工厂人员着装识别检测算法 YOLOv7

工厂人员着装识别检测算法依据智能视频分析和神经网络算法技术，工厂人员着装识别检测算法实时分析和识别现场监控视频画面信息。工厂人员着装识别检测针对不穿工装的行为及时报警抓拍，将警报截屏和视频保存到数据库系统中发给后台，并把违规记录推送到有关人员。报警记录和警报截屏可以根据时间段查询，助力施工现场智能化管理。

YOLOv7 在 5 FPS 到 160 FPS 范围内，速度和精度都超过了所有已知的目标检测器
并在 V100 上，30 FPS 的情况下达到实时目标检测器的最高精度 56.8% AP。YOLOv7 是在 MS COCO 数据集上从头开始训练的，不使用任何其他数据集或预训练权重。相对于其他类型的工具，YOLOv7-E6 目标检测器（56 FPS V100，55.9% AP）比基于 transformer 的检测器 SWINL Cascade-Mask R-CNN（9.2 FPS A100，53.9% AP）速度上高出 509%，精度高出 2%，比基于卷积的检测器 ConvNeXt-XL Cascade-Mask R-CNN (8.6 FPS A100, 55.2% AP) 速度高出 551%，精度高出 0.7%。

当实际操作人员进到作业范围时，也要依照操作流程穿戴工装，但很多操作人员一般不按规定佩戴工装，这种违规行为给作业实际操作人员带来一定的安全隐患，作为后台监督人员不能及时有效地提醒制止现场人员违规行为，同样给作业人员和现场管理带来很大风险。

YOLOv7 的发展方向与当前主流的实时目标检测器不同，研究团队希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备。除了架构优化之外，该研究提出的方法还专注于训练过程的优化，将重点放在了一些优化模块和优化方法上。这可能会增加训练成本以提高目标检测的准确性，但不会增加推理成本。研究者将提出的模块和优化方法称为可训练的「bag-of-freebies」。

# From Mr. Dinosaur
 
import os
 
 
def listdir(path, list_name):  # 传入存储的list
    for file in os.listdir(path):
        file_path = os.path.join(path, file)
        if os.path.isdir(file_path):
            listdir(file_path, list_name)
        else:
            list_name.append(file_path)
 
 
list_name = []
path = 'D:/PythonProject/data/'  # 文件夹路径
listdir(path, list_name)
print(list_name)
 
with open('./list.txt', 'w') as f:  # 要存入的txt
    write = ''
    for i in list_name:
        write = write + str(i) + '\n'
    f.write(write)

工厂人员着装识别检测依据智能视频分析技术，能够实现全天候不间断，自动发觉管控区域范围中人员不穿工装行为，降低误报和漏报现象。工厂人员着装识别检测集成到智能门禁系统中，当作业人员进到防护区域进行工作时，工厂人员着装识别检测需检测是否穿戴工作服，若未穿戴工作服则无法开启门禁，这样可以提升安全作业的效率降低危险意外的发生。