吸烟(抽烟)检测和识别2：Pytorch实现吸烟(抽烟)检测和识别(含吸烟(抽烟)数据集和训练代码)

已于 2023-12-06 18:01:21 修改
阅读量8.6k 收藏 95
点赞数 31
分类专栏： 深度学习 文章标签： 吸烟检测识别 抽烟检测识别 pytorch 吸烟行为识别 吸烟识别
于 2023-12-02 10:06:48 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/131521338
版权

吸烟(抽烟)检测和识别2：Pytorch实现吸烟(抽烟)检测和识别(含吸烟(抽烟)数据集和训练代码)

目录

吸烟(抽烟)检测和识别2：Pytorch实现吸烟(抽烟)检测和识别(含吸烟(抽烟)数据集和训练代码)

1.吸烟(抽烟)检测和识别

2.吸烟(抽烟)数据集

 （1）吸烟(抽烟)数据集说明

 （2）自定义数据集

3.人体检测模型

4.吸烟(抽烟)分类模型训练

（1）项目安装

（2）准备数据

（3）吸烟(抽烟)识别分类模型训练(Pytorch)

（4） 可视化训练过程

（5） 吸烟(抽烟)识别效果

（6） 一些优化建议

（7） 一些运行错误处理方法

5.项目源码下载（Python版）

这是项目《吸烟(抽烟)检测和识别》系列之《Pytorch实现吸烟(抽烟)检测和识别(含吸烟(抽烟)数据集和训练代码)》；项目基于深度学习框架Pytorch开发一个高精度，可实时吸烟检测和识别算法；项目源码支持模型有resnet18,resnet34,resnet50, mobilenet_v2以及googlenet等常见的深度学习模型，用户可自定义进行训练；准确率还挺高的，采用轻量级mobilenet_v2模型的吸烟识别准确率也可以高达95.5607%左右，满足业务性能需求。

模型input sizeTest准确率
mobilenet_v2224×22495.5607%
googlenet224×22496.7290%
resnet18224×22495.7944%

先展示一下，Python版本的吸烟(抽烟)检测和识别Demo效果

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/131521338 

更多项目《吸烟(抽烟)检测和识别》系列文章请参考：

  1. 吸烟(抽烟)检测和识别1：吸烟(抽烟)数据集说明(含下载链接):https://blog.csdn.net/guyuealian/article/details/130337263
  2. 吸烟(抽烟)检测和识别2：Pytorch实现吸烟(抽烟)检测和识别(含吸烟(抽烟)数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/131521338
  3. 吸烟(抽烟)检测和识别3：Android实现吸烟(抽烟)检测和识别(含源码，可实时检测)：https://blog.csdn.net/guyuealian/article/details/131521347
  4. 吸烟(抽烟)检测和识别4：C++实现吸烟(抽烟)检测和识别(含源码，可实时检测)：https://blog.csdn.net/guyuealian/article/details/131521352

1.吸烟(抽烟)检测和识别

吸烟(抽烟)检测和识别方法有多种实现方案，这里采用最常规的方法：基于人体检测+吸烟分类识别方法，即先采用通用的人体检测模型，进行人体检测定位人体区域，然后按照一定规则裁剪吸烟检测区域，再训练一个吸烟行为识别分类器，完成吸烟(抽烟)检测和识别任务；

这样做的好处，是可以利用现有的人体检测模型，无需重新标注吸烟和未吸烟的检测框，可减少人工标注成本低；而吸烟分类数据相对而言比较容易采集，分类模型可针对性进行优化。

2.吸烟(抽烟)数据集

 （1）吸烟(抽烟)数据集说明

本项目主要使用两个吸烟(抽烟)数据集：smoking-dataset和smoking-video，总共15000+张图片。数据质量较高，可用于深度学习吸烟(抽烟)识别的项目分类模型算法开发。项目将吸烟(抽烟)状态分为两种情况，分别为：smoking(吸烟)，notsmokint(未吸烟)，为了便于大家理解，下面给出这吸烟(抽烟)的行为类别定义：

notsmoking：在吸烟检测区内无烟只，则定义为无吸烟行为（notsmoking）；若主体存在吸烟行为，但烟只不在吸烟检测区内，受算法局限性，这时依然定义无吸烟（notsmoking）
smoking：在吸烟检测区内有烟只，则定义为有吸烟行为（smoking）；受算法局限性，只要吸烟区内存在烟只，不管是否吸烟，都定义为有吸烟行为（smoking）
 

 关于吸烟(抽烟)数据集的使用说明请参考我的一篇博客：https://blog.csdn.net/guyuealian/article/details/130337263 

 （2）自定义数据集

如果需要新增类别数据，或者需要自定数据集进行训练，可参考如下进行处理：

  • 建立Train和Test数据集，要求相同类别的图片，放在同一个文件夹下；且子目录文件夹命名为类别名称，如

​

  • 类别文件：一行一个列表：​class_name.txt​ 
     (最后一行,请多回车一行)
A
B
C
D
  • 修改配置文件的数据路径：configs/​config.yaml​
train_data: # 可添加多个数据集
  - 'data/dataset/train1' 
  - 'data/dataset/train2'
test_data: 'data/dataset/test'
class_name: 'data/dataset/class_name.txt'
...
...

3.人体检测模型

本项目人体检测训练代码请参考：行人检测(人体检测)2：YOLOv5实现人体检测(含人体检测数据集和训练代码)

4.吸烟(抽烟)分类模型训练

准备好吸烟(抽烟)识别数据后，接下来就可以开始训练吸烟识别分类模型了；项目模型支持resnet18,resnet34,resnet50, mobilenet_v2以及googlenet等常见的深度学习模型，考虑到后续我们需要将吸烟(抽烟)识别模型部署到Android平台中，因此项目选择计算量比较小的轻量化模型mobilenet_v2；如果不用端上部署，完全可以使用参数量更大的模型，如resnet50等模型。

 整套工程项目基本结构如下：

.
├── classifier                 # 训练模型相关工具
├── configs                    # 训练配置文件
├── data                       # 训练数据
├── libs           
│   ├── convert                # 将模型转换为ONNX工具
│   ├── yolov5                 # 人体检测
│   ├── detector.py            # 人体检测demo
│   └── README.md               
├── demo.py              # demo
├── README.md            # 项目工程说明文档
├── requirements.txt     # 项目相关依赖包
└── train.py             # 训练文件

（1）项目安装

推荐使用Python3.8或Python3.7，更高版本可能存在版本差异问题，项目依赖python包请参考requirements.txt，使用pip安装即可：

numpy==1.16.3
matplotlib==3.1.0
Pillow==6.0.0
easydict==1.9
opencv-contrib-python==4.5.2.52
opencv-python==4.5.1.48
pandas==1.1.5
PyYAML==5.3.1
scikit-image==0.17.2
scikit-learn==0.24.0
scipy==1.5.4
seaborn==0.11.2
tensorboard==2.5.0
tensorboardX==2.1
torch==1.7.1+cu110
torchvision==0.8.2+cu110
tqdm==4.55.1
xmltodict==0.12.0
basetrainer
pybaseutils==0.6.5

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）准备数据

下载吸烟(抽烟)识别数据集：smoking-dataset和smoking-video，https://blog.csdn.net/guyuealian/article/details/130337263

（3）吸烟(抽烟)识别分类模型训练(Pytorch)

项目在《Pytorch基础训练库Pytorch-Base-Trainer(支持模型剪枝 分布式训练)》基础上实现了吸烟(抽烟)识别分类模型训练和测试，整套训练代码非常简单操作，用户只需要将相同类别的图片数据放在同一个目录下，并填写好对应的数据路径，即可开始训练了。

训练框架采用Pytorch，整套训练代码支持的内容主要有：

  • 目前支持的backbone有：googlenet,resnet[18,34,50], ,mobilenet_v2等， 其他backbone可以自定义添加
  • 训练参数可以通过(configs/config.yaml)配置文件进行设置

修改配置文件的数据路径：configs/​config.yaml​：

  • train_data和test_data修改为自己的数据路径
  • 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！
# 训练数据集，可支持多个数据集(不要出现中文路径)
train_data:
  - 'path/to/smoking/smoking-person/smoking-dataset/trainval'
  - 'path/to/smoking/smoking-person/smoking-video'
# 测试数据集(不要出现中文路径)
test_data:
  - 'path/to/smoking/smoking-person/smoking-dataset/test'

# 类别文件
class_name: 'data/class_name.txt'
train_transform: "train"       # 训练使用的数据增强方法
test_transform: "val"          # 测试使用的数据增强方法
work_dir: "work_space/"        # 保存输出模型的目录
net_type: "mobilenet_v2"       # 骨干网络,支持：resnet18/50,mobilenet_v2,googlenet,inception_v3
width_mult: 1.0                # 模型宽度因子
input_size: [ 224,224 ]        # 模型输入大小
rgb_mean: [ 0.5, 0.5, 0.5 ]    # for normalize inputs to [-1, 1],Sequence of means for each channel.
rgb_std: [ 0.5, 0.5, 0.5 ]     # for normalize,Sequence of standard deviations for each channel.
batch_size: 128                # batch_size
lr: 0.01                       # 初始学习率
optim_type: "SGD"              # 选择优化器，SGD,Adam
loss_type: "CrossEntropyLoss"  # 选择损失函数：支持CrossEntropyLoss,LabelSmooth
momentum: 0.9                  # SGD momentum
num_epochs: 120                # 训练循环次数
num_warn_up: 0                 # warn-up次数
num_workers: 8                 # 加载数据工作进程数
weight_decay: 0.0005           # weight_decay，默认5e-4
scheduler: "multi-step"        # 学习率调整策略
milestones: [ 30,60,100 ]       # 下调学习率方式
gpu_id: [ 2 ]                  # GPU ID
log_freq: 50                   # LOG打印频率
progress: True                 # 是否显示进度条
pretrained: True               # 是否使用pretrained模型
finetune: False                # 是否进行finetune

开始训练，在终端输入： 

python train.py -c configs/config.yaml

​​

训练完成后，训练集的Accuracy在98.0%以上，测试集的Accuracy在95.0%左右

（4） 可视化训练过程

训练过程可视化工具是使用Tensorboard，在终端(Terminal)输入命令：

使用教程，请参考：项目开发使用教程和常见问题和解决方法

# 需要安装tensorboard==2.5.0和tensorboardX==2.1
# 基本方法
tensorboard --logdir=path/to/log/
# 例如
tensorboard --logdir=work_space/mobilenet_v2_1.0_CrossEntropyLoss_20230313090258/log

可视化效果 

​​​​

 ​​ 

（5） 吸烟(抽烟)识别效果

训练完成后，训练集的Accuracy在95.5%以上，测试集的Accuracy在94.5%左右，下表给出已经训练好的三个模型，其中mobilenet_v2的准确率可以达到95.5607%，googlenet的准确率可以达到96.7290%，resnet18的准确率可以达到95.7944%

模型input sizeTest准确率
mobilenet_v2224×22495.5607%
googlenet224×22496.7290%
resnet18224×22495.7944%
  • 测试图片文件
# 测试图片（Linux系统）
image_dir='data/test_image' # 测试图片的目录
model_file="data/pretrained/mobilenet_v2_1.0_224_224_CrossEntropyLoss_20230629161618/model/best_model_045_95.5607.pth" # 模型文件
out_dir="output/" # 保存检测结果
python demo.py --image_dir $image_dir --model_file $model_file --out_dir $out_dir

Windows系统，请将$image_dir， $model_file ，$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 --model_file data/pretrained/mobilenet_v2_1.0_224_224_CrossEntropyLoss_20230629161618/model/best_model_045_95.5607.pth --out_dir output/


  • 测试视频文件
# 测试视频文件（Linux系统）
video_file="data/video-test.mp4" # 测试视频文件，如*.mp4,*.avi等
model_file="data/pretrained/mobilenet_v2_1.0_224_224_CrossEntropyLoss_20230629161618/model/best_model_045_95.5607.pth" # 模型文件
out_dir="output/" # 保存检测结果
python demo.py --video_file $video_file --model_file $model_file --out_dir $out_dir

# 测试视频文件（Windows系统）
python demo.py --video_file data/video-test.mp4 --model_file data/pretrained/mobilenet_v2_1.0_224_224_CrossEntropyLoss_20230629161618/model/best_model_045_95.5607.pth --out_dir output/


  • 测试摄像头
# 测试摄像头（Linux系统）
video_file=0 # 测试摄像头ID
model_file="data/pretrained/mobilenet_v2_1.0_224_224_CrossEntropyLoss_20230629161618/model/best_model_045_95.5607.pth" # 模型文件
out_dir="output/" # 保存检测结果
python demo.py --video_file $video_file --model_file $model_file --out_dir $out_dir

# 测试摄像头（Windows系统）
python demo.py --video_file 0 --model_file data/pretrained/mobilenet_v2_1.0_224_224_CrossEntropyLoss_20230629161618/model/best_model_045_95.5607.pth  --out_dir output/

下面是吸烟(抽烟)检测和识别的效果展示：

 

（6） 一些优化建议

 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： 建议根据自己的业务场景，采集相关数据，比如采集同一个吸烟和不吸烟的数据，提高模型泛化能力；
  2. 使用参数量更大的模型： 本教程使用的是mobilenet_v2模型，属于比较轻量级的分类模型，采用更大的模型（如resnet50），理论上其精度更高，但推理速度也较慢。
  3. 尝试不同数据增强的组合进行训练
  4. 增加数据增强： 已经支持： 随机裁剪，随机翻转，随机旋转，颜色变换等数据增强方式，可以尝试诸如mixup，CutMix等更复杂的数据增强方式
  5. 样本均衡： 原始数据吸烟识别类别数据并不均衡，类别notsmoking的样本数据偏多，而smoking数据偏少，这会导致训练的模型会偏向于样本数较多的类别。建议进行样本均衡处理。
  6. 清洗数据集：原始数据已经进行人工清洗了，但依然存在一些模糊的，低质的，模棱两可的样本；建议你，在训练前，再次清洗数据集，不然会影响模型的识别的准确率。
  7. 调超参： 比如学习率调整策略，优化器（SGD,Adam等）
  8. 损失函数： 目前训练代码已经支持：交叉熵，LabelSmoothing，可以尝试FocalLoss等损失函数

（7） 一些运行错误处理方法

  • 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！！！！！！！！

  • cannot import name 'load_state_dict_from_url' 

由于一些版本升级，会导致部分接口函数不能使用，请确保版本对应

torch==1.7.1

torchvision==0.8.2

或者将对应python文件将

from torchvision.models.resnet import model_urls, load_state_dict_from_url

修改为：

from torch.hub import load_state_dict_from_url
model_urls = {
    'mobilenet_v2': 'https://download.pytorch.org/models/mobilenet_v2-b0353104.pth',
    'resnet18': 'https://download.pytorch.org/models/resnet18-5c106cde.pth',
    'resnet34': 'https://download.pytorch.org/models/resnet34-333f7ec4.pth',
    'resnet50': 'https://download.pytorch.org/models/resnet50-19c8e357.pth',
    'resnet101': 'https://download.pytorch.org/models/resnet101-5d3b4d8f.pth',
    'resnet152': 'https://download.pytorch.org/models/resnet152-b121ed2d.pth',
    'resnext50_32x4d': 'https://download.pytorch.org/models/resnext50_32x4d-7cdf4587.pth',
    'resnext101_32x8d': 'https://download.pytorch.org/models/resnext101_32x8d-8ba56ff5.pth',
    'wide_resnet50_2': 'https://download.pytorch.org/models/wide_resnet50_2-95faca4d.pth',
    'wide_resnet101_2': 'https://download.pytorch.org/models/wide_resnet101_2-32ee1156.pth',
}

5.项目源码下载（Python版）

项目源码下载地址：Pytorch实现吸烟(抽烟)检测和识别(含吸烟(抽烟)数据集和训练代码)

整套项目源码内容包含：

  1. 提供吸烟(抽烟)识别分类数据集：smoking-dataset和smoking-video，总共15000+张图片。数据质量较高，可用于深度学习吸烟(抽烟)识别的项目分类模型算法开发。
  2. 提供吸烟(抽烟)识别分类模型训练代码：train.py
  3. 提供吸烟(抽烟)识别分类模型测试代码：demo.py
  4. Demo支持图片，视频和摄像头测试
  5. 支持自定义数据集进行训练
  6. 项目支持模型：resnet18,resnet34,resnet50, mobilenet_v2以及googlenet等常见的深度学习模型
  7. 项目源码自带训练好的模型文件，可直接运行测试: python demo.py
  8. 在普通电脑CPU/GPU上可以实时检测和识别

AI吃大瓜
关注
  • 31
    点赞
  • 踩
  • 95
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 8
    评论
专栏目录
【模型训练】YOLOv7吸烟行为检测
weixin_51154380的博客
10-16 2806
YOLOv7吸烟行为检测
抽烟及打电话行为数据集
06-21
抽烟及打电话行为数据集，适用于深度学习用户抽烟或打电话行为检测。共有5373张图像：打电话数据1227张、吸烟数据2168张、正常数据1978张。
yolov5吸烟检测数据集-yolov5抽烟识别检测数据集.zip
04-18
yolov5吸烟检测数据集-yolov5抽烟识别检测数据集.zip yolov5吸烟检测数据集-yolov5抽烟识别检测数据集.zipyolov5吸烟检测数据集-yolov5抽烟识别检测数据集.zipyolov5吸烟检测数据集-yolov5抽烟识别检测数据集.zipyolov5吸烟检测数据集-yolov5抽烟识别检测数据集.zipyolov5吸烟检测数据集-yolov5抽烟识别检测数据集.zipyolov5吸烟检测数据集-yolov5抽烟识别检测数据集.zipyolov5吸烟检测数据集-yolov5抽烟识别检测数据集.zipyolov5吸烟检测数据集-yolov5抽烟识别检测数据集.zipyolov5吸烟检测数据集-yolov5抽烟识别检测数据集.zipyolov5吸烟检测数据集-yolov5抽烟识别检测数据集.zipyolov5吸烟检测数据集-yolov5抽烟识别检测数据集.zipyolov5吸烟检测数据集-yolov5抽烟识别检测数据集.zipyolov5吸烟检测数据集-yolov5抽烟识别检测数据集.zipyolov5吸烟检测数据集-yolov5抽烟识别检测数据集.zipy
抽烟检测数据集【标注+图片】
04-06
数据集分为三部分，Annotations，Imagenet，JPEGImages，JPEGImages文件夹中大概有3000+的抽烟图片，并每个用labelImg做了标注，生成了对应xml文件放在Annotations文件夹中。
[数据集][目标检测]驾驶室驾驶员抽烟安全带睁眼闭眼打电话检测数据集VOC+YOLO格式9884张5类别
最新发布
FL1623863129的博客
05-30 153
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称:[“cigarette”,“closeeye”,“openeye”,“phone”,“seatbelt”]特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：9884。标注数量(xml文件个数)：9884。标注数量(txt文件个数)：9884。标注规则：对类别进行画矩形框。
吸烟(抽烟)检测和识别1：吸烟(抽烟)数据集说明(含下载链接)
AI吃大瓜的博客
07-05 6392
吸烟(抽烟)数据集说明(含下载链接),吸烟数据集，抽烟数据集，smoking dataset
基于YOLOv8的摄像头吸烟行为检测系统（Python源码+Pyqt6界面+数据集）
01-28 3467
详细介绍了摄像头下吸烟行为检测系统，在介绍算法原理的同时，给出Pytorch的源码、训练数据集以及PyQt6的UI界面。在界面中可以选择各种图片、视频进行检测识别，可进行置信度、Iou阈值设定，结果可视化等。
用于吸烟动作目标检测的数据集
AI学长
03-17 521
用于吸烟动作目标检测的数据集。 数据集使用labelme标注。 数据集类别分为：吸烟嘴（嘴上吸烟支smoking）、吸烟手（手上拿着烟smoking_hand）。 吸烟动作检测part01有1115张图像。
YOLO目标检测——抽烟吸烟数据集【含对应voc、coco和yolo三种格式标签】
m0_64879847的博客
10-16 775
YOLO目标检测——抽烟吸烟数据集【含对应voc、coco和yolo三种格式标签】
基于Yolov5的吸烟行为识别检测
韩若熙的博客
09-14 5317
上一篇《win10系统下Yolov5目标检测环境搭建（Anaconda3+Pytorch+Yolov5，CPU，无GPU）》中，介绍了win10系统下yolov5的环境搭建步骤，本篇在此环境下，实现吸烟行为识别检测。注意：修改自己对应的类别个数和类别名。
吸烟识别方案
whaosoft143ai的博客
09-25 1967
1.选择一个能走通的方案作为base line ,在此基础上面迭代改进算法和流程;2.修改算法backbone为你自己的方案,并且尝试不同的方案组合,以提高精度;3.改变图像推理的尺寸大小,找到一个合适的大小作为输入;4.将模型转到合适的部署方案,比如TensorRT/onnxruntime等;5.将代码精简,理顺流程,减少不必要的处理过程;6.不断调试,直到选择到合适的超参数;
吸烟行为检测图像数据集的采集与标注
学习日常分享
05-11 4661
(1) 人工智能领域网络公开的标注测试图像数据集介绍 ① MNIST MNIST是一个入门级的计算机视觉数据集，官网给定的数据集分为四个文件，分别是训练及图像和训练集标签、测试集图像和测试集标签。每一个MNIST数据单元有两部分组成：一张包含手写数字的图片和一个对应的标签。训练集有60000行数据，测试集有10000行数据，MNIST数据集的标签是介于0到9的数字，标签数据为One-Hot向量（One-Hot编码，即独热编码，其方法是使用 N位状态寄存器来对 N个状态进行编码，每个状态都有它独立的寄存器位，
YOLO吸烟行为检测数据集+5000数据
05-13
1、吸烟行为检测数据集，5000多张使用lableimg软件标注软件标注好的吸烟数据，图片格式为jpg，标签有两种，分别为xml格式和txt格式，分别保存在两个文件夹中，可以直接用于YOLO系列的吸烟行为检测；目标类别名为smoke； 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743
yolov5抽烟检测数据集.rar
04-17
1、资源内容：yolov5抽烟检测数据集.rar 2、资源特点：其中包括2500章图片，以及相应的text文本标注，包括类别，和烟的坐标。分为训练集、测试集、验证集已划分好，可直接用于训练，亲测有效 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和毕业设计。 4、更多仿真源码下载列表（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。
YOLO抽烟吸烟目标检测数据集1类别(含5000张图片)+对应数量yolo、voc和coco三种格式标签+划分脚本+参考文档
10-13
1、YOLO抽烟吸烟目标检测数据集1类别(含5000张图片)，使用lableimg软件标注，类别说明：抽烟 / 吸烟（1个类别），资源内含yolo格式标签（txt文件）、voc格式标签（xml文件）和coco格式标签（json文件）三种格式标签，多少张图片就对应多少个标签，分别存放在不同文件夹下，可以直接用于YOLO系列的目标检测。 2、附赠 参考文档（YOLO环境搭建+训练案例）和 数据集划分脚本，可以根据自己需求自行按比例划分训练集、验证集、测试集。 3、数据集详情展示和更多数据集下载：https://blog.csdn.net/m0_64879847/article/details/132301975 4、如需 其他种类数据集 或 更多数量 请私信博主~ 5、免责声明：本数据集不一定满足所有人的需求，数据集只提供合理标注，不对训练的模型或者权重文件精度作任何保证（如果对精度要求较高可以自行使用lableimg软件微调标框），介意误购，如不存在资源缺失问题概不负责。
抽烟检测数据集yolov5 6.2 吸烟检测
11-08
其中包含5000多张图片，以及相应的text文本标注，包括类别，和烟的坐标。内容为抽烟图片，格式对标yolov5.6.2，修正一下路径和类别即可直接执行训练。
吸烟(抽烟)检测和识别2：Pytorch实现吸烟(抽烟)检测和识别(含吸烟(抽烟)数据集和训练代码).txt
07-10
吸烟(抽烟)检测和识别1：吸烟(抽烟)数据集说明(含下载链接):...吸烟(抽烟)检测和识别2：Pytorch实现吸烟(抽烟)检测和识别(含吸烟(抽烟)数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/131521338
吸烟(抽烟)检测和识别1：吸烟(抽烟)数据集说明(含下载链接).txt
07-10
吸烟(抽烟)检测和识别1：吸烟(抽烟)数据集说明(含下载链接):...吸烟(抽烟)检测和识别2：Pytorch实现吸烟(抽烟)检测和识别(含吸烟(抽烟)数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/131521338
基于yolov5+pytorch模型的吸烟识别检测系统源码（毕业设计）.zip
08-29
基于yolov5+pytorch模型的吸烟识别检测系统源码（毕业设计）.zip 该项目是个人毕业设计项目源码，评审分达到95分以上，都经过严格调试，确保可以运行！放心下载使用。 基于yolov5+pytorch模型的吸烟识别检测系统...
基于yolov7的海上船舶检测和识别(附代码和数据集,windows系统)
12-06
基于YOLOv7的海上船舶检测和识别。 YOLOv7是一种目标检测算法，可以快速准确地检测出图像中的目标物体。基于YOLOv7实现海上船舶的检测和识别，需要准备相应的代码和数据集，并在Windows系统中进行实现。 首先，需要下载YOLOv7的代码和预训练权重。可以从开源项目中获取到YOLOv7的代码，如GitHub上的"ultralytics/yolov3"。 其次，为了训练自己的船舶检测模型，需要准备船舶的数据集。可以从公开的船舶数据集中获取数据，如MSCOCO数据集。将数据集按照标注的方式进行准备，每个图片对应一个标注文件，其中包含了船舶的边界框和类别。 然后，在Windows系统中安装相应的Python环境和依赖库。可以使用Anaconda进行环境的搭建，安装必要的依赖库，如PyTorch和OpenCV等。 接下来，使用训练集进行模型的训练。使用YOLOv7的训练脚本，指定训练集和验证集的路径，设置相应的参数，如批次大小、学习率和迭代次数等。通过反复的训练和调优，可以得到一个较好的船舶检测模型。 最后，使用训练好的模型进行船舶的检测和识别。将测试集的图像输入到模型中，模型会输出检测到的船舶的位置和类别信息。可以使用OpenCV等工具对检测结果进行可视化展示，或者根据需求进行后续的处理和分析。 总之，基于YOLOv7的海上船舶检测和识别需要准备相应的代码和数据集，并进行环境的搭建和模型的训练。通过这些步骤，可以实现对海上船舶的自动检测和识别。
评论 8
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