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） |
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 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 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 |
![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-pSllV3mF-1605144047398)(./doc/File_tree.png)]](https://img-blog.csdnimg.cn/20201112092145738.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FtdXNpMTk5NA==,size_16,color_FFFFFF,t_70#pic_center)
【本文地址】
今日新闻 |
推荐新闻 |