/20201024121652491.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2h4ajAzMjM=,size_16,color_FFFFFF,t_70#pic_center)
授权须知
原创声明
本文为 HinGwenWoong 原创,如果这篇文章对您有帮助,欢迎转载,转载请阅读文末的【授权须知】,感谢您对 HinGwenWoong 文章的认可! 前言随着人工智能的发展,现在越来越多的场景需要人工智能。在工厂的厂区中以安全为首,但工人普遍缺乏佩戴安全帽意识;工厂环境复杂,有各种各样的禁止进入的区域,普通的图像识别算法很难实现;加上使用传统的人工监管存在诸多缺点。 基于计算机视觉的安全帽自动识别技术设计通过在施工现场布设视频监控设备或利用现有的施工监控设备,采用机器视觉的相关方法进行安全帽的自动识别,可以实现对作业人员安全帽佩戴情况信息的全程快速识别,在降低监管费用的同时提升了监管信息化水平。 希望您能够看完这篇介绍,之后再去下载源码,我将源码地址置于文末,感谢您对我的支持! 下面是我的 【智慧工地安全帽和危险区域检测系统】,代码已经开源在 Github 🍗🍗🍗, 目前已有 100+ star ✨✨✨ !! 我是 HinGwenWoong,一个有着清晰目标不停奋斗的程序猿,热爱技术,喜欢分享,码字不易,如果帮到您,请帮我在屏幕下方点赞 👍 ,您的点赞可以让技术传播得更远更广,谢谢! Smart_Construction如果帮到您请在 GitHub 给个 star ✨✨✨,您的 star 是我最大的鼓励! 该项目是使用 YOLOv5 v2.x 来训练在智能工地安全领域中头盔目标检测的应用, 先来一波演示! 指标 yolov5s 为基础训练,epoch = 50 分类PRmAP0.5总体0.8840.8990.888人体0.8460.8930.877头0.8890.8830.871安全帽0.9170.9210.917对应的 yolov5s 权重文件:百度云,提取码: b981 yolov5m 为基础训练,epoch = 100 分类PRmAP0.5总体0.8860.9150.901人体0.8440.9060.887头0.90.9110.9安全帽0.9130.9290.916对应的 yolov5m 权重文件:百度云,提取码: psst yolov5l 为基础训练,epoch = 100 分类PRmAP0.5总体0.8920.9190.906人体0.8560.9140.897头0.8930.9130.901安全帽0.9270.9290.919对应的 yolov5l 权重文件:百度云,提取码: a66e 1.YOLO v5训练自己数据集教程使用的数据集:Safety-Helmet-Wearing-Dataset ,感谢这位大神的开源数据集! 本文结合 YOLOv5官方教程 来写 环境准备首先确保自己的环境: Python >= 3.7 Pytorch == 1.5.x 训练自己的数据 提示:关于增加数据集分类的方法,请看【5. 增加数据集的分类】 1.1 创建自己的数据集配置文件因为我这里只是判断 【人没有带安全帽】、【人有带安全帽】、【人体】 3个类别 ,基于 data/coco128.yaml 文件,创建自己的数据集配置文件 custom_data.yaml # 训练集和验证集的 labels 和 image 文件的位置 train: ./score/images/train val: ./score/images/val # number of classes nc: 3 # class names names: ['person', 'head', 'helmet'] 1.2 创建每个图片对应的标签文件使用标注工具类似于 Labelbox 、CVAT 、精灵标注助手 标注之后,需要生成每个图片对应的 .txt 文件,其规范如下: 每一行都是一个目标类别序号是零索引开始的(从0开始)每一行的坐标 class x_center y_center width height 格式框坐标必须采用归一化的 xywh格式(从0到1)。如果您的框以像素为单位,则将x_center和width除以图像宽度,将y_center和height除以图像高度。代码如下: import numpy as np def convert(size, box): """ 将标注的 xml 文件生成的【左上角x,左上角y,右下角x,右下角y】标注转换为yolov5训练的坐标 :param size: 图片的尺寸: [w,h] :param box: anchor box 的坐标 [左上角x,左上角y,右下角x,右下角y,] :return: 转换后的 [x,y,w,h] """ x1 = int(box[0]) y1 = int(box[1]) x2 = int(box[2]) y2 = int(box[3]) dw = np.float32(1. / int(size[0])) dh = np.float32(1. / int(size[1])) w = x2 - x1 h = y2 - y1 x = x1 + (w / 2) y = y1 + (h / 2) x = x * dw w = w * dw y = y * dh h = h * dh return [x, y, w, h]生成的 .txt 文件放置的名字是图片的名字,放置在 label 文件夹中,例如: ./score/images/train/00001.jpg # image ./score/labels/train/00001.txt # label生成的 .txt 例子: 1 0.1830000086920336 0.1396396430209279 0.13400000636465847 0.15915916301310062 1 0.5240000248886645 0.29129129834473133 0.0800000037997961 0.16816817224025726 1 0.6060000287834555 0.29579580295830965 0.08400000398978591 0.1771771814674139 1 0.6760000321082771 0.25375375989824533 0.10000000474974513 0.21321321837604046 0 0.39300001866649836 0.2552552614361048 0.17800000845454633 0.2822822891175747 0 0.7200000341981649 0.5570570705458522 0.25200001196935773 0.4294294398277998 0 0.7720000366680324 0.2567567629739642 0.1520000072196126 0.23123123683035374 1.3 文件放置规范文件树如下 1.4 聚类得出先验框(Yolov5 内部已做适配,可选)使用代码 ./data/gen_anchors/clauculate_anchors.py ,修改数据集的路径 FILE_ROOT = r"xxx" # 根路径 ANNOTATION_ROOT = r"xxx" # 数据集标签文件夹路径 ANNOTATION_PATH = FILE_ROOT + ANNOTATION_ROOT跑完会生成一个文件 anchors.txt,里面有得出的建议先验框: Best Accuracy = 79.72% Best Anchors = [[14.74, 27.64], [23.48, 46.04], [28.88, 130.0], [39.33, 148.07], [52.62, 186.18], [62.33, 279.11], [85.19, 237.87], [88.0, 360.89], [145.33, 514.67]] 1.5 选择一个您需要的模型在文件夹 ./models 下选择一个你需要的模型然后复制一份出来,将文件开头的 nc = 修改为数据集的分类数,下面是借鉴 ./models/yolov5s.yaml来修改的 # parameters nc: 3 # number of classes |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |