用darknet（yolo）进行安全帽检测流程

最新推荐文章于 2024-05-17 08:15:29 发布
最新推荐文章于 2024-05-17 08:15:29 发布
阅读量3k 收藏 31
点赞数 3
分类专栏： yolo 文章标签： 安全帽检测 linux
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/AndyZZhang/article/details/105974929
版权

参考文件：YOLO

安装darknet

打开终端（Ctrl shift T）

git clone https://github.com/pjreddie/darknet

如果是用CPU训练的话（不建议），注意Makefile文件中前五行应该是

GPU=0
CUDNN=0
OPENCV=0
OPENMP=0
DEBUG=0

若是用GPU训练，应首先确保电脑中安装了CUDA，并且Makefile文件中前五行应该是

GPU=1
CUDNN=1
OPENCV=0
OPENMP=0
DEBUG=0

然后在darknet目录下进行编译

make

下载数据集

安全帽数据集 提取码：5td8
解压文件（在当前文件夹下）：

unzip zipped_file.zip

如果没有unzip需要下载：

sudo apt install unzip

解压后VOC2028目录里应该有三个文件夹：在这里插入图片描述

处理数据集

将helmet-label.py（提取码：fiey）下载到VOC2028目录下。
在这里插入图片描述
运行。

python helmet-label.py

成功运行之后VOC2028目录里会增加四个txt文件和一个labels文件夹在这里插入图片描述
注意，训练集文件可能会存在后缀不统一问题。如图示：
在这里插入图片描述
为防止后续运行报错，在完成标签转换之后在VOC2028目录下运行JPGjpg.py（提取码：f1yy）将训练集图片名全改为以.jpg结尾。

python JPGjpg.py

设置cfg文件

在data目录下创建helmet.names文件。内容为：

hat
person

在cfg目录下创建helmet.data文件。内容为：

classes= 2
train  = VOC2028/train.txt #train.txt的地址，如果数据集不在darknet目录下可写成绝对路径
valid  = VOC2028/val.txt #val.txt的地址，如果数据集不在darknet目录下可写成绝对路径
names = data/helmet.names
backup = backup

在cfg目录下下载helmet-train.cfg文件。（提取码：6dii）
注意，为了避免运行时报错（out of memory），建议将batch和subdivisions保持比较小的状态，尤其是训练的时候。

下载预训练权值

进入darknet目录下的终端下载

wget https://pjreddie.com/media/files/darknet53.conv.74

训练

./darknet detector train cfg/helmet.data cfg/helmet-train.cfg darknet53.conv.74

训练成功结果

如果整个过程没有问题，darknet目录下将会多出一个backup文件夹。里面内容为训练好的权值。

测试

注意：若是需要用CPU进行测试，需要将Makefile文件中的GPU和CUDNN置0。

GPU=0
CUDNN=0

并重新编译。进入darknet目录

make clean
make

进入cfg目录，创建helmet-test.cfg文件，其内容和helmet-train.cfg一样，只是需要将前两行改为：

batch=1
subdivisions=1

或者其他数字也可，但是不要太大。

进入darknet目录
1 单张图片测试

./darknet detector test cfg/helmet.data cfg/helmet-test.cfg backup/helmet-train_final.weights VOC2028/JPEGImages/000002.jpg

VOC2028/JPEGImages/000002.jpg为你要测试的图片的地址，如果不在darknet目录下写成绝对路径。

2 批量图片测试
参考文件：https://blog.csdn.net/mieleizhi0522/article/details/79989754

打开example目录下的detector.c文件，

  1. 在文件开头添加*GetFilename(char *p)函数（注意后面的注释）
#include "darknet.h"
#include <sys/stat.h>
#include<stdio.h>
#include<time.h>
#include<sys/types.h>
static int coco_ids[] = {1,2,3,4,5,6,7,8,9,10,11,13,14,15,16,17,18,19,20,21,22,23,24,25,27,28,31,32,33,34,35,36,37,38,39,40,41,42,43,44,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,67,70,72,73,74,75,76,77,78,79,80,81,82,84,85,86,87,88,89,90};
 
char *GetFilename(char *p)
{ 
    static char name[20]={""};
    char *q = strrchr(p,'/') + 1;
    strncpy(name,q,6);//注意后面的6，如果你的测试集的图片的名字字符（不包括后缀）是其他长度，请改为你需要的长度（官方的默认的长度是6）
    return name;
}
  1. 用以下代码代替源代码中的void test_detector函数（注意第70、72、106行、要改成自己希望测试图片结果保存的路径）
void test_detector(char *datacfg, char *cfgfile, char *weightfile, char *filename, float thresh, float hier_thresh, char *outfile, int fullscreen)
{
    list *options = read_data_cfg(datacfg);
    char *name_list = option_find_str(options, "names", "data/names.list");
    char **names = get_labels(name_list);
 
    image **alphabet = load_alphabet();
    network *net = load_network(cfgfile, weightfile, 0);
    set_batch_network(net, 1);
    srand(2222222);
    double time;
    char buff[256];
    char *input = buff;
    float nms=.45;
    int i=0;
    while(1){
        if(filename){
            strncpy(input, filename, 256);
            image im = load_image_color(input,0,0);
            image sized = letterbox_image(im, net->w, net->h);
        //image sized = resize_image(im, net->w, net->h);
        //image sized2 = resize_max(im, net->w);
        //image sized = crop_image(sized2, -((net->w - sized2.w)/2), -((net->h - sized2.h)/2), net->w, net->h);
        //resize_network(net, sized.w, sized.h);
            layer l = net->layers[net->n-1];
 
 
            float *X = sized.data;
            time=what_time_is_it_now();
            network_predict(net, X);
            printf("%s: Predicted in %f seconds.\n", input, what_time_is_it_now()-time);
            int nboxes = 0;
            detection *dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes);
            //printf("%d\n", nboxes);
            //if (nms) do_nms_obj(boxes, probs, l.w*l.h*l.n, l.classes, nms);
            if (nms) do_nms_sort(dets, nboxes, l.classes, nms);
                draw_detections(im, dets, nboxes, thresh, names, alphabet, l.classes);
                free_detections(dets, nboxes);
            if(outfile)
             {
                save_image(im, outfile);
             }
            else{
                save_image(im, "predictions");
#ifdef OPENCV
                cvNamedWindow("predictions", CV_WINDOW_NORMAL); 
                if(fullscreen){
                cvSetWindowProperty("predictions", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);
                }
                show_image(im, "predictions");
                cvWaitKey(0);
                cvDestroyAllWindows();
#endif
            }
            free_image(im);
            free_image(sized);
            if (filename) break;
         } 
        else {
            printf("Enter Image Path: ");
            fflush(stdout);
            input = fgets(input, 256, stdin);
            if(!input) return;
            strtok(input, "\n");
   
            list *plist = get_paths(input);
            char **paths = (char **)list_to_array(plist);
             printf("Start Testing!\n");
            int m = plist->size;
            if(access("/home/FENGsl/darknet/data/out",0)==-1)//"/home/FENGsl/darknet/data"修改成自己的路径
            {
              if (mkdir("/home/FENGsl/darknet/data/out",0777))//"/home/FENGsl/darknet/data"修改成自己的路径
               {
                 printf("creat file bag failed!!!");
               }
            }
            for(i = 0; i < m; ++i){
             char *path = paths[i];
             image im = load_image_color(path,0,0);
             image sized = letterbox_image(im, net->w, net->h);
        //image sized = resize_image(im, net->w, net->h);
        //image sized2 = resize_max(im, net->w);
        //image sized = crop_image(sized2, -((net->w - sized2.w)/2), -((net->h - sized2.h)/2), net->w, net->h);
        //resize_network(net, sized.w, sized.h);
        layer l = net->layers[net->n-1];
 
 
        float *X = sized.data;
        time=what_time_is_it_now();
        network_predict(net, X);
        printf("Try Very Hard:");
        printf("%s: Predicted in %f seconds.\n", path, what_time_is_it_now()-time);
        int nboxes = 0;
        detection *dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes);
        //printf("%d\n", nboxes);
        //if (nms) do_nms_obj(boxes, probs, l.w*l.h*l.n, l.classes, nms);
        if (nms) do_nms_sort(dets, nboxes, l.classes, nms);
        draw_detections(im, dets, nboxes, thresh, names, alphabet, l.classes);
        free_detections(dets, nboxes);
        if(outfile){
            save_image(im, outfile);
        }
        else{
             
             char b[2048];
            sprintf(b,"/home/FENGsl/darknet/data/out/%s",GetFilename(path));//"/home/FENGsl/darknet/data"修改成自己的路径
            
            save_image(im, b);
            printf("save %s successfully!\n",GetFilename(path));
#ifdef OPENCV
            cvNamedWindow("predictions", CV_WINDOW_NORMAL); 
            if(fullscreen){
                cvSetWindowProperty("predictions", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);
            }
            show_image(im, "predictions");
            cvWaitKey(0);
            cvDestroyAllWindows();
#endif
        }
 
        free_image(im);
        free_image(sized);
        if (filename) break;
        }
      }
    }
}

注意：改好detector.c之后要重新编译。
进入darknet目录。

make clean
make

进入darknet目录下运行。

./darknet detector test cfg/helmet.data cfg/helmet-test.cfg backup/helmet-train_final.weights

在这里插入图片描述
填入所要测试图片集合的txt文件的地址。

注意：test.txt中的图片名称长度是不等的，分别有6、11和12长度，所以建议将test.txt分开为test6.txt，test11.txt，test12.txt便于测试。

VOC2028/test6.txt

若该文件不在darknet目录下需写成绝对路径。

可能出现的问题

1 out of memory
多出现于训练过程中。
解决方案

  1. 下调batch 和subdivisious可以降低所需显存。
  2. 启动gpu独占模式或使用多块gpu运行
./darknet detector train cfg/helmet.data cfg/helmet-train.cfg darknet53.conv.74 -gpu num=1:mde=exclusive_process

在这里插入图片描述
2 can’t load image
Linux和Windows格式不匹配的问题。
用Notepad++打开train.txt

  1. 视图>显示符号>显示所有符号；
  2. 编辑>换行符>转换为UNIX格式；
    确保最后一行有且仅有一个LF;

3 error while loading shared libraries
没有编译，打开终端make一下就行了。

感谢我的小姐妹小缪，小兄弟小王和小姚提供的技术支持。

AndyZZhang
关注
  • 3
    点赞
  • 踩
  • 31
    收藏
    觉得还不错? 一键收藏
  • 12
    评论
专栏目录
PyTorch深度学习实战 | 基于YOLO V3的安全帽佩戴检测
不断学习，不断进步，提高自己
03-18 1456
本期将提供一个利用深度学习检测是否佩戴安全帽的案例，从而展示计算机视觉中的目标识别问题的一般流程。目标检测是基于图片分类的计算机视觉任务，既包含了分类，又包含了定位。给出一张图片，目标检测系统要能够识别出图片的目标并给出其位置。由于图片中目标数是不确定的，且要给出目标的精确位置，目标检测相比分类任务更复杂，所以也有更多的使用场景，如无人驾驶、智慧安防、工业安全、医学图像等方面。而本案例就是工业安全领域的一个应用，也可移植到其他的目标检测任务。
基于YOLOV3的安全帽检测
wutao22的博客
08-13 3287
“作为目标检测的鸿篇巨制YOLOV3，用来做安全帽检测非常合适”01—Yolov3简介Yolo_v3使用了darknet-53的前面的52层（没有全连接层），yolo_v3这个网络是一个...
yolov3安全帽检测训练权重pytorch-yolov3-9.6.0-person_hat.zip
03-01
1、yolov3安全帽检测训练权重和代码 2、classes: person ,hat 3、训练模型：yolov3.pt和yolov3-tiny.pt 4、pytorch版代码
使用 TensorFlow YOLOv3_tiny从建筑工地进行安全帽（头盔）检测
最新发布
2301_78240361的博客
05-17 967
使用 TensorFlow YOLOv3_tiny从建筑工地进行安全帽（头盔）检测
基于YOLOv8深度学习的安全帽目标检测系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战
阿旭的博客
11-30 5347
基于YOLOv8深度学习的安全帽目标检测系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战
基于yolov3的安全帽检测及其训练数据集
06-27
基于yolov3的安全帽检测及其训练数据集 数据集地址：链接: https://pan.baidu.com/s/14Bf0mk0Y-R4tsoQXhmI7Qg 提取码: eajs
基于Tensorflow实现YOLO V3检测安全帽佩戴.毕设
02-25
在本毕设项目中，我们将会基于TensorFlow框架实现YOLO V3模型，用于检测工人们是否正确佩戴了安全帽。 1. **YOLO V3的核心概念**： - **多尺度检测**：YOLO V3引入了多尺度检测，通过不同大小的锚框（anchor boxes...
Darknet版YOLOv4不同颜色安全帽检测+训练好的weights权重+安全帽数据集
03-08
Darknet版YOLOv4不同颜色的安全帽检测： 1、包含训练好的weights权重文件，以及后缀为cfg、data、names的配置文件，并包含训练map曲线和loss曲线， 2、包含几千张不同颜色安全帽检测数据集，类别名为person和hat，...
yolo3安全帽识别源码
08-11
这个“yolo3安全帽识别源码”是基于YOLOv3模型，针对特定任务——检测建筑工地工人是否佩戴安全帽进行优化的。以下是对这个源码及相关知识点的详细解释： 1. **YOLOv3**：YOLO（You Only Look Once）是一种单阶段的...
【毕业设计Demo】基于Tensorflow实现YOLO V3检测安全帽佩戴.zip
06-29
YOLO（You Only Look Once）是一种实时目标检测系统，它在计算机视觉领域有着广泛的应用，尤其是在安全帽佩戴检测这样的场景中。YOLO V3是YOLO系列的第三个版本，相较于前两代，它在准确性和速度上有了显著的提升，...
智慧工地-基于深度学习yolov3的安全帽检测以及安全帽检测数据集（1）
踟蹰横渡口,彳亍上滩舟。
06-28 3472
基于深度学习yolov3的安全帽检测以及安全帽检测数据集 数据集和代码下载地址：下载地址 数据可视化： 根目录下运行命令： show_yolo_anno.py (注意脚本内相关参数配置 ) 模型训练 模型训练 根目录下运行命令： python train.py (注意脚本内相关参数配置 ) 注意：加载训练的配置参数的关键代码段如下，cfg/transport.data为训练coco交通工具数据集的配置参数文件。 if __name__ == '__main__': train(dat
安全帽YOLOV3目标检测代码
08-04
可以在arm嵌入式上运行的检测代码，无需编译直接运行，已在树莓派上测试过
Tensorflow实现YOLO V3检测安全帽佩戴
机器学习深度学习业余选手
02-25 423
Tensorflow实现YOLO V3检测安全帽佩戴
基于YOLO模型的安全帽佩戴检测
燧机科技的博客
11-20 1272
安全帽佩戴检测算法是高危作业环境中不可或缺的环节。传统依靠人工监管的方式存在效率低下、管理范围有 限、时效性差、无法全场监测等诸多缺陷，因此基于图像视觉的安全帽佩戴检测算法逐渐成为企业实施管理的主要手段。近年来，随着工业4.0概念的提出和深度学习等 高新技术的发展，场景目标物体检测逐渐成为计算机视觉领域的研究热点。
YOLOv5入门实践（3）— 手把手教你使用YOLOv5训练自己的安全帽佩戴检测模型
突然好想你
07-29 1232
模型评估指标主要包括精度P(precision)、召回率R(recall)和平均精度均值(mAP)。精确率表示预测结果中预测为正的样本中有多少是真正的正样本的比率，召回率表示原始样本中的正例有多少被预测正确的比率，mAP即所有类别的平均精度求和除以数据集中所有类的平均精度。
安全帽识别 安全帽佩戴效果 安全帽检测 yolov4安全帽识别 yolov3
qq_18522785的博客
06-05 3000
施工场景下的行为识别领域。该应用领域在技术上可拆分为两部分：视频跟踪和行为识别。这一周密集调研了文献，发现着实是一个大坑。其中的视频跟踪最近的各頂会论文出现最多的是单目标跟踪，而我们要解决的确是多目标跟踪，最近出的较好的能实用性的是deepSort；真实的施工场景中摄像头的远近，拍摄的遮挡，工人服装的统一，重叠，违规动作幅度的大小等都是巨大的挑战；行为识别方面最近出的论文较多，能实用性的目前敲定ECO模型；在跟踪过程中某一个工人的时空管道数据的抽取也是一个难题等等。无论如何，这块硬骨头得啃下来。 行为识别模
毕业设计-基于机器安全帽检测方法- YOLO
Hai_Lang_IT的博客
01-01 1295
毕业设计-基于机器安全帽检测方法- YOLO ：图像视频中的场景目标物体检测已经成为当前人工智能、计算机视觉领域的一个研究热点.而生产 安全问题一直是一个社会关注度极高的问题,每年近百万起安全事故给社会和家庭带来巨大的压力.根据相关报告显示,95% 的安全事故是由于工人的违规违章造成的.安全帽作为作业工人最基本的个体防护装备,对工作人员的生命安全具有重要意义.但是,部分操作人员安全意识缺乏,不佩戴安全帽行为时有发生.安全帽检测已经成为构建生产安全视频监控的一项重要技术,在煤矿、变电站、建
基于Faster-rcnn的安全帽检测（使用Colab进行训练）
Mr.Pru
03-22 1511
基于Faster-rcnn的安全帽检测（使用Colab进行训练），由于电脑配置不够，又想对目标检测能够有一些实战经历，因此费了不少时间和精力终于在Colab成功跑通了这份代码。
Yolov5训练自己的模型（检测人和安全帽）
m0_65756321的博客
12-30 2109
一. 准备 下载VOC数据或者自己收集的图片 确保有jpg和xml文件 生成train.txt，val.txt，test.txt和trainval.txt四个文件，存放训练集、验证集、测试集图片的名字（无后缀.jpg） 参考代码：split_train_val.py # coding:utf-8 import os import random import argparse parser = argparse.ArgumentParser() #xml文件的地址，根据自己的数...
darknet yolo
09-10
Darknet YOLO是一个开源的深度学习框架，用于目标检测任务。您可以使用darknet框架来训练自己的目标检测模型，并进行对象检测任务。 在使用Darknet YOLO进行目标检测之前，您需要进行一些配置和准备工作。首先，您需要下载darknet框架并解压缩。接下来，您需要配置Makefile文件以便编译darknet。然后，您需要准备自定义的数据集，并配置.data文件和网络参数。您还可以根据需要修改yolov4-tiny.cfg文件中的filters和classes参数。 一旦您完成了配置和准备工作，您可以使用以下命令来训练模型： ``` cd .. ./darknet detector train data-vehicle-0926-772/obj.data data-vehicle-0926-772/yolov3.cfg /yolov3.cfg darknet53.conv.74 -i 0 -clear ``` 如果您想测试Darknet YOLO模型，您可以从YOLOv4 model zoo中下载预训练的yolov4.weights文件，并将其放置在当前目录下。然后，您可以使用以下命令进行测试： ``` ./darknet detector test ./cfg/coco.data ./cfg/yolov4.cfg ./yolov4.weights data/dog.jpg -i 0 -thresh 0.25 ``` 或者，您可以直接运行image_yolov4.sh脚本进行测试。 总结来说，Darknet YOLO是一个用于目标检测任务的深度学习框架，您可以通过配置、训练和测试来使用它。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 12
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值