YOLOv5 人脸口罩识别 免费提供数据集

本文分享快速使用YOLOv5训练自己的人脸口罩数据集。

第一步是搞数据，并把标注文件处理成YOLOv5格式，这其实是最费时的，此处省略1W字……我给同学们整了一个近8000张的人脸口罩数据集，拿走不蟹~

下载YOLOv5-3.1版本和模型权重，考虑到模型权重可能下载缓慢，我还上传了一份模型权重，和数据集一样都是免积分哒~ 天呐，博主也太贴心了叭！

我习惯把权重文件放在./weight下：

懒得每次在命令行里写参数，就直接在代码中改，程序中运行了。
/data下创建mask文件目录结构：

按自己的需求往里放训练和验证数据，我是用了7000张图片训练，1000张验证。图片和标签的文件名要对应，比如./images/train里放了一张1.jpg图片，相应的./labels/train里要放1.txt标签文件。

/data下新建mask.yaml文件，模仿coco128.yaml文件格式，填写数据路径、类别数、类别名：

找到train.py文件下的参数列表：

修改–weights和–data的default值，根据权重文件和yaml文件的实际位置修改，权重文件选择自己适合的模型大小：

parser.add_argument('--weights', type=str, default='./weights/yolov5s.pt', help='initial weights path')
parser.add_argument('--data', type=str, default='data/mask.yaml', help='data.yaml path')

轮次、批量、图片大小根据需求改，批量根据内存大小来定，图片大小得是32的倍数：

parser.add_argument('--epochs', type=int, default=100)
parser.add_argument('--batch-size', type=int, default=5, help='total batch size for all GPUs')
parser.add_argument('--img-size', nargs='+', type=int, default=[480, 480], help='[train, test] image sizes')

然后train.py文件跑起来就好啦，训练是不是也挺简单的嘛~

每次训练会在./run文件夹下生成一个exp文件，最好（best）和最新（last）权重就保存在weights里：

使用的时候，打开侦测文件detect.py：

改一下实际权重位置和图片大小：

parser.add_argument('--weights', nargs='+', type=str, default='./runs/exp0/weights/best.pt', help='model.pt path(s)')
parser.add_argument('--img-size', type=int, default=480, help='inference size (pixels)')

把要检测的图片或视频放在./inference/images下，检测完的结果就在output里了：

训个几轮就可以看效果了，有不少同学向我要训练权重，哎，操碎了心的博主给大家重新训练了一份25轮的权重，不算完全训练好，但测试正常的图片是没问题的，依然免积分~ 这都不值得同学们一个赞吗？？

再次祭出小团团！！

YOLOv5真香~ 奈斯！