引言
在当今社会，吸烟行为对公共健康的影响不容忽视。基于深度学习的吸烟行为检测系统可以有效地监控和分析吸烟行为，从而为公共健康管理提供重要的数据支持。本文将详细介绍一个基于YOLO（You Only Look Once）深度学习模型的吸烟行为检测系统的构建过程，涵盖数据集准备、模型训练、用户界面设计及其实现代码。
项目流程
目录
首先，确保您的项目目录结构如下所示：
smoking_detection/
├── dataset/
│ ├── images/
│ │ ├── train/
│ │ ├── val/
│ │ └── test/
│ ├── labels/
│ │ ├── train/
│ │ ├── val/
│ │ └── test/
│ └── smoking_dataset.yaml
├── yolov5/
│ ├── train.py
│ ├── detect.py
│ ├── utils/
│ └── ... # 其他YOLO文件
├── smoking_detection_ui.py
└── best.pt # 训练好的模型
1. 数据集准备
在 dataset/ 文件夹中，准备您的图像和标签。每个图像应具有对应的YOLO格式标签文件。您可以使用以下示例创建 smoking_dataset.yaml 文件：
# smoking_dataset.yaml
train: ./images/train
val: ./images/val
nc: 2
names: ['smoking', 'not_smoking']
2. YOLO模型训练
在 yolov5 文件夹下，使用以下代码训练YOLO模型。首先，确保已安装YOLOv5并准备好数据集。接下来，运行以下命令：
python train.py --img 640 --batch 16 --epochs 50 --data ../dataset/smoking_dataset.yaml --weights yolov5s.pt
3. 用户界面设计
下面是完整的用户界面代码，使用Tkinter库构建，支持上传图像和实时摄像头检测。
# smoking_detection_ui.py
import tkinter as tk
from tkinter import filedialog, messagebox
import torch
import cv2
import numpy as np
from PIL import Image, ImageTk
class SmokingDetectionApp:
def __init__(self, root, model_path):
self.root = root
self.root.title("吸烟行为检测系统")
self.model = torch.hub.load('ultralytics/yolov5', 'custom', path=model_path, force_reload=True)
# 创建画布
self.canvas = tk.Canvas(root, width=640, height=480)
self.canvas.pack()
# 创建按钮
self.upload_button = tk.Button(root, text="上传图片", command=self.upload_image)
self.upload_button.pack(side=tk.LEFT)
self.camera_button = tk.Button(root, text="摄像头检测", command=self.detect_from_camera)
self.camera_button.pack(side=tk.LEFT)
# 创建结果标签
self.result_label = tk.Label(root, text="检测结果:")
self.result_label.pack()
def upload_image(self):
file_path = filedialog.askopenfilename()
if file_path:
img = Image.open(file_path)
img = img.resize((640, 480))
self.img_tk = ImageTk.PhotoImage(img)
self.canvas.create_image(0, 0, anchor=tk.NW, image=self.img_tk)
# YOLO模型检测
self.perform_detection(img)
def detect_from_camera(self):
cap = cv2.VideoCapture(0)
while True:
ret, frame = cap.read()
if not ret:
break
# YOLO模型检测
results = self.model(frame)
# 将检测结果绘制在帧上
self.draw_boxes(frame, results)
# 将BGR转为RGB以适应PIL图像
frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
img_pil = Image.fromarray(frame)
img_tk = ImageTk.PhotoImage(img_pil)
self.canvas.create_image(0, 0, anchor=tk.NW, image=img_tk)
# 更新界面
self.root.update()
cap.release()
def perform_detection(self, img):
results = self.model(np.array(img))
detection_results = results.pandas().xyxy[0]
self.result_label.config(text=f"检测结果:\n{detection_results}")
def draw_boxes(self, frame, results):
for i in range(len(results.xyxy[0])):
x1, y1, x2, y2, conf, cls = results.xyxy[0][i]
label = f"{self.model.names[int(cls)]} {conf:.2f}"
cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
cv2.putText(frame, label, (int(x1), int(y1)-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
# 启动应用
if __name__ == "__main__":
root = tk.Tk()
app = SmokingDetectionApp(root, model_path='best.pt') # 请根据您的模型路径修改
root.mainloop()
4. 评估模型
使用以下代码评估模型性能，可以通过混淆矩阵、精度、召回率和F1分数等指标进行评估。确保在项目中导入sklearn和seaborn库：
pip install seaborn scikit-learn
from sklearn.metrics import confusion_matrix
import seaborn as sns
import matplotlib.pyplot as plt
# 假设y_true为真实标签，y_pred为模型预测标签
def plot_confusion_matrix(y_true, y_pred):
cm = confusion_matrix(y_true, y_pred)
sns.heatmap(cm, annot=True, fmt='d')
plt.xlabel('Predicted')
plt.ylabel('True')
plt.show()
5. 完整训练流程
在训练完成后，您可以使用以下命令进行模型测试：
python val.py --data ../dataset/smoking_dataset.yaml --weights best.pt
确保根据您的数据集和模型路径进行相应调整。
项目概述
该项目的目标是构建一个能够实时检测吸烟行为的系统。系统将使用YOLOv5、YOLOv6、YOLOv7、YOLOv8、YOLOv10等深度学习模型进行目标检测，采用Tkinter库构建图形用户界面（GUI），支持用户上传图像或使用摄像头进行实时检测。
环境准备
1.1 安装Python及相关库
确保安装了Python 3.x，并通过以下命令安装必要的库：
pip install torch torchvision torchaudio
pip install opencv-python
pip install numpy
pip install matplotlib
pip install tqdm
pip install Pillow
pip install tkinter
1.2 下载YOLO模型
在命令行中执行以下命令下载YOLO模型：
git clone https://github.com/ultralytics/yolov5.git
cd yolov5
pip install -r requirements.txt
数据集准备
2.1 数据集格式
为了训练吸烟行为检测模型，需要准备带标签的图像数据集。数据集应包括吸烟和非吸烟两类样本。每类图像应具有相应的YOLO格式标签文件。
数据集结构应如下所示：
dataset/
├── images/
│ ├── train/
│ ├── val/
│ └── test/
├── labels/
│ ├── train/
│ ├── val/
│ └── test/
└── smoking_dataset.yaml
2.2 创建YAML配置文件
在项目目录下创建 smoking_dataset.yaml 文件，内容如下：
train: ./images/train
val: ./images/val
nc: 2
names: ['smoking', 'not_smoking']
2.3 数据集示例
以下是吸烟和非吸烟图像的示例：
-
吸烟样本：
-
非吸烟样本：
确保在实际项目中使用真实的图像。
模型训练
3.1 训练模型
在yolov5目录下，使用以下命令训练模型：
python train.py --img 640 --batch 16 --epochs 50 --data smoking_dataset.yaml --weights yolov5s.pt
--img：输入图像的大小。--batch：每个训练批次的样本数。--epochs：训练的总轮数。--data：配置文件路径。--weights：预训练模型的路径。
3.2 训练日志
在训练过程中，控制台将输出训练日志，包括损失函数、精度等信息。确保根据这些信息调整超参数以优化模型性能。
用户界面设计
4.1 UI设计
本项目使用Tkinter库创建用户界面。用户可以通过界面上传图片或直接使用摄像头进行实时检测。
4.2 UI代码实现
以下是完整的UI代码实现：
import tkinter as tk
from tkinter import filedialog, messagebox
import torch
import cv2
import numpy as np
from PIL import Image, ImageTk
class SmokingDetectionApp:
def __init__(self, root, model_path):
self.root = root
self.root.title("吸烟行为检测系统")
self.model = torch.hub.load('ultralytics/yolov5', 'custom', path=model_path, force_reload=True)
# 创建画布
self.canvas = tk.Canvas(root, width=640, height=480)
self.canvas.pack()
# 创建按钮
self.upload_button = tk.Button(root, text="上传图片", command=self.upload_image)
self.upload_button.pack(side=tk.LEFT)
self.camera_button = tk.Button(root, text="摄像头检测", command=self.detect_from_camera)
self.camera_button.pack(side=tk.LEFT)
# 创建结果标签
self.result_label = tk.Label(root, text="检测结果:")
self.result_label.pack()
def upload_image(self):
file_path = filedialog.askopenfilename()
if file_path:
img = Image.open(file_path)
img = img.resize((640, 480))
self.img_tk = ImageTk.PhotoImage(img)
self.canvas.create_image(0, 0, anchor=tk.NW, image=self.img_tk)
# YOLO模型检测
self.perform_detection(img)
def detect_from_camera(self):
cap = cv2.VideoCapture(0)
while True:
ret, frame = cap.read()
if not ret:
break
# YOLO模型检测
results = self.model(frame)
# 将检测结果绘制在帧上
self.draw_boxes(frame, results)
# 将BGR转为RGB以适应PIL图像
frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
img_pil = Image.fromarray(frame)
img_tk = ImageTk.PhotoImage(img_pil)
self.canvas.create_image(0, 0, anchor=tk.NW, image=img_tk)
# 更新界面
self.root.update()
cap.release()
def perform_detection(self, img):
results = self.model(np.array(img))
detection_results = results.pandas().xyxy[0]
self.result_label.config(text=f"检测结果:\n{detection_results}")
def draw_boxes(self, frame, results):
for i in range(len(results.xyxy[0])):
x1, y1, x2, y2, conf, cls = results.xyxy[0][i]
label = f"{self.model.names[int(cls)]} {conf:.2f}"
cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
cv2.putText(frame, label, (int(x1), int(y1)-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
# 启动应用
if __name__ == "__main__":
root = tk.Tk()
app = SmokingDetectionApp(root, model_path='best.pt') # 请根据您的模型路径修改
root.mainloop()
完整代码实现
5.1 完整项目结构
以下是项目的完整文件结构示例：
smoking_detection/
├── dataset/
│ ├── images/
│ │ ├── train/
│ │ ├── val/
│ │ └── test/
│ ├── labels/
│ │ ├── train/
│ │ ├── val/
│ │ └── test/
│ └── smoking_dataset.yaml
├── yolov5/
│ ├── train.py
│ ├── detect.py
│ ├── utils/
│ └── ... # 其他YOLO文件
├── smoking_detection_ui.py
└── best.pt # 训练好的模型
5.2 训练过程
确保在训练过程中监控模型性能，使用以下命令评估模型效果：
python val.py --data smoking_dataset.yaml --weights best.pt
模型测试与评估
6.1 测试模型
在训练完成后，使用不同的测试图像和视频评估模型性能。可以使用混淆矩阵、精度、召回率和F1分数等指标评估模型的检测能力。
6.2 性能评估
通过绘制混淆矩阵来可视化模型的性能。可以使用以下代码生成混淆矩阵：
from sklearn.metrics import confusion_matrix
import seaborn as sns
import matplotlib.pyplot as plt
# 假设y_true为真实标签，y_pred为模型预测标签
cm = confusion_matrix(y_true, y_pred)
sns.heatmap(cm, annot=True, fmt='d')
plt.xlabel('Predicted')
plt.ylabel('True')
plt.show()
扫一扫
11万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
