基于YOLOV3的安全帽检测

最新推荐文章于 2024-07-15 08:59:26 发布

「已注销」

最新推荐文章于 2024-07-15 08:59:26 发布

阅读量3.3k

点赞数 1

文章标签：卷积网络深度学习 python 神经网络

本文链接：https://blog.csdn.net/wutao22/article/details/119687413

版权

本文介绍了基于YOLOv3的全卷积网络结构进行安全帽检测的方法，详细阐述了YOLOv3的网络设计，数据集准备，训练集和测试集的制作，以及训练和测试过程中的注意事项，包括学习率调整和warm_up策略的重要性。

摘要由CSDN通过智能技术生成

“ 作为目标检测的鸿篇巨制YOLOV3，用来做安全帽检测非常合适”

—

Yolov3简介

Yolo_v3使用了darknet-53的前面的52层（没有全连接层），yolo_v3这个网络是一个全卷积网络，大量使用残差的跳层连接，并且为了降低池化带来的梯度负面效果，作者直接摒弃了POOLing，用conv的stride来实现降采样。在这个网络结构中，使用的是步长为2的卷积来进行降采样。为了加强算法对小目标检测的精确度，YOLO v3中采用类似FPN的upsample和融合做法（最后融合了3个scale，其他两个scale的大小分别是26×26和52×52），在多个scale的feature map上做检测。作者在3条预测支路采用的也是全卷积的结构，其中最后一个卷积层的卷积核个数是255，是针对COCO数据集的80类：3*(80+4+1)=255，3表示一个grid cell包含3个bounding box，4表示框的4个坐标信息，1表示objectness score。

具体的网络结构介绍可以参见：

https://blog.csdn.net/litt1e/article/details/88907542

model.summary(）可以看到整个参数大小

—

数据集介绍

关于安全帽的数据集，可以通过网络爬取，也可以通过其他途径获取，剩下的就是数据打标了，这是一个体力活，具体的打标教程网上也可以找到很多，基本都是LabelImg，具体可以参见：

https://www.jianshu.com/p/ff99d430150f

我这边使用的数据集是已经打标好了的

—

训练集和测试集的制作

Yolov3使用的数据集格式是遵循VOC数据集的格式，所以需要根据如下目录做好训练集和测试集

关于两个数据集的目录，可以手工创建，也可以通过脚本来进行创建

import os
from shutil import copyfile
#根据tarin.txt和test.txt将数据集分为标准数据集
train_text_path = '/home/test/Lewis_Workspace/VOC2028/ImageSets/Main/train.txt'
test_text_path = '/home/test/Lewis_Workspace/VOC2028/ImageSets/Main/test.txt'
#图片存放地址
image_path = '/home/test/Lewis_Workspace/VOC2028/JPEGImages'
#xml文件存放地址
xml_path = '/home/test/Lewis_Workspace/VOC2028/Annotations'


#输出的目录
outdir = '/home/test/Lewis_Workspace/VOC2028'
#创建各级文件夹
test_xml_out = os.path.join(outdir,'VOC/test/VOCdevkit/VOC2028/Annotations')
os.makedirs(test_xml_out)
os.makedirs(os.path.join(outdir,'VOC/test/VOCdevkit/VOC2028/ImageSets/Layout'))
os.makedirs(os.path.join(outdir,'VOC/test/VOCdevkit/VOC2028/ImageSets/Main'))
os.makedirs(os.path.join(outdir,'VOC/test/VOCd