基于yolov5-master的口罩/行人检测

项目ui如下：

一  前言：

本系统主要用到了anaconda3+python3.9.0+torch==1.13.0+cu116+torchvision==0.14.0+cu116

强烈推荐用anaconda3虚拟环境，因为本项目对plotting.py模块做了改动，如果不用独立的虚拟环境，以后有项目再用到plotting.py的地方会报错

anaconda安装包（附图文安装教程）：

http://链接：https://pan.baidu.com/s/1nM62y_F9fHxLL_CoUOATjA?pwd=1111

torch安装包：

http://链接：https://pan.baidu.com/s/1eUQjUhe8We5UejfmfKOzWQ?pwd=1111

torchvision安装包：

https://pan.baidu.com/s/1wd8Srv8hSE7Lsr-yD6baYg?pwd=1111

torch和torchvision安装教程：

https://pan.baidu.com/s/1gPRB_UwREi2yM7-pydCdKw?pwd=1111

yolov5源码：

https://github.com/ultralytics/yolov5

第一次用yolov5的话，需要先下载模型，有时候下载挺慢的，我把我下载好的模型文件放下下面：

 https://pan.baidu.com/s/1pTKzTDA5nQY-7IsjJkj1fw?pwd=1111

下载完把yolov5.pt放在源码文件夹里， 放在yolov5-master下一级就好

二  准备数据集：

我的数据集是在kaggle上找到的，有需要自取：

person and car

mark

里边的yaml文件是要用的，也要下载哦

下载后我们要进行划分（因为我的数据集已经是经过数据增强的了）

数据增强：

import math
import os
# -*- coding=utf-8 -*-
# 包括:
#     1. 改变亮度
#     2. 加噪声
#     3. 对比度
# 注意:
#     random.seed(),相同的seed,产生的随机数是一样的!!
import random
import shutil

import cv2 as cv
import numpy as np
from skimage import exposure

# 调整亮度
from tqdm import tqdm


def changeLight(img, inputtxt, outputiamge, outputtxt):
    # random.seed(int(time.time()))
    flag = random.uniform(0.5, 1.5)  # flag>1为调暗,小于1为调亮
    label = round(flag, 2)
    (filepath, tempfilename) = os.path.split(inputtxt)
    (filename, extension) = os.path.splitext(tempfilename)
    outputiamge = os.path.join(outputiamge + "/" + filename + "_" + '1' + ".jpg")
    outputtxt = os.path.join(outputtxt + "/" + filename + "_" + '1' + extension)

    ima_gamma = exposure.adjust_gamma(img, 0.5)

    shutil.copyfile(inputtxt, outputtxt)
    cv.imwrite(outputiamge, ima_gamma)


# 加噪声
def gasuss_noise(image, inputtxt, outputiamge, outputtxt, mean=0, var=0.01):
    """
        添加高斯噪声
        mean : 均值
        var : 方差
    """
    image = np.array(image / 255, dtype=float)
    noise = np.random.normal(mean, var ** 0.5, image.shape)
    out = image + noise

    if out.min() < 0:
        low_clip = -1.
    else:
        low_clip = 0.
    out = np.clip(out, low_clip, 1.0)
    out = np.uint8(out * 255)

    (filepath, tempfilename) = os.path.split(inputtxt)
    (filename, extension) = os.path.splitext(tempfilename)
    outputiamge = os.path.join(outputiamge + "/" + filename + "_2" + "_" + ".jpg")
    outputtxt = os.path.join(outputtxt + "/" + filename + "_2" + "_" + extension)

    shutil.copyfile(inputtxt, outputtxt)
    cv.imwrite(outputiamge, out)


# 对比度调整算法
def ContrastAlgorithm(rgb_img, inputtxt, outputiamge, outputtxt):
    img_shape = rgb_img.shape
    temp_imag = np.zeros(img_shape, dtype=float)
    for num in range(0, 3):
        # 通过直方图正规化增强对比度

        in_image = rgb_img[:, :, num]
        # 求输入图片像素最大值和最小值
        Imax = np.max(in_image)
        Imin = np.min(in_image)
        # 要输出的最小灰度级和最大灰度级
        Omin, Omax = 0, 255
        # 计算a 和 b的值
        a = float(Omax - Omin) / (Imax - Imin)
        b = Omin - a * Imin
        # 矩阵的线性变化
        out_image = a * in_image + b
        # 数据类型的转化
        out_image = out_image.astype(np.uint8)
        temp_imag[:, :, num] = out_image
    (filepath, tempfilename) = os.path.split(inputtxt)
    (filename, extension) = os.path.splitext(tempfilename)
    outputiamge = os.path.join(outputiamge + "/" + filename + "_3" + ".jpg")
    outputtxt = os.path.join(outputtxt + "/" + filename + "_3" + extension)
    shutil.copyfile(inputtxt, outputtxt)
    cv.imwrite(outputiamge, temp_imag)


if __name__ == '__main__':
    inputiamge = "mydata/mark_image"
    inputtxt = "mydata/mark_label"
    outputiamge = "mydata/mark_image"
    outputtxt = "mydata/mark_label"
    angle = [30, 60, 90, 120, 150, 180]
    tempfilename = os.listdir(inputiamge)
    for file in tqdm(tempfilename, desc="Processing"):
        (filename, extension) = os.path.splitext(file)
        input_image = os.path.join(inputiamge + "/" + file)
        input_txt = os.path.join(inputtxt + "/" + filename + ".txt")

        img = cv.imread(input_image)
        # 图像亮度变化
        changeLight(img, input_txt, outputiamge, outputtxt)
        # 加高斯噪声
        gasuss_noise(img, input_txt, outputiamge, outputtxt, mean=0, var=0.001)
        # 改变图像对比度
        ContrastAlgorithm(img, input_txt, outputiamge, outputtxt)

    print("###finished!!!")

接下来是划分数据集：

# 将图片和标注数据按比例切分为 训练集和测试集
import shutil
import random
import os

# 原始路径
image_original_path = 'E:/mydata/classroom/dataset/images/'
label_original_path = 'E:/mydata/classroom/dataset/labels/'
# 训练集路径
train_image_path = 'datasets/train/images/'
train_label_path = 'datasets/train/labels/'
# 验证集路径
val_image_path = 'datasets/val/images/'
val_label_path = 'datasets/val/labels/'
# 测试集路径
test_image_path = 'datasets/test/images/'
test_label_path = 'datasets/test/labels/'

# 数据集划分比例，训练集75%，验证集15%，测试集15%
train_percent = 0.7
val_percent = 0.15
test_percent = 0.15


# 检查文件夹是否存在
def mkdir():
    if not os.path.exists(train_image_path):
        os.makedirs(train_image_path)
    if not os.path.exists(train_label_path):
        os.makedirs(train_label_path)

    if not os.path.exists(val_image_path):
        os.makedirs(val_image_path)
    if not os.path.exists(val_label_path):
        os.makedirs(val_label_path)

    if not os.path.exists(test_image_path):
        os.makedirs(test_image_path)
    if not os.path.exists(test_label_path):
        os.makedirs(test_label_path)


def main():
    mkdir()

    total_txt = os.listdir(label_original_path)
    num_txt = len(total_txt)
    list_all_txt = range(num_txt)  # 范围 range(0, num)

    num_train = int(num_txt * train_percent)
    num_val = int(num_txt * val_percent)
    num_test = num_txt - num_train - num_val

    train = random.sample(list_all_txt, num_train)
    # train从list_all_txt取出num_train个元素
    # 所以list_all_txt列表只剩下了这些元素：val_test
    val_test = [i for i in list_all_txt if not i in train]
    # 再从val_test取出num_val个元素，val_test剩下的元素就是test
    val = random.sample(val_test, num_val)
    # 检查两个列表元素是否有重合的元素
    # set_c = set(val_test) & set(val)
    # list_c = list(set_c)
    # print(list_c)
    # print(len(list_c))

    print("训练集数目：{}, 验证集数目：{},测试集数目：{}".format(len(train), len(val), len(val_test) - len(val)))
    for i in list_all_txt:
        name = total_txt[i][:-4]

        srcImage = image_original_path + name + '.jpg'
        srcLabel = label_original_path + name + '.txt'

        if i in train:
            dst_train_Image = train_image_path + name + '.jpg'
            dst_train_Label = train_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_train_Image)
            shutil.copyfile(srcLabel, dst_train_Label)
        elif i in val:
            dst_val_Image = val_image_path + name + '.jpg'
            dst_val_Label = val_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_val_Image)
            shutil.copyfile(srcLabel, dst_val_Label)
        else:
            dst_test_Image = test_image_path + name + '.jpg'
            dst_test_Label = test_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_test_Image)
            shutil.copyfile(srcLabel, dst_test_Label)


if __name__ == '__main__':
    main()

划分完应该是：

yaml文件放到data文件夹下，注意更改里边的目录，改为你的数据集的绝对路径（相对路径容易报错）

准备好了之后可以修改train.py里的参数了

改为你的yaml文件，200是我的训练轮数

好了可以开始训练了

训练结果是runs/exp/weight/best.pt

将它保存下来

三  着手项目：

在文件夹里新建weight文件夹，用来存放模型

pyqt5搭建ui

 UI设计：

 在pyuic生成的py文件里，通过paintEvent绘制一个蓝色方框，作为检测范围

 设置模型：

 开始检测：

停止检测：

detect模块里：

main.py里调用

查看回放功能：

查看检测记录：

设置检测区域

实现只检测所框选区域：

detect.py：

plotting.py：

编写结束，运行main.py即可：