五站合一自建网站,班级网站建设模板下载,医院网站建设计划,顶呱呱网站建设1、背景
在现代工业和建筑行业中#xff0c;安全始终是首要考虑的因素之一。特别是在施工现场#xff0c;工人佩戴安全帽是确保人身安全的基本要求。然而#xff0c;人工监督难免会有疏漏#xff0c;尤其是在大型工地或复杂环境中#xff0c;确保每个人都佩戴安全帽变得非…1、背景
在现代工业和建筑行业中安全始终是首要考虑的因素之一。特别是在施工现场工人佩戴安全帽是确保人身安全的基本要求。然而人工监督难免会有疏漏尤其是在大型工地或复杂环境中确保每个人都佩戴安全帽变得非常具有挑战性。 为了解决这一问题计算机视觉技术提供了一个有效的解决方案。通过使用深度学习模型如YOLOv5进行实时目标检测我们可以自动识别视频流中的工人是否佩戴了安全帽。结合Flask框架我们可以将这一功能封装为一个Web服务方便在任何地方通过浏览器或其他设备进行访问。
项目目标
使用YOLOv5模型实现对RTSP视频流的工人是否佩戴安全帽实时目标检测。将检测功能集成到Flask Web应用中以便通过简单的HTTP请求访问检测结果。提供一个用户友好的前端界面实时展示检测结果。
技术栈
YOLOv5一个高效的实时目标检测模型适用于多种场景的物体检测。Flask一个轻量级的Python Web框架用于构建RESTful API和Web应用。OpenCV一个强大的计算机视觉库用于处理视频流和图像。RTSP实时流传输协议用于从摄像头获取视频流。
接下来我将详细介绍如何构建这样一个系统从环境准备到最终的部署。
2、环境准备
pip install Flask
pip install opencv-python
# 安装YOLOv5依赖:
pip install -r requirements.txt
#下载预训练权重
wget https://github.com/ultralytics/yolov5/releases/download/v4.0/yolov5s.pt3、模型训练
数据集为各类场景下的安全帽图片并使用Labelimg标注工具对每张图片中的目标边框Bounding Box及类别进行标注。一共包含22789张图片其中训练集包含15887张图片验证集包含4641张图片测试包含2261张图片。 数据集目录结构 yolov5/
├── datasets/
│ ├── train/
│ │ ├── images/
│ │ └── labels/
│ ├── val/
│ │ ├── images/
│ │ └── labels/
│ └── test/
│ ├── images/
│ └── labels/创建数据配置文件 在 datasets 文件夹下创建一个 data.yaml 文件内容如下 train: E:\yolo\mydata\train\images
val: E:\yolo\mydata\val\images
test: E:\yolo\mydata\test\images# number of classes
nc: 2# class names
names: [head, helmet]在YOLOv5项目目录下运行以下命令开始训练模型 python train.py --img 640 --batch 16 --epochs 50 --data datasets/data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --project runs/train --name safety_helmet4、训练结果评估
在深度学习中我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv5在训练时主要包含三个方面的损失定位损失(box_loss)、分类损失(cls_loss)和动态特征损失dfl_loss在训练结束后可以在runs/目录下找到训练过程及结果文件如下所示 本文训练结果如下 PR曲线
5、实现RTSP视频流处理
使用OpenCV可以方便地处理RTSP视频流逻辑集成到Flask Web服务中以便通过HTTP请求访问目标检测结果。在这个获取视频流过程中利用海康或者大华摄像头。
from flask import Flask, render_template, Response
import cv2from models.experimental import attempt_load
from utils.general import set_logging, check_img_size
from utils.torch_utils import select_deviceapp Flask(__name__)from camera_ready import detectclass VideoCamera(object):def __init__(self):# 通过opencv获取实时视频流海康摄像头self.count 0self.video cv2.VideoCapture(rtsp://admin:Tc246800ya.tenchan.cn:61554/Streaming/Channels/102)# 大华摄像头# self.video cv2.VideoCapture(rtsp://%s:%s%s/cam/realmonitor?channel%dsubtype0 % (user, pwd, ip, channel))self.weights, imgsz best.pt, 640set_logging()self.device select_device()self.half self.device.type ! cpu # half precision only supported on CUDAself.model attempt_load(self.weights, map_locationself.device) # load FP32 modelself.stride int(self.model.stride.max()) # model strideself.imgsz check_img_size(imgsz, sself.stride) # check img_sizeif self.half:self.model.half() # to FP16def __del__(self):self.video.release()def get_frame(self):for i in range(1):success, image self.video.read()image detect(sourceimage, halfself.half, modelself.model, deviceself.device, imgszself.imgsz,strideself.stride)ret, jpeg cv2.imencode(.jpg, image)return jpeg.tobytes()app.route(/xyhaw)
def xyhaw():return render_template(index.html)def gen(camera):while True:frame camera.get_frame()yield (b--frame\r\nbContent-Type: image/jpeg\r\n\r\n frame b\r\n)app.route(/video_feed)
def video_feed():return Response(gen(VideoCamera()),mimetypemultipart/x-mixed-replace; boundaryframe)if __name__ __main__:app.run(host0.0.0.0, debugTrue)
前端简单页面index.html
!DOCTYPE html
html
headtitle安全帽检测/titlestylebody {font-family: Arial, sans-serif;text-align: center;margin: 0;padding: 0;}.header {background-color: #4CAF50;color: white;padding: 15px;}.video-container {margin-top: 20px;}img {border: 1px solid #ddd;border-radius: 4px;padding: 5px;}/style
/head
bodydiv classheaderh1安全帽RTSP视频流实时目标检测/h1/divdiv classvideo-containerimg src{{ url_for(video_feed) }} width640 height480/div
/body
/html6、检测结果
