公司做网站的价格几千元,网页设计个人信息,做侦探网站,设计院基于YOLOv5模型的口罩识别系统#xff0c;结合了GUI界面#xff0c;旨在帮助用户快速、准确地识别图像或视频中佩戴口罩的情况。YOLOv5是一种流行的目标检测模型#xff0c;具有高效的实时检测能力#xff0c;而GUI界面则提供了友好的用户交互界面#xff0c;使得整个系统…
基于YOLOv5模型的口罩识别系统结合了GUI界面旨在帮助用户快速、准确地识别图像或视频中佩戴口罩的情况。YOLOv5是一种流行的目标检测模型具有高效的实时检测能力而GUI界面则提供了友好的用户交互界面使得整个系统更易于操作和使用。
通过该系统用户可以上传图像或者选择视频进行口罩识别系统会使用YOLOv5模型自动检测图中人脸并判断是否佩戴口罩。识别结果将会在界面上直观显示同时还可以导出识别结果或者保存分析报告。这样的系统可以被广泛应用于监控系统、安全检查等领域提高工作效率和准确性。 使用方式 安装依赖
pip install -r requirements.txt
运行 PyqtGUI.py 文件
python PyqtGUI.py
备注:best1、2、3.pt为模型文件如有需要自行替换。
目标检测: 目标检测是计算机视觉和数字图像处理的一个热门方向广泛应用于无人驾驶、智能视频监控、工业检测、航空航天等诸多领域通过计算机视觉减少对人力资本的消耗具有重要的现实意义。 因此目标检测也就成为了近年来理论和应用的研究热点它是图像处理和计算机视觉学科的重要分支也是智能监控系统的核心部分同时目标检测也是泛身份识别领域的一个基础性的算法对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。 YOLOv5简介: YOLOV4出现之后不久YOLOv5横空出世。YOLOv5在YOLOv4算法的基础上做了进一步的改进检测性能得到进一步的提升。YOLOv5在COCO数据集上面的测试效果非常不错。工业界也往往更喜欢使用这些方法而不是利用一个超级复杂的算法来获得较高的检测精度。 YOLOv5是一种单阶段目标检测算法速度与精度都得到了极大的性能提升。主要的改进思路如下所示
输入端在模型训练阶段提出了一些改进思路主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放。基准网络融合其它检测算法中的一些新思路主要包括Focus结构与CSP结构。Neck网络目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层Yolov5中添加了FPNPAN结构。Head输出层输出层的锚框机制与YOLOv4相同主要改进的是训练时的损失函数GIOU_Loss以及预测框筛选的DIOU_nms。
YOLOv5S模型的网络架构 YOLOV5目录结构 其中train.py这个文件也是我们接下来训练yolo模型需要用到的启动文件。 requirement.txt 中有我们所需要的的全部依赖,采用pip安装。
pip install -r requirements.txt #安装完依赖后准备工作完成 每个文件作用:
YOLOv5
| detect.py #检测脚本
| hubconf.py # PyTorch Hub相关代码
| LICENSE # 版权文件
| README.md #README markdown 文件
| requirements.txt #项目所需的安装包列表
| sotabench.py #COCO 数据集测试脚本
| test.py #模型测试脚本
| train.py #模型训练脚本
| tutorial.ipynb #Jupyter Notebook演示代码
|-- data
| | coco.yaml #COCO 数据集配置文件
| | coco128.yaml #COCO128 数据集配置文件
| | hyp.finetune.yaml #超参数微调配置文件
| | hyp.scratch.yaml #超参数启始配置文件
| | voc.yaml #VOC数据集配置文件
| |---scripts
| get_coco.sh # 下载COCO数据集shell命令
| get_voc.sh # 下载VOC数据集shell命令
|-- inference
| | images #示例图片文件夹
| bus.jpg
| zidane.jpg
|-- models
| | common.py #模型组件定义代码
| | experimental.py #实验性质的代码
| | export.py #模型导出脚本
| | yolo.py # Detect 及 Model构建代码
| | yolo5l.yaml # yolov5l 网络模型配置文件
| | yolo5m.yaml # yolov5m 网络模型配置文件
| | yolo5s.yaml # yolov5s 网络模型配置文件
| | yolo5x.yaml # yolov5x 网络模型配置文件
| | __init__.py
| |---hub
| yolov3-spp.yaml
| yolov3-fpn.yaml
| yolov3-panet.yaml
|-- runs #训练结果
| |--exp0
| | | events.out.tfevents.
| | | hyp.yaml
| | | labels.png
| | | opt.yaml
| | | precision-recall_curve.png
| | | results.png
| | | results.txt
| | | test_batch0_gt.jpg
| | | test_batch0_pred.jpg
| | | test_batch0.jpg
| | | test_batch1.jpg
| | | test_batch2.jpg
| | |--weights
| | best.pt #所有训练轮次中最好权重
| | last.pt #最近一轮次训练权重
|-- utils
| | activations.py #激活函数定义代码
| | datasets.py #Dataset 及Dataloader定义代码
| | evolve.py #超参数进化命令
| | general.py #项目通用函数代码
| | google_utils.py # 谷歌云使用相关代码
| | torch_utils.py # torch工具辅助类代码
| | __init__.py # torch工具辅助类代码
| |---google_app_engine
| additional_requirements.txt
| app.yaml
| Dockerfile
|-- VOC #数据集目录
| |--images #数据集图片目录
| | |--train # 训练集图片文件夹
| | | 000005.jpg
| | | 000007.jpg
| | | 000009.jpg
| | | 0000012.jpg
| | | 0000016.jpg
| | | ...
| | |--val # 验证集图片文件夹
| | | 000001.jpg
| | | 000002.jpg
| | | 000003.jpg
| | | 000004.jpg
| | | 000006.jpg
| | | ...
| |--labels #数据集标签目录
| | train.cache
| | val.cache
| | |--train # 训练标签文件夹
| | | 000005.txt
| | | 000007.txt
| | | ...
| | |--val # 验证集图片文件夹
| | | 000001.txt
| | | 000002.txt
| | | ...
|-- weightsdwonload_weights.sh #下载权重文件命令yolov5l.pt #yolov5l 权重文件yolov5m.pt #yolov5m 权重文件yolov5s.mlmodel #yolov5s 权重文件(Core M格式)yolov5s.onnx #yolov5s 权重文件(onnx格式)yolov5s.torchscript #yolov5s 权重文件(torchscript格式)yolov5x.pt #yolov5x 权重文件
模型训练过程 使用环境Python3.8torch1.8.1cuda11.1pycharm 注cuda的安装版本取决于显卡类型
1.数据集的标注
python打开labelimg这个软件进行标注。
python labelimg.py
数据格式建议选择VOC,后期再转换成 yolo格式。 ( VOC会生成 xml 文件,可以灵活转变为其他模型所需格式)
本次训练标注两个标签佩戴口罩为 mask未佩戴口罩为 face。
在根目录下建立一个VOCData文件夹再建立两个子文件其中jpg文件放置在VOCData/images下xml放置在VOCData/Annotations中。这一步根据个人随意因为在训练时需要创建配置文件指定模型训练集的目录
2.数据集的训练
①、在项目根目录下文件夹下新建mask_data.yaml配置文件添加如下内容 根据个人情况修改 其中 path项目的根目录 train训练集与path的相对路径 val验证集与path的相对路径 nc类别数量2个 names类别名字 (上一步中标注好的训练集可以按照想要比例划分为训练和验证集也可以不划分填同一路径。)
②、修改启动文件 train.py
打开train.py,其相关参数如下 其中 weights权重文件路径 cfg存储模型结构的配置文件 data存储训练、测试数据的文件上一步中自己创建的那个.yaml epochs训练过程中整个数据集的迭代次数 batch-size训练后权重更新的图片数 img-size输入图片宽高。 device选择使用GPU还是CPU workers线程数默认是8
#输入命令开始训练
python train.py --weights data/yolov5s.pt --cfg models/yolov5s.yaml --data data/mask_data.yaml --epoch 100 --batch-size 8 --device 0③、等待慢慢跑完 模型结果数据呈现 1.数据集的分布 mask的照片约有2000张face的照片约有2500张。
2.损失函数和准确率 可以看到随着训练的进行以不同方式呈现的损失函数呈明显下降趋势准确率呈上升趋势。
3.置信度与准确率 置信度在0.6以上时准确率接近80%。 GUI编程 编写GUI界面方便对权重文件进行一个替换对图片和视频进行一个监测以及调用摄像头进行实时监测。
