YOLO v5训练安全帽检测

一、YOLO v5训练安全帽检测数据集
1.1 下载数据集Safety-Helmet-Wearing-Dataset ​
1.2 环境准备

• 在pychram的terminal的conda环境下输入：pip install -r requirements.txt # install
  

requirements.txt的具体python、pytorch环境以及安装包

• 其中pycocotools 的Linux安装方式: pip install pycocotools; Windows: pip install pycocotools-windows。如果仍然出错可以参考这个教程。

1.3 将下载的voc类型转成coco类型
voc数据集的排列方式为：
├── VOC2028数据集根目录
│ ├── Annotations
│ │ ├── 00000.xml 单个图片的xml文件，包含具体xyhw坐标，标签类别信息，图像大小等信息
│ │ └── 00001.xml
│ └──ImageSets
│ │ ├──main
│ │ └──test.txt 所有测试集的文件名的文档
│ │ └──train.txt
│ │ └──trainval.txt
│ │ └──val.txt
│ └──JPEGImage 所有数据集的图片目录

coco数据集的排列方式为：
├── 数据集根目录
│ ├── train 训练集目录
│ │ ├── images 训练集图像目录
│ │ └── labels 训练集标签目录
│ └── val 验证集目录
│ ├── images 验证集图像目录
│ └── labels 验证集标签目录

• 使用项目的trans_voc2yolo.py，根据下载好的数据集地址修改路径，可得到coco数据类型，执行代码后会把coco类型的数据保存在当前项目下的my_yolo_dataset中。
  
  
  1.4 根据数据集的分类类别（hat、person、dog）修改相应的helment.yaml文件，并将其保存在data目录下：
  
  

1.5 使用项目中的train.py，并修改相应路径。
本次在yolov5s的预训练权重基础上，使用下载好的数据集（coco类型），继续训练20个eopch。

此外，由于数据集不同，yolov5s.yaml文件的anchor对应三种尺寸特征图的先验框大小不同，因此，使用该参数可根据k-means算法生成先验框，自动调整anchor大小 。

1.6看训练完成后的结果：

召回率、精度、mAP 的计算

1.6 推理部分
使用detect.py，修改相关参数，得到预测的结果。

输入的原图

检测后的输入图