YOLOv5在建筑工地中安全帽佩戴检测的应用(已开源+数据集) |
您所在的位置:网站首页 › 安全帽检测方法 › YOLOv5在建筑工地中安全帽佩戴检测的应用(已开源+数据集) |
前言
Amusi 发现一个很棒的开源项目,利用YOLOv5进行目标检测的"落地化"应用:安全帽佩戴检测。 该项目使用了YOLOv5s、YOLOv5m、YOLOv5l来训练安全帽佩戴检测数据集,代码和权重均已开源!安全帽佩戴检测数据集也是开源的(共含7581 张图像)! 项目教程也相当详细,推荐入门练手学习!而且有意思的是,该项目和数据集的两位作者均是中国人,点赞! 项目链接(文末附下载): https://github.com/PeterH0323/Smart_Construction 数据集链接(文末附下载): https://github.com/njvisionpower/Safety-Helmet-Wearing-Dataset 如果帮到您请给个 star ✨✨✨,您的 star 是我最大的鼓励! Smart_Construction该项目是使用 YOLOv5 来训练在智能工地安全领域中头盔目标检测的应用 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 12 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'] 123456789 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] 123456789101112131415161718192021222324252627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 12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 1234567 1.3 文件放置规范文件树如下 1.4 聚类得出先验框(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 123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]] 123 1.5 选择一个你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 |