【人工智能项目】基于paddlepaddle平台的安全帽检测比赛

已于 2024-05-31 20:25:00 修改
阅读量1.5k 收藏 20
点赞数 34
分类专栏： 人工智能 文章标签： python 目标检测 paddlepaddle
于 2024-05-24 20:31:53 首次发布
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/weixin_64259675/article/details/139180191
版权

一、问题描述

共包含3类：0:'head', 1:'helmet', 2:'person' 提交格式要求，提交名为pred_result.txt的文件:每一行代表一个目标，每一行内容分别表示 图像名 置信度 xmin ymin xmax ymax 类别

 二、环境配置

paddlepaddle平台

算力尽量选择高一些的，跑模型花的时间少一些

主要应用了paddleX以及 PaddleDetection-2.5.0，paddleX主要用在了数据分割，数据增强等数据预处理的过程中；PaddleDetection-2.5.0中选择了一个模型，没能完全运行完，

模型文件（包含完整路径）为

/home/aistudio/PaddleDetection-2.5.0/configs/yolox/yolox_cdn_tiny_300e_coco.yml，我跑了40epoch，共300epoch，跑完大概需要六七个小时，时间充裕建议跑完

我的数据集存储路径：

三、数据预处理，导库

导库

!pip install paddlex
!pip show paddlex

 分割数据集

!paddlex --split_dataset --format VOC --dataset_dir /home/aistudio/helmet-dataset/train --val_value 0.15

 此时可能归遇到的问题：

这时需要运行

!pip install --upgrade pip
!pip install --user --upgrade pyarrow==11.0.0

之后就可以成功运行上面分割数据集的代码啦

运行结果截图

建议代码生成上述文件，不要自己创建，这是一种人工智能领域常用的文件格式：VOC

安装paddledetection

安装结果会显示在paddle paddle环境左侧主页面中

四、数据增强

import paddlex as pdx  
dataset = pdx.datasets.VOCDetection(  
    data_dir='/home/aistudio/helmet-dataset/train',  
    file_list='/home/aistudio/helmet-dataset/train/train_list.txt',  
    label_list='/home/aistudio/helmet-dataset/train/labels.txt',  
    transforms=pdx.transforms.Compose([  
        pdx.transforms.MixupImage(mixup_epoch=-1),  
        pdx.transforms.RandomDistort(),  
        pdx.transforms.RandomExpand(),  
        pdx.transforms.RandomCrop(),  
        pdx.transforms.RandomHorizontalFlip(),  
        pdx.transforms.BatchRandomResize(  
            target_sizes=[320, 352, 384, 416, 448, 480, 512, 544, 576, 608],  
            interp='RANDOM'  
        ),  
        pdx.transforms.Normalize(  
            mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]  
        )  
    ])  
)  
# 评估时的数据增强  
eval_dataset = pdx.datasets.VOCDetection(  
    data_dir='/home/aistudio/helmet-dataset/train',  
    file_list='/home/aistudio/helmet-dataset/train/val_list.txt',  
    label_list='/home/aistudio/helmet-dataset/train/labels.txt',  
    transforms=pdx.transforms.Compose([  
        pdx.transforms.Resize(  
            target_size=480, interp='CUBIC'  
        ),  
        pdx.transforms.Normalize(  
            mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]  
        )  
    ])  
)

注意根据自己的数据集存储位置修改路径

运行结果

五、修改配置文件

在paddledetection中有些决定模型各类参数的yml文件，需要对这些文件做一定修改，以保证模型训练成功

我的修改路径：/home/aistudio/PaddleDetection-2.5.0/configs/datasets/voc.yml

修改后的版本：红色荧光笔标注处为重点修改路径

修改路径：/home/aistudio/PaddleDetection-2.5.0/configs/runtime.yml

 修改路径：/home/aistudio/PaddleDetection-2.5.0/configs/yolox/yolox_cdn_tiny_300e_coco.yml

修改后的版本：

六、开始训练

import paddle  
# 切换到 PaddleDetection 目录  
%cd /home/aistudio/PaddleDetection-2.5.0/  
# 训练模型，并启用 VisualDL 和评估  
#!python -u tools/train.py -c configs/yolov3/yolov3_darknet53_270e_voc.yml --use_vdl=True --vdl_log_dir=/home/aistudio/work --eval
!export CUDA_VISIBLE_DEVICES=0,1,2,3
!python -u tools/train.py -c configs/yolox/yolox_tiny_300e_coco.yml --use_vdl=True --vdl_log_dir=/home/aistudio/work --eval --resume /home/aistudio/PaddleDetection-2.5.0/output/yolox_tiny_300e_coco/19.pdparams

这里是我训练到第19轮后中断了一下，选择继续训练

训练过程截图

这里有恢复训练的日志显示

信息分析：

这段日志是来自于一个使用PaddleDetection（PPDet）框架进行目标检测任务时的输出。PaddleDetection是PaddlePaddle深度学习框架下的一个目标检测工具箱。从日志中，我们可以提取以下信息：

  1. 保存检查点（Checkpoint）：
    • 时间戳 [05/20 20:45:55] 显示了保存检查点的时刻。
    • ppdet.utils.checkpoint INFO: Save checkpoint: output/yolox_tiny_300e_coco 表示检查点文件被保存在了 output/yolox_tiny_300e_coco 这个路径下。检查点文件通常包含了模型训练时的参数和状态，可以用于之后的继续训练或模型评估。
  2. 评估迭代（Eval Iteration）：
    • [05/20 20:45:57] ppdet.engine INFO: Eval iter: 0 表明评估过程开始了，并且这是第一个评估迭代。
  3. 评估结果：
    • [05/20 20:46:24] ppdet.metrics.metrics INFO: Accumulating evaluatation results... 表明正在收集评估结果。
    • [05/20 20:46:25] ppdet.metrics.metrics INFO: mAP(0.50, 11point) = 84.38% 显示了在IoU阈值为0.5，采用11点插值法（PASCAL VOC的标准）计算出的mAP（平均精度均值）为84.38%。这是一个表示模型性能的指标。
  4. 样本数量和帧率：
    • [05/20 20:46:25] ppdet.engine INFO: Total sample number: 600, averge FPS: 21.286932199614828 说明了评估过程中总共使用了600个样本，并且平均每秒处理的帧数为21.29帧。
  5. 最佳测试bbox AP：
    • [05/20 20:46:25] ppdet.engine INFO: Best test bbox ap is 0.844. 表明到目前为止，在测试集上得到的最佳bbox（边界框）AP（平均精度）是0.844。
  6. 再次保存检查点：
    • [05/20 20:46:26] ppdet.utils.checkpoint INFO: Save checkpoint: output/yolox_tiny_300e_coco 在评估完成后，可能由于达到了某个条件（如最佳AP）或设置，系统再次保存了检查点文件。

从日志中可以看出，使用YOLOX Tiny模型在COCO数据集上进行了训练和评估，并且模型表现良好，达到了84.38%的mAP。

七、结果展示

预测代码

%cd /home/aistudio/PaddleDetection-2.5.0/
!python tools/infer.py -c configs/yolov3/yolov3_darknet53_270e_voc.yml -o weights=/home/aistudio/PaddleDetection-2.5.0/output/yolov3_darknet53_270e_voc/best_model.pdparams --infer_img=/home/aistudio/helmet-dataset/test/images/hard_hat_workers1013.png

选择一张图片预测

模型和预测结果都被保存在output文件夹下

路径：/home/aistudio/PaddleDetection-2.5.0/output/hard_hat_workers1013.png

预测结果如图：

Frank牛蛙
关注
  • 34
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
基于YOLO的安全帽检测方法
05-06
安全帽作为作业工人最基本的个体防护装备，对作业人员的生命安全具有重要意义.但是部分作业人员安全意识缺乏，不佩戴安全帽行为时常发生.本文聚焦于复杂场景下对工作人员是否佩戴安全帽的实时检测.YOLO （You Only Look Once）是当前最为先进的实时目标检测算法，在检测精度和速度上都取得了良好的效果，将YOLO应用于安全帽检测.针对未佩戴安全帽单类检测问题，修改分类器，将输出修改为18维度的张量.基于YOLOv3在ImageNet上的预训练模型，对实际场景下采集到的2010张样本进行标注并训练，根据损失函数和IOU曲线对模型进行优化调参，最终得到最优的安全帽检测模型.实验结果表明，在2000张图片测试集上取得了98.7%的准确率，在无GPU环境下平均检测速度达到了35 fps，满足实时性的检测要求，验证了基于YOLOv3安全帽检测方法的有效性.
基于改进的YOLOv5安全帽佩戴检测算法
05-12
针对现有安全帽佩戴检测干扰性强、检测精度低等问题，提出一种基于改进YOLOv5的安全帽检测新算法。首先，针对安全帽尺寸不一的问题，使用K-Means++算法重新设计先验框尺寸并将其匹配到相应的特征层；其次，在特征提取网络中引入多光谱通道注意力模块，使网络能够自主学习每个通道的权重，增强特征间的信息传播，从而加强网络对前景和背景的辨别能力；最后，在训练迭代过程中随机输入不同尺寸的图像，以此增强算法的泛化能力。实验结果表明，在自制安全帽佩戴检测数据集上，所提算法的均值平均精度（mAP）达到96.0%，而对佩戴安全帽的工人的平均精度（AP）达到96.7%，对未佩戴安全帽的工人的AP达到95.2%，相较于YOLOv5算法，该算法对佩戴安全帽的平均检测准确率提升了3.4个百分点，满足施工场景下安全帽佩戴检测的准确率要求。
基于yolov3的安全帽检测及其训练数据集
06-27
基于yolov3的安全帽检测及其训练数据集 数据集地址：链接: https://pan.baidu.com/s/14Bf0mk0Y-R4tsoQXhmI7Qg 提取码: eajs
Yolov5-v3安全帽检测
05-15
1.这是一个检测是否佩戴安全帽的完整训练代码项目，包含一个已训练好的yolov5m的模型，mAP在90%以上，能直接应用于要求不高的场景上。 2.参考博文：https://blog.csdn.net/matt45m/article/details/124702919?spm=1001.2014.3001.5502
【人工智能】安全帽检测实验
m0_70098011的博客
04-03 1462
Sim: 在Loc的基础上，如果检测框与真值框的类别不相同，但两者同属于一个亚类，则不认为该检测框是错误的，在这种评估要求下的PR曲线, AP为0.961。Oth: 在Sim的基础上，如果检测框与真值框的亚类不相同，则不认为该检测框是错误的，在这种评估要求下的PR曲线，AP为0.961。图3 左边是输入图片，上半部分所示的过程是使用卷积神经网络对图片提取特征，随着网络不断向前传播，特征图的尺寸越来越小，每个像素点会代表更加抽象的特征模式，直到输出特征图，其尺寸减小为原图的1/32。
安全帽检测数据集.zip
06-19
安全帽检测数据集.zip 一共1000多张安全帽佩戴图片，可供安全帽模型检测的数据集。
VOC工地上工人佩戴安全帽检测数据集
05-30
工地上工人佩戴安全帽检测数据集，里面是一些佩戴了安全帽的工人图片数据集和未佩戴安全帽的员工数据集。 1、7000多张标注好的数据图片， 2、类别：person、hat， 3、标签格式分别为txt和xml格式两种, 4、直接用于YOLO目标检测 5、数据集和检测结果：https://blog.csdn.net/zhiqingAI/article/details/124230743
基于paddlepaddle框架的安全帽检测
onerepublic122的博客
06-08 399
安全帽检测
基于PaddleX实现的安全帽检测
m0_63642362的博客
11-30 2254
及时排查安全帽佩戴的规范性并给予提醒，可以大大降低施工安全隐患。通过使用PaddleX中目标检测算法PP-YOLOV2进行视频分析，监控安全帽佩戴，可以提升施工安全系数，辅助实现施工现场智能化建设。
基于Keras实现的Faster-R-CNN安全帽检测模型源码
03-25
项目概述：本项目是一个基于Keras框架实现的Faster R-CNN安全帽检测模型，主要用于识别图像中的安全帽穿戴情况。项目代码开源，托管于GitHub（https://github.com/DataXujing/Faster-R-CNN-Keras）。 技术细节： - ...
YOLOV5安全帽检测数据集
01-05
YOLOV5安全帽检测数据集
PaddleDetection 安全帽检测部署模型
02-18
# 视频预测 !python PaddleDetection/deploy/python/infer.py --model_dir=inference_model/yolov3_darknet53_270e_voc --video_file=mydata/test.avi --device=GPU # 图片预测 !python PaddleDetection/deploy/python/infer.py --model_dir=inference_model/yolov3_darknet53_270e_voc --image_file=mydata/VID_20200310_174419_15.jpg --device=GPU
安全帽的目标检测数据集
03-15
下载内容内包含安全帽目标检测的下载地址
C# PaddleDetection 安全帽检测.rar
09-20
C# PaddleDetection 安全帽检测.rar 完整Demo，自带模型，可直接运行 博客地址： https://blog.csdn.net/lw112190/article/details/133083937
每日一题——Python实现PAT乙级1042 字符统计（举一反三+思想解读+逐步优化）
weixin_44915521的博客
06-09 1134
这些编程思想和哲学理念在编写高效、健壮的代码时至关重要。通过理解和应用这些原则，我们不仅能够写出性能更好的代码，还能在不同情况下做出更加明智的设计决策。通过理解和应用这些哲学和编程思想，可以在不同场景中灵活运用，写出更加高效、健壮和灵活的代码。评估需求：根据实际需求选择最合适的数据结构和算法。避免冗余：尽量避免不必要的重复计算和操作。权衡利弊：在空间和时间之间找到最佳平衡点。灵活应变：根据输入数据的特性，灵活使用动态数据结构和提前决策策略。
基于JavaScript 如何实现爬山算法以及优化方案
乐闻世界
06-10 1417
爬山算法（Hill Climbing Algorithm）是一种常见的启发式搜索算法，常用于解决优化问题。其核心思想是从一个初始状态出发，通过逐步选择使目标函数值增大的邻近状态来寻找最优解。接下来，我们将通过 JavaScript 实现一个简单的爬山算法，帮助大家理解其原理和应用。从一个初始状态开始。评估当前状态的目标函数值。在当前状态的邻居中选择一个目标函数值更大的状态。如果找到了更优的邻居，则移动到该邻居并重复步骤2和步骤3。如果没有更优的邻居，则算法结束，当前状态即为局部最优解。
2024.6.13刷题记录
最新发布
lshx4658的博客
06-14 807
当时没有想到怎么保证队内全都是窗口内的元素，答案：“当队头元素在窗口的左边的时候，弹出队头”，虽然不能保证队内一直没有窗口外的元素，但是能保证使用到的队内元素（队头）全是窗口内元素。当时是有想到这个方法的，但是以为不行，一下没转过来弯。队列储存索引而不是元素，通过储存索引使我们能够快速判断元素是否出窗口。不会，思路来自题解（
基于opencv的安全帽检测
05-13
安全帽检测是一种常见的计算机视觉应用，可以用于工业安全和交通安全等领域。基于 OpenCV 的安全帽检测可以通过以下步骤实现： 1. 导入 OpenCV 库和其他必要的库。 2. 加载输入图像并将其转换为灰度图像。 3. 使用 Haar 级联分类器检测人脸，并将检测到的人脸区域保存。 4. 在人脸区域内使用 Haar 级联分类器检测安全帽，并将检测到的安全帽区域保存。 5. 绘制边界框和标签，以显示检测结果。 6. 显示输出图像或保存输出图像。 以下是一个基于 OpenCV 的安全帽检测的 Python 示例代码： ```python import cv2 import numpy as np # 加载 Haar 级联分类器 face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') helmet_cascade = cv2.CascadeClassifier('haarcascade_helmet.xml') # 加载输入图像 img = cv2.imread('test.jpg') # 将图像转换为灰度图像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 使用 Haar 级联分类器检测人脸 faces = face_cascade.detectMultiScale(gray, 1.3, 5) # 在人脸区域内使用 Haar 级联分类器检测安全帽 for (x,y,w,h) in faces: roi_gray = gray[y:y+h, x:x+w] roi_color = img[y:y+h, x:x+w] helmets = helmet_cascade.detectMultiScale(roi_gray, 1.3, 5) for (hx,hy,hw,hh) in helmets: cv2.rectangle(roi_color,(hx,hy),(hx+hw,hy+hh),(0,255,0),2) cv2.putText(roi_color, 'Helmet', (hx, hy-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (36,255,12), 2) # 显示输出图像 cv2.imshow('img',img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 注意：在使用此代码之前，需要先下载并安装 Haar 级联分类器模型。可以从 OpenCV 官方网站下载预训练模型，或者使用已经训练好的模型。在上面的示例中，我们使用了两个模型：`haarcascade_frontalface_default.xml` 和 `haarcascade_helmet.xml`。

“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 3
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