深度学习安全帽图像识别从0-1

最新推荐文章于 2024-06-22 21:38:18 发布

可可达鸭

最新推荐文章于 2024-06-22 21:38:18 发布

阅读量1.2k

点赞数 24

文章标签：深度学习人工智能

本文链接：https://blog.csdn.net/2201_75954138/article/details/134631148

版权

这一周看了很多的关于YOLO算法布置的教程，本文将会拿出一些认为为对代码布置有用的文章视频进行记录总结，记录从0开始布置图像识别的教程。文章包括三部分，分别是Github使用、Python环境配置和安全帽检测项目实操。

Github 使用

学习github网站使用：还不会使用 GitHub ？ GitHub 教程来了！万字图文详解 - 知乎 (zhihu.com)

这篇文章中整体逻辑和讲解比较容易看懂，包括Github 网站的功能，Github 的下载和一些使用的方式，比如目前常使用的功能，下载源码到本地，举例：

完整操作，以安全帽识别为例共有两种方法

第一种：键盘操作打开window+R 输入cmd，进入想要下载github代码的位置

复制Github 网站的链接，输入 '''git clone https://目标github网址.git''' 代码，提示下载成功

直接复制代码用就行↓↓↓↓

git clone https://github.com/PeterH0323/Smart_Construction

打开文件夹查看是否安装成功。

第二种方式是在Releases中，找到作者已经打包好的文件，直接下载后在电脑中解压。

和第一种相比各有利弊，有的作者懒得整理压缩包。

Python环境配置

因为之前用python的时候，都是嫌配置环境比较麻烦，所以一直没有系统学习，但是以后要总用到了，所以还是系统的看了下文章和教程。

从0开始运行YOLOV5：1、YOLOV5 CPU运行环境搭建_哔哩哔哩_bilibili

b站的这个视频讲的还是不错的，加上一些文章的补充就够用了。

首先先捋顺一下逻辑，要配置环境最简单的就是下载已经集成好的模块，比如说是Anaconda3，因为有的项目需要使用python=3.7，有的需要使用python=3.10，要是每次都单独下载太麻烦了，使用Anaconda3就可以减少这种麻烦；后续要使用的包也选择集成的比如Ultralytics（YOLO各个版本项目集成一键下载，包含torchs等小包），如果没有这种大的集成，就去翻翻项目所使用的requirements.txt文件，也能一键配置。

比如使用YOLOv5和YOLOv8为例，虽然环境都是一个系列大同小异，但是为了保险起见，还是将他们的分开配置，就需要建两个环境。

键盘操作打开window+R 输入cmd

后续要涉及下载，先都设置为国内的下载源，谁快用谁，这个是清华的：

#设置清华下载源：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

接下来依次输入代码

#建立环境与需要的py版本
conda create -n safehat python=3.10 

#检查环境是否安装成功
conda info -e         
   
#激活新的环境           
activate safehat   

#若有大集成，就直接安装环境中需要的库，比如YOLO                
pip install ultralytics  
#若有的是requirements.txt，就输入以下代码
pip install -r requirements.txt

环境建好以后就可以配置了，我的是Pycharm，左上角【文件】→【打开（选择要项目文件夹）】→【设置】→【python解释器】→【设置标志，添加】→【Conda】→【现有环境】→【文件夹路径如图，配置的环境在Anaconda3/envs下】

然后查看一下自己配置好的环境中的包对不对，要是没有问题，就可以跑项目了。

安全帽检测项目实操

课程①：PeterH0323/Smart_Construction: Base on YOLOv5 Head Person Helmet Detection on Construction Sites，基于目标检测工地安全帽和禁入危险区域识别系统，🚀😆附 YOLOv5 训练自己的数据集超详细教程🚀😆2021.3新增可视化界面❗❗ (github.com)

这个链接是基于yolov5来检测安全帽，里面涉及到一些模块在未来也是可以使用的，比如说VOC格式的数据集转换成YOLOv5训练需要用到的格式、数据文件的排列树方式、与后面的可视化部分。

在学习的过程中，再阅读多篇的文章后，学习到，在CPU上运行的YOLOv5在部分能力上要强于YOLOv8，仅仅是一小部分。But，在GPU上运行的YOLOv8，无论实在运行速度还是运行结果的准确性上，都要强于YOLOv5，那为什么不直接跑v8模型呢？

于是我就找到了这个课程②：基于yolov8，训练一个安全帽识别的目标检测模型_哔哩哔哩_bilibili

在这个视频中，作者讲明了如何操作能使得代码跑起来，短短十分钟全是干货。

数据集在Kaggle中下载获取。

因为是调包来完成，所以需要敲出启动代码。

safehat.yaml

下面代码最后一行，数据集有打了很多标签，比如Person之类的，我们只需要第0个和第2个就行了，就是带和不带安全帽，代码需要建 **.yaml的格式。

# 训练数据图片存储的位置
train: D:\Deeplearning\Helmet testing\archive\css-data\train\images
# 验证数据图片存储的位置
val: D:\Deeplearning\Helmet testing\archive\css-data\valid\images
# 测试数据图片存储的位置
test: D:\Deeplearning\Helmet testing\archive\css-data\test\images

# number of classes
nc: 10

# class names
#names: ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9']
#Hardhat - 安全帽
#Mask - 口罩
#NO-Hardhat - 无安全帽
#NO-Mask - 无口罩
#NO-Safety Vest - 无安全背心
#Person - 人
#Safety Cone - 安全锥a
#Safety Vest - 安全背心
#machinery - 机械(挖掘机)
#vehicle - 车辆
names: [Hardhat, Mask, NO-Hardhat, NO-Mask, NO-Safety Vest, Person, Safety Cone, Safety Vest, machinery, vehicle]

yolo_train.py

接下来建训练启动代码，直接调用ultralytics中的YOLO走接口，'data='后面改成上一步建的*.yaml文件，最后再验证后，就能得到模型文件**.bt。

from ultralytics import YOLO  # 导入Yolo模块

# 利用x yolo v8的预训练模型，这个模型是在yolov8训练了coco数据集训练的通用目标检测模型，
# 我们将它作为基础模型，在该模型的基础上，训练安全帽检测
model = YOLO('yolov8n.pt')  # 加载预训练模型

# 训练用户自定义的数据集，数据的配置文件存放在safehat.yaml中，epochs参数不设为100代表训练100代
model.train(data='safehat.yaml', epochs=5)

# 使用验证集验证效果
model.val()

yolo_test.py

训练的启动代码建成后就可以开始了，但是为了完整性，我们一口气将测试的代码也完成，这部分不完全相同于教学视频中的代码，我进行了小小的更改。视频中是单个数据测试需要一个一个输入，但是我有一个文件夹的图片需要识别标注，所以我就把代码改为了遍历整个文件夹的形式。

from ultralytics import YOLO  # 导入在训练中导入yolo模块
import os
import glob

# 导入训练好的模型best.pt
model = YOLO(r'D:\Deeplearning\Helmet testing\archive\runs\detect\train3\weights\best.pt')

# 定义包含源文件的目录
source_dir = r'D:\Deeplearning\Helmet testing\archive\source_files'

# 获取源目录中所有图像和视频文件的列表
file_types = ('*.jpg',  '*.jfif', '*.mp4')  # 根据需要添加或删除文件类型
files_grabbed = []
for files in file_types:
    files_grabbed.extend(glob.glob(os.path.join(source_dir, files)))

# 对每个文件进行预测
for file in files_grabbed:
    model.predict(file, save=True, classes=[0, 2], line_width=4)

最后文件夹应该是长这个样子的。