【腾讯云 HAI域探秘】HAI部署YOLOv5开发人工智能识别戴安全帽的应用

目录

1，在hai申请一个pytorch环境

1.1点击链接进入  高性能应用服务 HAI 申请体验资格

1.2 用hai新建一个pytorch的环境

2，安装人工智能应用yolov5，并且训练安全帽识别模型

2.1，准备数据和标注数据

2.1.1 下载标注工具

2.1.2 下载数据集

2.1.3 进行数据清理和数据标注

2.1.4 添加配置文件data.yaml

2.2，为yolov5创建一个conda环境

2.3 安装yolov5,

2.4 修改配置，训练模型

3，后端flask调用yolov5生成的模型来识别是否带了安全帽

3.1为yolov5-flask创建环境：

3.2 安装yolov5-flask及其依赖

3.3 核心代码分析

3.4 运行web应用

4，总结。

---

1，在hai申请一个pytorch环境

1.1点击链接进入  高性能应用服务 HAI 申请体验资格

1.2 用hai新建一个pytorch的环境

按照下面的步骤新建pytorch环境

2，安装人工智能应用yolov5，并且训练安全帽识别模型

hai有时候访问github还是会卡住，所以我把所有的资料都放到了百度网盘，包括四个资料，标注工具(labelimg.zip)，已经标注好的图片和数据（safthat.zip），yolov5-7.0的源码(yolov5.zip)，yolov5-flask的源码(yolov5-flask.zip)

百度网盘链接：https://pan.baidu.com/s/1Lo-ri2J3gcGUTFPTs-kkTQ 
提取码：ddjj

2.1，准备数据和标注数据

可以直接使用我提供的数据集

如果要自定义准备数据集，就根据下面的流程准备自定义的数据：

2.1.1 下载标注工具

labelimg：注意这个标注工具是qt写的，要放在全英文的路径下面，否则会闪退。

2.1.2 下载数据集

这是三个常用的数据集网站（百度飞桨，华为云，kaggle）

2.1.3 进行数据清理和数据标注

修改配置文件predefined_classes.txt，这是是我想识别的类型

safehat
no-safehat

标注图片的步骤

2.1.4 添加配置文件data.yaml

train: ../safehat/train/images
val: ../safehat/test/images
​
nc: 2
names: ['safehat', 'no-safehat']

到此，数据集准备完毕

2.2，为yolov5创建一个conda环境

进入cmd，执行更新的命令

apt-get update
apt-get upgrade

创建环境：

conda create --name yolov5 python=3.10

激活环境：

conda activate yolov5

上传图片数据到root目录，并解压

unzip safehat.zip
unzip yolov5.zip

2.3 安装yolov5,

进入yolov5，安装依赖

cd yolov5
pip install -r requirements.txt

2.4 修改配置，训练模型

2.4.1 修改配置文件

打开/root/yolov5/models/yolov5s.yaml,nc的值这里修改为2。注：其中nc代表类别，分别代表带安全帽，没带安全帽。

2.4.2 训练模型

python train.py --data ../safehat/data.yaml --epochs 300 --weights '' --cfg models/yolov5s.yaml  --batch-size 64

程序开始运行了，这里比较耗时，我数据集不多，运行了十几分钟。

运行完毕，在/root/yolov5/runs/train/exp/weights下生成模型best.pt，这个模型等会被web应用中调用

2.4.3 结果检测

python detect.py --weight runs/train/exp/weights/best.pt --source ../safehat/test/images/001000.jpg

运行完毕，在/root/yolov5/runs/detect/exp下生成图片

2.4.4 性能检测

python val.py --weights runs/train/exp/weights/best.pt --data ../safehat/data.yaml --half

运行完毕，在/root/yolov5/runs/val/exp下生成性能结果，如图所示safehat的分数较高.0.891可以接受，no-safehat的分数较低，说明这个数据集应该多添加一些没有戴安全帽的图片进行训练。

3，后端flask调用yolov5生成的模型来识别是否带了安全帽

3.1为yolov5-flask创建环境：

conda create --name yolov5-flask python=3.8

激活环境：

conda activate yolov5-flask

3.2 安装yolov5-flask及其依赖

上传项目yolov5-flask.zip到root文件夹，并解压

unzip yolov5-flask.zip

进入yolov5-flask，

cd yolov5-flask

把刚刚训练好的best.pt模型拷贝到当前目录，名字改为yolov5s.pt

安装一下依赖

pip install -r requirements.txt
apt-get install libgl1-mesa-glx

3.3 核心代码分析

这里主要就是读取上传的图片，对图片进行分析和渲染，把新的图片渲染到网页上。实际上会把这些值渲染到图片内存中，class类型,confidence自信度,name名字,xmax,xmin,ymax,ymin

@app.route("/", methods=["GET", "POST"])
def predict():
    if request.method == "POST":
        if "file" not in request.files:
            return redirect(request.url)
        file = request.files["file"]
        if not file:
            return

        img_bytes = file.read()
        img = Image.open(io.BytesIO(img_bytes))

        results = model([img]) # 核心代码
        results.render()  # 核心代码，把红色的框和提示词都渲染图片中

        now_time = datetime.datetime.now().strftime(DATETIME_FORMAT)
        img_savename = f"static/{now_time}.png"
        Image.fromarray(results.ims[0]).save(img_savename)
        return redirect(img_savename)

    return render_template("index.html")

3.4 运行web应用

为web应用，打开5000端口。

运行web应用

python webapp.py --port 5000

打开网页，上传测试图片，出结果。

4，总结。

人工智能的浪潮来了，我最初接触YOLO（You Only Look Once）是在Stable Diffusion Web UI中，它能够自动选中人物的脸部和手部，并重新渲染图像，给我留下了深刻的印象。然而，当时我仅停留在感官上的认识，并未深入了解。最近，上饶市创新创业产业孵化中心作为“一站式创业创新培育孵化平台”，具体承办了2023年上饶市首届人工智能大赛，我借此机会深入学习了YOLOv5，并将其部署到了腾讯的高性能应用服务HAI上进行实践，最终取得了完美的结果，感谢他们的付出！！！！

这次是我第一次摸索着做一个人工智能的应用，并且做了工人戴安全帽检测的web应用。我深刻感受到了腾讯云HAl在大模型应用部署方面的便捷，它无需手动部署，支持即开即用，支持可视化界面一键登录，方便调优。！

总而言之，腾讯云HAl这次给我的体验非常良好，后续会考虑探索腾讯云HAl更多的功能，为工作进行赋能~