用darknet（yolo）进行安全帽检测流程

最新推荐文章于 2022-05-13 10:39:35 发布
最新推荐文章于 2022-05-13 10:39:35 发布
阅读量428 收藏
点赞数
原文链接：https://blog.csdn.net/AndyZZhang/article/details/105974929
版权

安装darknet
打开终端（Ctrl shift T）

git clone https://github.com/pjreddie/darknet
如果是用CPU训练的话（不建议），注意Makefile文件中前五行应该是

GPU=0
CUDNN=0
OPENCV=0
OPENMP=0
DEBUG=0

若是用GPU训练，应首先确保电脑中安装了CUDA，并且Makefile文件中前五行应该是

GPU=1
CUDNN=1
OPENCV=0
OPENMP=0
DEBUG=0
然后在darknet目录下进行编译

make
下载数据集
安全帽数据集 提取码：5td8
解压文件（在当前文件夹下）：

unzip zipped_file.zip
如果没有unzip需要下载：

sudo apt install unzip
解压后VOC2028目录里应该有三个文件夹：

处理数据集
将helmet-label.py（提取码：fiey）下载到VOC2028目录下。

运行。

python helmet-label.py
成功运行之后VOC2028目录里会增加四个txt文件和一个labels文件夹
注意，训练集文件可能会存在后缀不统一问题。如图示：

为防止后续运行报错，在完成标签转换之后在VOC2028目录下运行JPGjpg.py（提取码：f1yy）将训练集图片名全改为以.jpg结尾。

python JPGjpg.py
设置cfg文件
在data目录下创建helmet.names文件。内容为：

hat
person
在cfg目录下创建helmet.data文件。内容为：

classes= 2
train  = VOC2028/train.txt #train.txt的地址，如果数据集不在darknet目录下可写成绝对路径
valid  = VOC2028/val.txt #val.txt的地址，如果数据集不在darknet目录下可写成绝对路径
names = data/helmet.names
backup = backup
在cfg目录下下载helmet-train.cfg文件。（提取码：6dii）
注意，为了避免运行时报错（out of memory），建议将batch和subdivisions保持比较小的状态，尤其是训练的时候。

下载预训练权值
进入darknet目录下的终端下载

wget https://pjreddie.com/media/files/darknet53.conv.74
训练
./darknet detector train cfg/helmet.data cfg/helmet-train.cfg darknet53.conv.74
训练成功结果
如果整个过程没有问题，darknet目录下将会多出一个backup文件夹。里面内容为训练好的权值。

测试
注意：若是需要用CPU进行测试，需要将Makefile文件中的GPU和CUDNN置0。

GPU=0
CUDNN=0
并重新编译。进入darknet目录

make clean
make
进入cfg目录，创建helmet-test.cfg文件，其内容和helmet-train.cfg一样，只是需要将前两行改为：

batch=1
subdivisions=1
或者其他数字也可，但是不要太大。

进入darknet目录
1 单张图片测试

./darknet detector test cfg/helmet.data cfg/helmet-test.cfg backup/helmet-train_final.weights VOC2028/JPEGImages/000002.jpg
VOC2028/JPEGImages/000002.jpg为你要测试的图片的地址，如果不在darknet目录下写成绝对路径。

2 批量图片测试
参考文件：https://blog.csdn.net/mieleizhi0522/article/details/79989754

打开example目录下的detector.c文件，

在文件开头添加*GetFilename(char *p)函数（注意后面的注释）
#include "darknet.h"
#include <sys/stat.h>
#include<stdio.h>
#include<time.h>
#include<sys/types.h>
static int coco_ids[] = {1,2,3,4,5,6,7,8,9,10,11,13,14,15,16,17,18,19,20,21,22,23,24,25,27,28,31,32,33,34,35,36,37,38,39,40,41,42,43,44,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,67,70,72,73,74,75,76,77,78,79,80,81,82,84,85,86,87,88,89,90};
 
char *GetFilename(char *p)
{ 
    static char name[20]={""};
    char *q = strrchr(p,'/') + 1;
    strncpy(name,q,6);//注意后面的6，如果你的测试集的图片的名字字符（不包括后缀）是其他长度，请改为你需要的长度（官方的默认的长度是6）
    return name;
}

用以下代码代替源代码中的void test_detector函数（注意第70、72、106行、要改成自己希望测试图片结果保存的路径）
void test_detector(char *datacfg, char *cfgfile, char *weightfile, char *filename, float thresh, float hier_thresh, char *outfile, int fullscreen)
{
    list *options = read_data_cfg(datacfg);
    char *name_list = option_find_str(options, "names", "data/names.list");
    char **names = get_labels(name_list);
 
    image **alphabet = load_alphabet();
    network *net = load_network(cfgfile, weightfile, 0);
    set_batch_network(net, 1);
    srand(2222222);
    double time;
    char buff[256];
    char *input = buff;
    float nms=.45;
    int i=0;
    while(1){
        if(filename){
            strncpy(input, filename, 256);
            image im = load_image_color(input,0,0);
            image sized = letterbox_image(im, net->w, net->h);
        //image sized = resize_image(im, net->w, net->h);
        //image sized2 = resize_max(im, net->w);
        //image sized = crop_image(sized2, -((net->w - sized2.w)/2), -((net->h - sized2.h)/2), net->w, net->h);
        //resize_network(net, sized.w, sized.h);
            layer l = net->layers[net->n-1];
 
 
            float *X = sized.data;
            time=what_time_is_it_now();
            network_predict(net, X);
            printf("%s: Predicted in %f seconds.\n", input, what_time_is_it_now()-time);
            int nboxes = 0;
            detection *dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes);
            //printf("%d\n", nboxes);
            //if (nms) do_nms_obj(boxes, probs, l.w*l.h*l.n, l.classes, nms);
            if (nms) do_nms_sort(dets, nboxes, l.classes, nms);
                draw_detections(im, dets, nboxes, thresh, names, alphabet, l.classes);
                free_detections(dets, nboxes);
            if(outfile)
             {
                save_image(im, outfile);
             }
            else{
                save_image(im, "predictions");
#ifdef OPENCV
                cvNamedWindow("predictions", CV_WINDOW_NORMAL); 
                if(fullscreen){
                cvSetWindowProperty("predictions", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);
                }
                show_image(im, "predictions");
                cvWaitKey(0);
                cvDestroyAllWindows();
#endif
            }
            free_image(im);
            free_image(sized);
            if (filename) break;
         } 
        else {
            printf("Enter Image Path: ");
            fflush(stdout);
            input = fgets(input, 256, stdin);
            if(!input) return;
            strtok(input, "\n");
   
            list *plist = get_paths(input);
            char **paths = (char **)list_to_array(plist);
             printf("Start Testing!\n");
            int m = plist->size;
            if(access("/home/FENGsl/darknet/data/out",0)==-1)//"/home/FENGsl/darknet/data"修改成自己的路径
            {
              if (mkdir("/home/FENGsl/darknet/data/out",0777))//"/home/FENGsl/darknet/data"修改成自己的路径
               {
                 printf("creat file bag failed!!!");
               }
            }
            for(i = 0; i < m; ++i){
             char *path = paths[i];
             image im = load_image_color(path,0,0);
             image sized = letterbox_image(im, net->w, net->h);
        //image sized = resize_image(im, net->w, net->h);
        //image sized2 = resize_max(im, net->w);
        //image sized = crop_image(sized2, -((net->w - sized2.w)/2), -((net->h - sized2.h)/2), net->w, net->h);
        //resize_network(net, sized.w, sized.h);
        layer l = net->layers[net->n-1];
 
 
        float *X = sized.data;
        time=what_time_is_it_now();
        network_predict(net, X);
        printf("Try Very Hard:");
        printf("%s: Predicted in %f seconds.\n", path, what_time_is_it_now()-time);
        int nboxes = 0;
        detection *dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes);
        //printf("%d\n", nboxes);
        //if (nms) do_nms_obj(boxes, probs, l.w*l.h*l.n, l.classes, nms);
        if (nms) do_nms_sort(dets, nboxes, l.classes, nms);
        draw_detections(im, dets, nboxes, thresh, names, alphabet, l.classes);
        free_detections(dets, nboxes);
        if(outfile){
            save_image(im, outfile);
        }
        else{
             
             char b[2048];
            sprintf(b,"/home/FENGsl/darknet/data/out/%s",GetFilename(path));//"/home/FENGsl/darknet/data"修改成自己的路径
            
            save_image(im, b);
            printf("save %s successfully!\n",GetFilename(path));
#ifdef OPENCV
            cvNamedWindow("predictions", CV_WINDOW_NORMAL); 
            if(fullscreen){
                cvSetWindowProperty("predictions", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);
            }
            show_image(im, "predictions");
            cvWaitKey(0);
            cvDestroyAllWindows();
#endif
        }
 
        free_image(im);
        free_image(sized);
        if (filename) break;
        }
      }
    }
}

注意：改好detector.c之后要重新编译。
进入darknet目录。

make clean
make
进入darknet目录下运行。

./darknet detector test cfg/helmet.data cfg/helmet-test.cfg backup/helmet-train_final.weights

填入所要测试图片集合的txt文件的地址。

注意：test.txt中的图片名称长度是不等的，分别有6、11和12长度，所以建议将test.txt分开为test6.txt，test11.txt，test12.txt便于测试。

VOC2028/test6.txt
若该文件不在darknet目录下需写成绝对路径。

可能出现的问题
1 out of memory
多出现于训练过程中。
解决方案

下调batch 和subdivisious可以降低所需显存。
启动gpu独占模式或使用多块gpu运行
./darknet detector train cfg/helmet.data cfg/helmet-train.cfg darknet53.conv.74 -gpu num=1:mde=exclusive_process

2 can’t load image
Linux和Windows格式不匹配的问题。
用Notepad++打开train.txt

视图>显示符号>显示所有符号；
编辑>换行符>转换为UNIX格式；
确保最后一行有且仅有一个LF;
3 error while loading shared libraries
没有编译，打开终端make一下就行了。

感谢我的小姐妹小缪，小兄弟小王和小姚提供的技术支持。
————————————————
版权声明：本文为CSDN博主「AndyZZhang」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/AndyZZhang/article/details/105974929

njlite
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
YOLOv1 目标检测 训练及训练中存在的问题
Pattorio的博客
05-07 5828
下载的版本为：https://github.com/pjreddie/darknet.git根据官网教程下载VOC数据集及权重：https://pjreddie.com/darknet/yolov1/训练1. 对cfg/yolov1.cfg做修改：    注释掉Testing的部分，使用Training部分，batch=64，subdivisions=8，否则会出现大量-nan，以及loss不收敛...
yolov3 调试(4)：提取 valid 的结果，分治思想下保存识别物体在原图的位置
逐水草而居的造轮人的博客
08-24 1783
import os recognize_list = os.listdir(recognize_dir) for number_
利用Darket 和YOLOV3训练自己的数据集(制作VOC)
热门推荐
I good vegetable a!
08-03 1万+
darkenet源码：https://github.com/pjreddie/darknet.git 1. 配置Darknet 下载darknet源码：git clone https://github.com/pjreddie/darknet 进入darknet目录： cd darknet 如果是cpu直接make,否则需要修改Makefile，设置cuda和cudnn路径： GPU...
YOLOv3训练自己的数据详解
daydayup_668819的博客
12-11 5423
darkenet源码：https://github.com/pjreddie/darknet.git 1. 配置Darknet 下载darknet源码：git clone https://github.com/pjreddie/darknet 进入darknet目录： cd darknet 如果是cpu直接make,否则需要修改Makefile，设置cuda和c...
yolov3实现之模型训练，测试，检测
仰望星空
07-08 8411
前面几篇博客已经对yolov3的具体实现模块已经做了大致的讲解，基于pytorch进行模型训练，测试，检测只是对前面的模块进行组合实现，主要的还是数据的准备，加载，模型搭建，代价函数的求解。 train.py from __future__ import division from models import * from utils.logger import * from utils....
基于Tensorflow实现YOLO V3检测安全帽佩戴.毕设
02-25
在本毕设项目中，我们将会基于TensorFlow框架实现YOLO V3模型，用于检测工人们是否正确佩戴了安全帽。 1. **YOLO V3的核心概念**： - **多尺度检测**：YOLO V3引入了多尺度检测，通过不同大小的锚框（anchor boxes...
Darknet版YOLOv4不同颜色安全帽检测+训练好的weights权重+安全帽数据集
03-08
Darknet版YOLOv4不同颜色的安全帽检测： 1、包含训练好的weights权重文件，以及后缀为cfg、data、names的配置文件，并包含训练map曲线和loss曲线， 2、包含几千张不同颜色安全帽检测数据集，类别名为person和hat，...
基于yolov3的安全帽检测及其训练数据集
06-27
在当前的【标题】"基于yolov3的安全帽检测及其训练数据...总之，这个项目旨在利用YOLOv3深度学习模型进行安全帽检测，通过训练数据集教会模型识别安全帽，从而在实际场景中实现自动监控和预警，提升工作场所的安全性。
yolo3安全帽识别源码
08-11
这个“yolo3安全帽识别源码”是基于YOLOv3模型，针对特定任务——检测建筑工地工人是否佩戴安全帽进行优化的。以下是对这个源码及相关知识点的详细解释： 1. **YOLOv3**：YOLO（You Only Look Once）是一种单阶段的...
【毕业设计Demo】基于Tensorflow实现YOLO V3检测安全帽佩戴.zip
06-29
YOLO（You Only Look Once）是一种实时目标检测系统，它在计算机视觉领域有着广泛的应用，尤其是在安全帽佩戴检测这样的场景中。YOLO V3是YOLO系列的第三个版本，相较于前两代，它在准确性和速度上有了显著的提升，...
darknet在linux下的编译二进制执行文件包（含源码包，开启opencv）
10-13
darknet在linux下的编译输出。本编译输出开启了opencv2.4的选项，未开启gpu支持。
利用 DarkNet 训练和测试神经网络的常用命令
淋曦的进击手记
12-14 1838
此教程在ubuntu下执行，如果在windows下，需将./darknet换成你的darknet.exe的路径。 1. 训练模型 ./darknet detector train [.data] [.cfg] [.weight] 说明： [.data]是.data文件的路径。 [.cfg]是.cfg文件的路径。 [.weight]是预训练权重文件的路径，可以是.weight文件，也可以是.back...
darknet使用detector训练与测试自己的数据
Allyli0022的专栏
04-14 8411
看过几篇博客和官网的介绍，总结出自己切实可行的pipline，思路如下： 第一：下载官网源码，训练测试，检测测试，如果没有问题，进行下一步。 第二：开始做满足其训练的数据，包括图像和带有标注的标准xml格式文件，这一步耗时微长一些，用到了 一下三个工具：             1、P图工具             2、生成xml文件工具     3、转换图像格式工具 第三：数据替换
Darknet （检测自定义对象）安装并使用自己的数据集进行训练完整步骤
baidu_41906969的博客
03-18 1498
Darknet （检测自定义对象），使用自己的数据集进行训练完整步骤。 一、安装darknet 根据官网步骤，进行安装即可，官网连接：https://pjreddie.com/darknet/ 二、将自己的数据集转换成darknet需要的数据格式 之前我有写过转换数据的具体步骤，连接是： 三、下载预训练模型 我使用的是yolov4预训练模型yolov4.conv.137。 四、配置训练要使用的cfg文件 1、建议将 darknet/cfg/yolov4.cfg，copy一份，重命名（可自命名），我取为yol
darknet详解（yolo图像检测）
m0_52571715的博客
11-16 1万+
darknet详解（yolo图像检测） 个人记录整理，如有转载请注明来源 https://blog.csdn.net/weixin_37731771/article/details/103666068， 本文中包含的一张图片来源于网络，如有不妥请与我联系。 文章目录darknet详解（yolo图像检测）简介安装使用使用预先训练模型测试训练自己的模型在Python中整合详解yolov3.cfg 参数详解issues 参考文档 darknet官方文档 Darknet概述 Yolo darknet训练自己
机器学习笔记 - YOLO家族简介
学以致用 知行合一
04-09 4596
目标检测是计算机视觉中最重要的课题之一。大多数计算机视觉问题都涉及检测视觉对象类别，如行人、汽车、公共汽车、人脸等。这一领域不仅限于学术界，而且在视频监控、医疗保健、车载传感和自动驾驶。 许多用例，尤其是自动驾驶，需要高精度和实时推理速度。因此，选择适合速度和准确性要求的物体检测器变得至关重要。YOLO（You Only Look Once）是一种单级目标检测器，用于实现两个目标（即速度和准确性）。而今天，我们将通过涵盖所有 YOLO 变体（例如，YOLOv1、YOLOv2、......
Darknet19的实现
belong_to_you的博客
04-24 2708
环境设置：tensorflow2.1 代码如下： #darknet19细节 import tensorflow as tf from tensorflow.keras.layers import Dense,Flatten,Conv2D,MaxPooling2D,ZeroPadding2D,UpSampling2D from tensorflow.keras.layers import In...
YOLOv4 Darknet模型转成tflite模型然后进行Android设备端部署
HELLOWORLD2424的博客
05-13 2205
YOLOv4 Darknet模型转成Tflite模型然后进行Android设备端部署 文章目录YOLOv4 Darknet模型转成Tflite模型然后进行Android设备端部署前言1. 安卓apk项目的开源1.1 uint8模型的量化1.2 编译并生成apk1.3 int8量化模型运行速度2. YOLOv4 darknet版本转tflite2.1 与样例一样的转换遇到了问题2.3 另一种方法转换2.3.1 修改config2.3.2 修改save_model.py3.3 fp32，fp16，int8转换3
Ubuntu+YOLOV3+安全帽检测
weixin_44580808的博客
06-30 975
Ubuntu+YOLOV3+安全帽检测 今天是2020年上半年最后一天，这是我的第一篇博客， 以前都是把一些思考、问题记录在微信上，觉得还是不太方便，从今后开始就记录在这里吧。 背景介绍 1.为了检测安全帽，数据集大考试2200+1000左右吧，用的服务器是Ubuntu2080ti和1080ti今天都试了 2.服务器平台：智慧星 3.算法：YOLOV3+Darknet网络 感想： 本科的时候学习了Linux，已经很久不用了，按理来说是应该学习一下的，之前因为比较害怕所以一直逃避不去接触Ubuntu，..
安全帽佩戴检测数据集yolov8
最新发布
04-05
安全帽佩戴检测数据集是用于训练和评估安全帽佩戴检测算法的数据集。其中，yolov8是一种常用的目标检测算法，可以用于检测图像或视频中的多个目标。 关于安全帽佩戴检测数据集yolov8，以下是一些可能的介绍和回答： 安全帽佩戴检测数据集yolov8是一个包含了大量图像和标注信息的数据集，用于训练和评估安全帽佩戴检测算法。该数据集中的图像涵盖了各种场景，包括建筑工地、工厂车间等。每个图像都有相应的标注信息，标注了图像中的人员以及他们是否佩戴了安全帽。 yolov8是一种基于深度学习的目标检测算法，它采用了YOLO（You Only Look Once）的思想，能够实现实时目标检测。yolov8算法结合了Darknet和YOLOv3的特点，在保持高准确率的同时提高了检测速度。它可以同时检测多个目标，并输出它们的位置和类别信息。 通过使用安全帽佩戴检测数据集yolov8，我们可以训练一个安全帽佩戴检测模型，该模型可以自动检测图像或视频中的人员是否佩戴了安全帽。这对于工地、工厂等需要佩戴安全帽的场所来说非常重要，可以提高工作场所的安全性。
评论 1
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