跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)

已于 2023-12-06 18:04:32 修改
阅读量1.8w 收藏 288
点赞数 36
分类专栏： 深度学习 文章标签： yolov5 跌倒检测识别 跌倒检测 跌倒识别 摔倒检测
于 2023-04-20 18:59:52 首次发布
本文为博主原创文章，未经博主允许不得转载（AI吃大瓜）
本文链接：https://blog.csdn.net/guyuealian/article/details/130250738
版权

跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)

目录

跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)

1. 前言

2. 跌倒检测数据集说明

（1）跌倒检测数据集

（2）自定义数据集

3. 基于YOLOv5的跌倒检测模型训练

（1）YOLOv5安装 

（2）准备Train和Test数据

（3）配置数据文件

（4）配置模型文件

（5）重新聚类Anchor（可选）

（6）开始训练

（7）可视化训练过程

（8）常见的错误

4. Python版本跌倒检测效果

5. Android版本跌倒检测和识别效果

6.项目源码下载

1. 前言

这是项目《跌倒检测和识别》系列之《YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)》；项目基于开源YOLOv5项目，实现一个高精度的跌倒检测算法（Fall Down Detection），可实现检测人体的up(站立)，bending(弯腰,蹲下)和down(躺下，摔倒)三种状态；

2ec14abef9d84ebe94113f1f1992c6cc.png

目前，基于YOLOv5s的跌倒检测精度平均值mAP_0.5:0.95=0.73693。为了能部署在手机Android平台上，本人对YOLOv5s进行了简单的模型轻量化，并开发了一个轻量级的版本yolov5s05_416和yolov5s05_320模型；轻量化模型在普通Android手机上可以达到实时的检测效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。下表格给出轻量化模型的计算量和参数量以及其检测精度mAP

模型input-sizeparams(M)GFLOPsmAP_0.5:0.95
yolov5s640×6407.216.50.73693
yolov5s05416×4161.71.80.50567
yolov5s05320×3201.71.10.44821

先展示一下跌倒检测和识别效果（三种状态up,bending和down）：

3a3ce27d4ef441019eda36806e00c436.gif8fed04ec3308401d9edf07219afea990.gif

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/130250738

更多项目《跌倒检测和识别》系列文章请参考：

  1. 跌倒检测和识别1：跌倒检测数据集(含下载链接):https://blog.csdn.net/guyuealian/article/details/130184256
  2. 跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/130250738

  3. 跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)：https://blog.csdn.net/guyuealian/article/details/130250824

  4. 跌倒检测和识别4：C++实现跌倒检测(含源码，可实时跌倒检测)：https://blog.csdn.net/guyuealian/article/details/130250838

f390c8a31a7a443f9b6cde5959cbf83b.gif

2. 跌倒检测数据集说明

（1）跌倒检测数据集

目前收集了约4000的跌倒检测数据集和26000+跌倒分类数据集，关于跌倒检测数据集说明，请参考：跌倒检测和识别1：跌倒检测数据集(含下载链接)

148040773b104732813caf4e78b9357f.png

（2）自定义数据集

如果需要增/删类别数据进行训练，或者需要自定数据集进行训练，可参考如下步骤：

  1. 采集图片，建议不少于2000张图片
  2. 使用Labelme等标注工具，对目标进行拉框标注：labelme工具：GitHub - wkentaro/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation).
  3. 将标注格式转换为VOC数据格式，参考工具：labelme/labelme2voc.py at main · wkentaro/labelme · GitHub
  4. 生成训练集train.txt和验证集val.txt文件列表
  5. 修改engine/configs/voc_local.yaml的train和val的数据路径
  6. 重新开始训练

da93bc711ce94c209968df81fbcc5ff4.png​​​

3. 基于YOLOv5的跌倒检测模型训练

（1）YOLOv5安装 

训练Pipeline采用YOLOv5: GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite , 原始官方代码训练需要转换为YOLO的格式，不支持VOC的数据格式。为了适配VOC数据，本人新增了LoadVOCImagesAndLabels用于解析VOC数据集，以便正常训练。另外，为了方便测试，还增加demo.py文件，可支持对图片,视频和摄像头的测试。

Python依赖环境，使用pip安装即可，项目代码都在Ubuntu系统和Windows系统验证正常运行，请放心使用；若出现异常，大概率是相关依赖包版本没有完全对应


matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
Pillow
PyYAML>=5.3.1
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0
tensorboard>=2.4.1
seaborn>=0.11.0
pandas
thop  # FLOPs computation
pybaseutils==0.7.0

 推荐使用Python3.8或Python3.7，更高版本可能存在版本差异问题，项目安装教程请参考（初学者入门，麻烦先看完下面教程，配置好开发环境）：

（2）准备Train和Test数据

下载跌倒检测数据集， 请参考：跌倒检测和识别1：跌倒检测数据集(含下载链接)

（3）配置数据文件

  • 修改训练和测试数据的路径：engine/configs/voc_local.yaml
  • 注意数据路径分隔符使用【/】,不是【\】
  • 项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
# 数据路径
path: ""  # dataset root dir

# 注意数据路径分隔符使用【/】,不是【\】
# 项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！
train:
  - 'D:/home/fall/Fall-Down-Det-v1/train/train.txt'
  - 'D:/home/fall/Fall-Down-Det-v2/train.txt'

val:
  - 'D:/home/fall/Fall-Down-Det-v1/test/test.txt'

test:  # test images (optional)
data_type: voc

# 1.设置类别个数，和要训练的类别名称，ID号从0开始递增
nc: 3  # number of classes
names: { 'up': 0, 'bending': 1, 'down': 2 }

# 2.如果你想合并所有类别为一个大类，进行训练： unique表示合并所有类为单独一个类别
#nc: 1  # number of classes
#names: { "unique": 0 }

（4）配置模型文件

官方YOLOv5给出了YOLOv5l,YOLOv5m,YOLOv5s等模型。考虑到手机端CPU/GPU性能比较弱鸡，直接部署yolov5s运行速度十分慢。所以本人在yolov5s基础上进行模型轻量化处理，即将yolov5s的模型的channels通道数全部都减少一半，并且模型输入由原来的640×640降低到416×416或者320×320，该轻量化的模型我称之为yolov5s05。轻量化后的模型yolov5s05比yolov5s计算量减少了16倍，参数量减少了7倍。下面是yolov5s05和yolov5s的参数量和计算量对比：

模型input-sizeparams(M)GFLOPs
yolov5s640×6407.216.5
yolov5s05416×4161.71.8
yolov5s05320×3201.71.1

（5）重新聚类Anchor（可选）

官方yolov5s的Anchor是基于COCO数据集进行聚类获得（详见models/yolov5s.yaml文件）

 9a26d4fcecb443948888df947ce7f02a.png​​​ 

考虑到跌倒检测数据集，目标框几乎都是竖状的矩形框；原始Anchor是在输入640×640聚类获得的，直接复用原始COCO的Anchor效果可能不太好；因此，这需要我们根据已有的数据集的标注框进行重新聚类获得新的Anchor；这里为了简单，yolov5s直接复用原始Anchor，而yolov5s05_416和yolov5s05_320由于输入分辨率变小，其Anchor也进行等比例缩小，下表给出yolov5s，yolov5s05_416和yolov5s05_320重新调整后Anchor结果：

yolov5s.yamlyolov5s05_416.yamlyolov5s05_320.yaml
​​34400b0f17b24fe884d98bce3f306618.png97599bc3015e4d4693c824069f6d9112.png​​6aa45597fff74352bafd3ae9fc952173.png​​

一点建议：

  • 官方yolov5s的Anchor是基于COCO数据集进行聚类获得，不同数据集需要做适当的调整，其最优Anchor建议重新进行聚类 。
  • 当然你要是觉得麻烦就跳过，不需要重新聚类Anchor，这个影响不是特别大。如果你需要重新聚类，请参考engine/kmeans_anchor/demo.py文件

（6）开始训练

整套训练代码非常简单操作，用户只需要填写好对应的数据路径，即可开始训练了。

  • 修改训练超参文件： data/hyps/hyp.scratch-v1.yaml （可以修改训练学习率，数据增强等方式，使用默认即可，可不修改）
  • Linux系统终端运行，训练yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可)
#!/usr/bin/env bash

#--------------训练yolov5s--------------
# 输出项目名称路径
project="runs/yolov5s_640"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="models/yolov5s.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 640 --workers 4 --project $project


#--------------训练轻量化版本yolov5s05_416--------------
# 输出项目名称路径
project="runs/yolov5s05_416"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="models/yolov5s05_416.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 416 --workers 4 --project $project


#--------------训练轻量化版本yolov5s05_320--------------
# 输出项目名称路径
project="runs/yolov5s05_320"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="models/yolov5s05_320.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 320 --workers 4 --project $project
  • Windows系统终端运行，训练yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可) 
#!/usr/bin/env bash

#--------------训练yolov5s--------------
python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 640 --workers 4 --project runs/yolov5s_640


#--------------训练轻量化版本yolov5s05_416--------------
python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s05_416.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 416 --workers 4 --project runs/yolov5s05_416



#--------------训练轻量化版本yolov5s05_320--------------
python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s05_320.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 320 --workers 4 --project runs/yolov5s05_320
  • 开始训练：

​​​f633fcb455d1412a8e07686c27bbf330.png

  • 训练数据量比较大，训练时间比较长，请耐心等待哈
  • 训练完成后，在模型输出目录中有个results.csv文件，记录每个epoch测试的结果，如loss,mAP等信息

训练模型收敛后，yolov5s跌倒检测的mAP指标大约mAP_0.5=0.73693；而，yolov5s05_416 mAP_0.5=0.50567左右；yolov5s05_320 mAP_0.5=0.44821左右；

轻量化后的模型yolov5s05比yolov5s计算量减少了16倍，参数量减少了7倍；相比而言，yolov5s05比yolov5s mAP减低了近30%，对于性能比较弱鸡的手机而言，这个精度是还是可以接受的。

模型input-sizeparams(M)GFLOPsmAP_0.5:0.95
yolov5s640×6407.216.50.73693
yolov5s05416×4161.71.80.50567
yolov5s05320×3201.71.10.44821

（7）可视化训练过程

训练过程可视化工具是使用Tensorboard，使用方法，在终端输入：

# 基本方法
tensorboard --logdir=path/to/log/
# 例如
tensorboard --logdir=./data/model/yolov5s_640
​​​5784d7eadc6d40f189624d0db4350612.png
​​​c5884d026c9b4dc3b0514b28b897ed6d.png
​​​1b4336bfbe0f4914be7e3604052002bd.png
​​​29b3ef4964f34374bdadd97af12cd191.png

  当然，在输出目录，也保存很多性能指标的图片

  • 这是训练epoch的可视化图，可以看到mAP随着Epoch训练，逐渐提高（见result.png）

add6a4b4ca7f4996bf4e8c7c5bde41d3.png

  • 这是每个类别的F1-Score分数（见F1_curve.png）

2560b9a30985461981c381359df2a091.png​​​

  • 这是模型的PR曲线（见PR_curve.png）

​​​e96712ea885347fda50383fe7f721e58.png

  • 这是混淆矩阵（见confusion_matrix.png）：

​​​dee437f047be4543869fbeec849b3bc7.png

（8）常见的错误

4. Python版本跌倒检测效果

demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试图片即可运行测试了

  • 测试图片
# 测试图片（Linux系统）
image_dir='data/test_image' # 测试图片的目录
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/test-result" # 保存检测结果
python demo.py --image_dir $image_dir --weights $weights --out_dir $out_dir

Windows系统，请将$image_dir， $weights ，$out_dir等变量代替为对应的变量值即可，如

# 测试图片（Windows系统）
python demo.py --image_dir data/test_image --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/test-result
  • 测试视频文件
# 测试视频文件（Linux系统）
video_file="data/test-video.mp4" # path/to/video.mp4 测试视频文件，如*.mp4,*.avi等
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/test-result" # 保存检测结果
python demo.py --video_file $video_file --weights $weights --out_dir $out_dir
# 测试视频文件（Windows系统）
python demo.py --video_file data/test-video.mp4 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/test-result

  •  测试摄像头
# 测试摄像头（Linux系统）
video_file=0 # 测试摄像头ID
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/test-result" # 保存检测结果
python demo.py --video_file $video_file --weights $weights --out_dir $out_dir

# 测试摄像头（Windows系统）
python demo.py --video_file 0 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/test-result

先展示一下跌倒检测效果：

8025d9c74ca84172aa9f460eb1452bbf.gif

 54d6a9a603b84886873371f4e2c0463d.jpeg268b5149a1cb4b4ea94def5aafa8194c.jpeg

 4d2176b19960402d8cdfd7d7e1edb9ea.png494c59e856c54e8483c537985a035fba.png610428a63a43457cbb26db44aa3445fb.png841e06c318024245b292235b41cc909d.png

 如果想进一步提高模型的性能，可以尝试：

  1. ​增加训练的样本数据（重点）： 目前跌倒检测数据集总共仅有4000左右的图片，数据量实在有点少，可增加采集并标注数据，提高模型泛化能力
  2. 建议根据自己的业务场景，采集相关数据进行训练，理论上，固定场景，固定摄像头角度，也可以提高模型的检测精度
  3. 本项目将跌倒分为三种状态：up,bending和down，真实业务中可能只需要检测跌倒状态即可(down)，可以简化模型只预测down的检测框
  4. 使用参数量更大的模型： 本教程使用的YOLOv5s，其参数量才7.2M，而YOLOv5x的参数量有86.7M，理论上其精度更高，但推理速度也较慢。
  5. 尝试不同数据增强的组合进行训练

5. Android版本跌倒检测和识别效果

已经完成Android版本跌倒检测和识别算法开发，APP在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。详细说明请查看：参考文章：跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)：https://blog.csdn.net/guyuealian/article/details/130250824

Android Demo体验：https://download.csdn.net/download/guyuealian/87707747

6ffc996ba44a4ea18086fe19df0e2cc1.gif     b5554c83e93844d285e551fdfea365f5.gif

6.项目源码下载

整套项目源码内容包含：跌倒检测数据集 + YOLOv5训练代码和测试代码

整套项目下载地址：跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)

（1）跌倒检测数据集：

  1. 跌倒检测数据集：Fall-Down-Det-v1和Fall-Down-Det-v2，总共约4000张图片
  2. 跌倒分类数据集：Fall-Down-Cls-v1，Fall-Down-Cls-v2和Fall-Down-Cls-v3，总共26000+张图片
  3. 数据集详细说明，请查看：跌倒检测和识别1：跌倒检测数据集(含下载链接)

（2）YOLOv5训练代码和测试代码（Pytorch）

  1. 整套YOLOv5项目工程，含训练代码train.py和测试代码demo.py
  2. 支持高精度版本yolov5s训练和测试
  3. 支持轻量化版本yolov5s05_320和yolov5s05_416训练和测试
  4. 根据本篇博文说明，简单配置即可开始训练：train.py
  5. 源码包含了训练好的yolov5s,yolov5s05_416和yolov5s05_320模型，配置好环境，可直接运行demo.py
  6. 测试代码demo.py支持图片，视频和摄像头测试

 Android跌倒检测APP Demo体验：https://download.csdn.net/download/guyuealian/87707747

AI吃大瓜
关注
  • 36
    点赞
  • 踩
  • 288
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 18
    评论
专栏目录
跌倒检测数据集（4000张训练+1000张验证，共5000张），包含VOC和YOLO数据格式
04-11
保证良心，4000张训练集数据+1000张验证集数据，分为Up,Down,Squat三种姿态。一共5000个图像数据集，比那些动辄100块的数据集又没几张图片来的好。VOC验证集中缺少200张左右，可以自己从YOLO格式转过来，YOLO数据格式是全的。有些图片中没有人体目标,所以label文件会比训练集和验证集少几张是正常情况。
基于姿态估计的实时跌倒检测算法
01-12
为了快速、准确地检测老年人跌倒事件的发生,给出一种基于姿态估计的实时跌倒检测算法.首先利用基于深度学习的人体姿态估计算法得到人体关节点的坐标;然后,通过计算人体质心点的下降速度、跌倒后颈部关节点的纵坐标值是否大于阈值、以及肩部和腰部关节点的相对位置关系来判断跌倒是否发生.所给出的跌倒检测算法利用单目相机进行检测,便于以嵌入式方式应用于机器人.实验结果表明,所提出算法与当前先进方法相比取得了较好的效果.
跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码).txt
04-20
跌倒检测和识别1：跌倒检测数据集(含下载链接):https://blog.csdn.net/guyuealian/article/details/130184256 跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/130250738 跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)：https://blog.csdn.net/guyuealian/article/details/130250824 跌倒检测和识别4：C++实现跌倒检测(含源码，可实时跌倒检测)：https://blog.csdn.net/guyuealian/article/details/130250838
人员摔倒AI检测算法模型的原理及应用
最新发布
AI与流媒体视频技术
03-22 767
在实时视频流中，该算法会不断地进行目标跟踪，对每个人员的姿态和位置进行实时监测和分析。当检测到某个人员的姿态出现异常，如突然倒地或失去平衡等，算法会立即触发报警机制，提醒相关人员及时处理。
YOLO目标检测+摔倒检测数据集已标注可以直接使用（5700张图像+对应已标注txt和xml文件）.rar
05-10
1、资源描述： 2、资源内容：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 3、适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 4、更多数据集合和仿真源码下载列表（自行寻找自己需要的）：https://blog.csdn.net/m0_62143653?type=download 5、作者介绍：某大厂资深算法工程师，从事Matlab、Python、C/C++、Java、YOLO算法仿真工作10年；擅长计算机视觉、目标检测模型、智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、智能控制、路径规划、无人机等多种领域的算法仿真实验，欢迎交流学习。
基于深度学习的高精度人体摔倒行为检测识别系统（PyTorch+Pyside6+YOLOv5模型）
sc1434404661的博客
06-06 2602
近年来，机器学习和深度学习取得了较大的发展，深度学习方法在检测精度和速度方面与传统方法相比表现出更良好的性能。YOLOv5是单阶段目标检测算法YOLO的第五代，根据实验得出结论，其在速度与准确性能方面都有了明显提升，开源的代码可见https://github.com/ultralytics/yolov5。因此本博文利用YOLOv5检测算法实现一种高精度人体摔倒行为识别检测模型，再搭配上Pyside6库写出界面系统，完成目标检测识别页面的开发。
yolov5 摔倒检测 跌倒识别检测
h4934560的博客
07-13 1万+
对比yolov5与openpose在摔倒检测任务上的效果
跌倒检测和识别1：跌倒检测数据集(含下载链接)
AI吃大瓜的博客
04-19 1万+
跌倒检测和识别1：跌倒检测数据集(含下载链接)，跌倒（摔跤，躺下）检测，跌倒摔倒滑倒
【深度学习】跌倒识别 Yolov5（带数据集和源码）从0到1，内含很多数据处理的坑点和技巧，收获满满
weixin_40293999的博客
06-06 3149
又要到做跌倒识别了。主流方案有两种：1.基于关键点的识别，然后做业务判断，判断跌倒，用openpose可以做到。但这种适合背景比较干净的，类似抖音尬舞的输出；2.基于目标监测的，有人躺下就标注为跌倒第二种方案，适合在工地，或者工厂上班的情况，因为很容易有人围观，聚集起来，方案1就容易误报，因为它为了保障速度，使用的是自下而上的方式。很容易将不同人的关键点张冠李戴，造成误报。因此我们使用方案2。
Python+Yolov5跌倒检测 摔倒检测 人物目标行为 人体特征识别
alicema1111的博客
02-28 3140
这篇博客针对Python+Yolov5跌倒摔倒人体特征识别编写代码，代码整洁，规则，易读。 学习与应用推荐首选。
有关摔倒检测数据集（fall detection databases）
热门推荐
dujuancao11的博客
10-09 1万+
近期学习摔倒检测，接触摔倒数据集，自学笔记，仅用作个人复习。 Bogdan Kwolek，Michal Kepski，使用深度地图和无线加速度计的嵌入式平台上的人类坠落检测，生物医学中的计算机方法和程序，第117卷，第3期，2014年12月，第489-501页，ISSN 0169-2607 跌倒 / 摔倒检测数据集 the UR fall detection dataset (URFD) the fall detection dataset (FDD) UR Fall Detection Datas
YOLO行人跌倒检测数据集+7500数据
06-23
1、YOLO行人跌倒检测数据集，7500多张使用lableimg标注软件，标注好的真实场景的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，可以直接用于YOL摔倒的行人识别，可以区分和识别到跌倒的行人和正常的行人，数据场景丰富，类别名为跌倒fall和正常状态的行人person，一共两个类别 2、数量：7500 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743
跌倒检测数据集数据集数据集
03-11
视频链接如下： https://www.bilibili.com/video/BV16Z4y127w3/?vd_source=6ea7a224dd878fde411995c70d3c5adb#reply118347089152 看好多人要数据集，可能看不到，就存在这里吧。
摔倒检测数据集 5000+图片 xml和txt标签
03-07
摔倒检测数据集 5000+图片 xml和txt标签
跌倒检测和识别2：YOLOv5实现跌倒检测.zip
06-20
跌倒检测和识别2：YOLOv5实现跌倒检测.zip
YOLOv5行人跌倒检测+训练好的模型+pyqt界面+数据集
05-29
包含yolov5s和yolov5m两种训练好的行人摔倒检测权重，以及PR曲线，loss曲线等等，在一千多张行人摔倒检测数据集中训练得到的权重，有pyqt界面，目标类别为fall 共1个类别，并附1000多张行人摔倒检测数据集，标签格式...
跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测).txt
04-20
跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/130250738 跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)：...
跌倒检测和识别4：C++实现跌倒检测(含源码，可实时跌倒检测).txt
04-20
跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/130250738 跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)：...
yolo 跌倒检测 数据集
08-13
YOLO（You Only Look Once）是一种目标检测算法，而跌倒检测数据集则是用于训练和测试跌倒检测模型的数据集。 跌倒是一个重要的健康和安全问题，尤其对于老年人来说。通过跌倒检测数据集，我们可以收集和整理大量的跌倒和非跌倒的图像和视频数据。这些数据可以包括不同场景、不同光照条件、不同年龄段和不同体型的人类跌倒行为。 跌倒检测数据集通常会包含以下内容： 1. 跌倒图像/视频：这些数据是通过采集现实生活中发生的跌倒事件而得到的。它们可以包括跌倒者在跌倒前、跌倒过程和跌倒后的各种动作和姿势。 2. 非跌倒图像/视频：这些数据是作为对比而采集的。它们包括正常的行走、坐下、站立等行为。 跌倒检测数据集可以辅助计算机视觉专家和研究人员进行算法开发和模型优化。通过使用跌倒检测数据集，可以训练出高性能的跌倒检测模型，帮助自动化监测和识别跌倒事件。 此外，跌倒检测数据集也有助于提高跌倒预防和救援的效率。基于这些数据集，我们可以开发出智能监测系统，实时监测人类行为，及时发现跌倒事件，并发送报警信息给相关人员，以进行紧急救援。 总之，跌倒检测数据集在跌倒检测算法研究和应用中起着重要作用。它为研究人员提供了丰富的数据资源，有助于提高跌倒检测的准确性和实时性，进一步提升跌倒预防和救援的效果。

“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 18
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

打赏作者

AI吃大瓜

尊重原创，感谢支持

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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