基于yolov3的口罩检测

最新推荐文章于 2024-03-10 15:50:37 发布
VIP文章 最新推荐文章于 2024-03-10 15:50:37 发布
阅读量8.4k 收藏 50
点赞数 1
分类专栏： 深度学习 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kan2281123066/article/details/104611890
版权

1、数据集准备
假设已经有了标注好的一分部数据，
（1）运行voc2yolo3.py生成txt文件，保存在ImageSets/Main目录下
（2）修改voc_annotation.py中的classes

classes = ["mask", "unmask"]

运行后，生成三个txt文件，每一行对应的是一张图片的位置，标注的真实框位置以及label， 0代表戴口罩，1代表未戴口罩:
在这里插入图片描述
我的目录结构：
在这里插入图片描述

2、修改先验框中的值
根据训练集中标注框的大小，利用kmeans.py生成合适的先验框保存在model_data下的yolo_anchors.txt和tiny_yolo_anchors.txt中，而不使用官方给定的。这里有两种架构，yolov3_tiny架构和yolov3架构，k=9，生成yolo_anchors；k=6，生成tiny_yolo_anchors。
在这里插入图片描述
然后，将model_data下的voc_classes.txt中的类别修改为需要的类别&

最低0.47元/天 解锁文章
开开_王子
关注
  • 1
    点赞
  • 踩
  • 50
    收藏
    觉得还不错? 一键收藏
  • 10
    评论
专栏目录
基于改进YOLOv3的自然场景人员口罩佩戴检测算法
05-06
针对新冠肺炎防控期间肉眼识别判断行人是否佩戴口罩效率低且存在较大风险的问题, 提出一种改进检测目标边框损失的自然场景下行人是否佩戴口罩的检测算法. 该算法对YOLOv3损失函数进行改进, 应用GIoU计算目标边界框损失, 完成自然场景下行人是否佩戴口罩的检测. 算法在开源的WIDER FACE数据集和MAFA数据集上训练, 采集自然场景图片进行测试, 行人是否佩戴口罩的mAP (mean Average Precision)达到了88.4%, 取得了较高的检测准确率, 在自然场景视频检测中平均每秒传输帧数达到38.69, 满足实时检测的要求.
Pythton3爬虫实战——肺炎疫情数据
qq_30091249的博客
02-13 1886
爬虫思路 第一步 获取我们所需要的数据 腾讯、网易、丁香医生等平台都有此次疫情的实时数据。在爬取了各个平台的数据后发现丁香医生所返回的数据是静态的。想要在腾讯和网易爬取则需要使用selenium库的一些功能进行爬取，是较为麻烦的。于是选择了较为简单的丁香。使用 requests+BeautifulSoup爬取数据 def get_one_page(url): try: h...
012yolov3口罩识别检测_是否佩戴规范检测_qt界面
最新发布
CSDSFDSADAD的博客
03-10 797
084基于CNN卷积神经网络的核桃品质检测_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、Efficie。083基于深度学习的手势识别小程序版本_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、Efficien。
口罩检测数据集 YOLO格式+Voc格式 一会链接放在下边 自己
qq_44788556的博客
07-07 355
玩目标检测的萌新们可以直接用这个口罩数据集 里边有VOC和YOLO格式，训练集 测试集 验证集
基于yolo的口罩识别(开源代码和数据集)
热门推荐
陶陶name
02-17 2万+
2020年开头真的很人意外，开年爆发了疫情。此次疫情牵动了各行各业，在这里衷心的感谢奋斗在一线的医疗工作者：您们辛苦了。作为一名非医专业的学生，在这样情况下，除了不乱跑以外，我也想以另一种方式去致敬那些保护着全国人民安全的工作人员。接下来就来介绍本项目的开发过程。 1. 开发环境 笔者的开发环境如下： ubuntu16.04 PyTorch 1.1.0 anaconda opencv-pyth...
基于YOLOv3的口罩佩戴检测
学习日常分享
07-05 2337
为解决市民口罩佩戴目标检测中因小尺寸目标较多导致其识别精度不高的问题，提出一种基于 ＹＯＬＯｖ３改进的算法 Ｍ＿ＹＯＬＯｖ３。重构特征金字塔机制，把原本３＊３的类金字塔结构扩建为４＊４尺寸，把先验框数量由９增加到１６，通过 以上方法降低神经网络感受野，增强 Ｍ＿ＹＯＬＯｖ３对小尺寸目标的敏感度。将原有的损失函数ＩｏＵ 替 换 为 ＤＩｏＵ ，解决边框回归时难以确认梯度下降方向的问题。基于网络公开的４０６５张口罩数据集的实验结果表明，Ｍ＿ＹＯＬＯｖ３的 ｍＡＰ（平均精 度均值）为８８．４，较 Ｔｉｎｙ＿ＹＯＬ
基于yolov7的口罩检测模型
07-14
1.训练好的yolov7口罩检测模型 2.模型存放在runs文件夹 3.内部有教程 4.精度93%左右 5.有多个训练好的模型可以使用 6.分为3类，戴口罩、未戴口罩和没戴好口罩
基于YOLOV5口罩检测数据集系统+代码+训练好的模型+标注好的数据.zip
05-21
基于YOLOV5口罩检测数据集系统+代码+训练好的模型+标注好的数据，已获导师指导通过的高分课程设计大作业项目。 基于YOLOV5口罩检测数据集系统+代码+训练好的模型+标注好的数据，已获导师指导通过的高分课程设计大...
基于yolov5的戴口罩检测系统
06-02
yolov5口罩检测，数据集训练结果，包含训练好的权重文件和各种训练曲线图，保存在runs/train文件夹中，附有代码和检测结果以及测试数据集，类别为戴口罩：face_mask 和不戴口罩。
毕业设计：基于 yolov3 的口罩检测系统源码.zip
07-09
毕业设计：基于 yolov3 的口罩检测系统源码.zip
YOLOv3_mask：YOLOv3实现口罩检测
02-14
YOLOv3_breath_mask 基于YOLOV3的口罩可以检测到2020年新型冠状病毒，针对公共场所检测人员是否放置口罩，故用YOLOV3完成一个人体口罩替代检测。 效果展示 环境 的Python： 3.7.4 Tensorflow-GPU 1.14.0 Keras： 2.2.4 最好用性能强的螺丝训练，不然会很慢，而且可能会跑停 数据集 [口罩检测数据集]需要准备已经标注好的口罩数据集.jpg与.xml对应breath_anchors.txt中是先验框对应的大小breath_classes.tst中是放置对应数据集的类别 训练 准备数据集 按照VOC数据集的格式来准备数据集，以及图片以及xml标签 VOCdevkit -VOC2007 ├─ImageSets # 存放数据集列表文件，由voc2yolo3.py文件生成 ├─Annotations # 存放图片标
面罩识别：基于YOLOv3的口罩对准识别（识别是否对准口罩），使用MFC制作了客户端
01-31
口罩戴式识别 效果展示： : 由于本软件需要基于CUDA加速，所以需要运行计算机预先安装好CUDA以及cuDNN，并且需要自行编译Darknet后才能运行。 环境要求 安装CUDA以及cuDNN CUDA下载地址： : cuDNN下载地址： : 安装Microsoft VS2015 下载OpenCV 4.1.0 其他版本理论上也可以，但需要更改以后需要编译的项目中的文件名 修改。\ MFCyolo \ darknet-master \ build \ darknet \ darknet.vcxproj 使用搜索CUDA，将文件中28处CUDA版本替换计算机已经安装的版本。 。。\ MFCyolo \ darknet-master \ build \ darknet \ darknet.sln文件并进行以下配置 第1步：OpenCV环境变量配置我的电脑--->属性--->高级系统设置--->高级--->环境变量--->系统变量--->路径->编辑，将OpenCV安装目录的bin目录添加进去，记得加上分号，本人电脑上的路径为：D：\ opencv \ build \ x64
人工智能-深度学习-yolov3口罩佩戴识别
纯洁的小魔鬼
08-27 1万+
一.基础环境 windows 10 cuda 10.0 python3.7.4 tensorflow-gpu 1.14.0 keras2.24 numpy==1.16.5 二.下载keras-yolo3代码 从github上下载: https://github.com/qqwweee/keras-yolo3 代码解构如下: 三.下载权重并测试 本项目所用权重文件: 权重文件 官方提供的地址: yolov3.weights yolov3-tiny.weights 共有两个权重文件 yolov3.weig
[教学]基于yolov3的口罩检测_是否规范佩戴口罩识别+qt界面含代码
分享知识
06-03 696
直接上效果图：代码十分的简洁qt界面调用模型检测的代码如下：
毕业设计-基于机器复杂场景口罩佩戴检测-YOLO
Hai_Lang_IT的博客
01-01 861
毕业设计-基于机器复杂场景口罩佩戴检测-YOLO：针对公共场所口罩佩戴检测存在遮挡、密集和小尺度的情况而导致检测精度不高的问题，以实时目标检测算法 YOLOv3 为基础提出一种 Mask-YOLO 算法。新型冠状病毒具有很强的传播性，其传播途径以呼吸道传播和接触传播为主，因此在公共场所正确佩戴口罩可以有效防止病毒传播。然而在中国疫情已进入常态化的防控阶段，人员密集的公共场所依然存在着不正确佩戴口罩甚至不佩戴口罩的现象，这将增加病毒传播的风险。为了在公共场所实现安全防疫和高效监管的目标，有必要采取智能化的目标
yolov3口罩识别检测_是否佩戴规范检测_qt界面
huaxiahghj的博客
09-05 79
使用多层特征融合进行上下文建模：为了更好地利用图像的上下文信息，YOLOv3引入了多层特征融合的策略，将不同层次的特征进行融合，使模型能够更好地理解目标与背景之间的关系。单阶段检测：YOLOv3采用了单阶段的检测策略，将物体的检测和分类任务合并到一个神经网络中，直接从输入图像中预测目标位置和类别，而不需要借助额外的候选区域生成过程。多尺度特征提取：YOLOv3通过使用不同尺度的特征图来检测不同大小的目标。其中dataset文件夹下放的是口罩数据集，有图片和对应的标签文件，标签文件记录的是口罩的位置信息。
写一个基于yolov5口罩检测的概要设计和详细设计
06-06
好的，我来为你设计一个基于yolov5口罩检测的概要设计和详细设计。 一、概要设计 1.需求分析 本项目要求实现基于yolov5的口罩检测系统，要求能够实时检测人脸和口罩，输出检测结果。 2.系统架构 本系统采用客户端-服务器模式，客户端采用Python编写，服务器采用Flask框架实现。客户端负责采集视频流、对视频流进行预处理、发送请求等操作，服务器负责接收请求、对请求进行处理、返回检测结果等操作。 3.算法选择 本系统采用yolov5算法进行口罩检测。yolov5算法是目标检测领域的一种经典算法，具有高精度和高效率的特点。 4.技术选型 本系统采用Python语言进行开发，使用Flask框架实现服务器端，使用yolov5算法进行口罩检测。 二、详细设计 1.客户端设计 客户端主要包括视频流采集、预处理和请求发送三个模块。具体实现如下： 视频流采集模块：使用OpenCV库实现摄像头的视频流采集。 预处理模块：对视频流进行预处理，包括人脸检测、人脸对齐和图像缩放等操作。人脸检测使用OpenCV自带的Haar特征分类器进行检测，人脸对齐使用dlib库中的68个关键点进行对齐，图像缩放使用OpenCV库中的resize函数进行缩放。 请求发送模块：使用requests库发送POST请求到服务器端，请求数据为预处理后的视频流。 2.服务器端设计 服务器端主要包括请求接收、口罩检测和结果返回三个模块。具体实现如下： 请求接收模块：使用Flask框架实现路由，接收客户端发送的POST请求。 口罩检测模块：使用yolov5算法进行口罩检测。首先对接收到的视频流进行解码，然后对每一帧图像进行口罩检测。检测结果包括人脸坐标、口罩坐标和置信度等信息。 结果返回模块：将检测结果封装成JSON格式，返回给客户端。 三、总结 本设计基于yolov5实现了口罩检测系统，通过客户端-服务器模式，实现了对实时视频流的检测和分析。该系统具有高精度和高效率的特点，可用于实际场景中的口罩检测。

“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 10
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
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