項目分享 | YOLOv5在建筑工地中安全帽佩戴檢測的應(yīng)用
點擊上方“小白學(xué)視覺”，選擇加"星標"或“置頂”
重磅干貨，第一時間送達
轉(zhuǎn)自 | AI深度前沿視線
一、YOLO v5訓(xùn)練自己數(shù)據(jù)集教程?
1.1 創(chuàng)建自己的數(shù)據(jù)集配置文件?
1.2 創(chuàng)建每個圖片對應(yīng)的標簽文件?
1.3 文件放置規(guī)范?
1.4 聚類得出先驗框（可選）?
1.5 選擇一個你需要的模型?
1.6 開始訓(xùn)練?
1.7 看訓(xùn)練之后的結(jié)果?
二、偵測?
三、檢測危險區(qū)域內(nèi)是否有人?
3.1 危險區(qū)域標注方式?
3.2 執(zhí)行偵測?
3.3 效果：在危險區(qū)域里面的人體會被 紅色框 選出來?
四、生成 ONNX?
五、增加數(shù)據(jù)集的分類
該項目是使用 YOLOv5 v2.x 來訓(xùn)練在智能工地安全領(lǐng)域中頭盔目標檢測的應(yīng)用,先來一波演示！
指標
yolov5s 為基礎(chǔ)訓(xùn)練，epoch = 50
| 分類 | P | R | mAP0.5 |
|---|---|---|---|
| 總體 | 0.884 | 0.899 | 0.888 |
| 人體 | 0.846 | 0.893 | 0.877 |
| 頭 | 0.889 | 0.883 | 0.871 |
| 安全帽 | 0.917 | 0.921 | 0.917 |
對應(yīng)的權(quán)重文件：https://pan.baidu.com/share/init?surl=ELPhtW-Q4G8UqEr4YrV_5A，提取碼: b981
yolov5m 為基礎(chǔ)訓(xùn)練，epoch = 100
| 分類 | P | R | mAP0.5 |
|---|---|---|---|
| 總體 | 0.886 | 0.915 | 0.901 |
| 人體 | 0.844 | 0.906 | 0.887 |
| 頭 | 0.9 | 0.911 | 0.9 |
| 安全帽 | 0.913 | 0.929 | 0.916 |
對應(yīng)的權(quán)重文件：https://pan.baidu.com/share/init?surl=0hlKrgpxVsw4d_vHnPHwEA，提取碼: psst
yolov5l 為基礎(chǔ)訓(xùn)練，epoch = 100
| 分類 | P | R | mAP0.5 |
|---|---|---|---|
| 總體 | 0.892 | 0.919 | 0.906 |
| 人體 | 0.856 | 0.914 | 0.897 |
| 頭 | 0.893 | 0.913 | 0.901 |
| 安全帽 | 0.927 | 0.929 | 0.919 |
對應(yīng)的權(quán)重文件：https://pan.baidu.com/share/init?surl=iMZkRNXY1fowpQCcapFDqw，提取碼: a66e
使用的數(shù)據(jù)集：Safety-Helmet-Wearing-Dataset ，感謝這位大神的開源數(shù)據(jù)集！
https://github.com/njvisionpower/Safety-Helmet-Wearing-Dataset
本文結(jié)合 YOLOv5官方教程 來寫
環(huán)境準備
首先確保自己的環(huán)境：
Python >= 3.7Pytorch == 1.5.x
訓(xùn)練自己的數(shù)據(jù)
提示：
關(guān)于增加數(shù)據(jù)集分類的方法，請看【5. 增加數(shù)據(jù)集的分類】
?? 1.1 創(chuàng)建自己的數(shù)據(jù)集配置文件
因為我這里只是判斷 【人沒有帶安全帽】、【人有帶安全帽】、【人體】 3個類別 ，基于data/coco128.yaml?文件，創(chuàng)建自己的數(shù)據(jù)集配置文件?custom_data.yaml
# 訓(xùn)練集和驗證集的 labels 和 image 文件的位置train: ./score/images/trainval: ./score/images/val
# number of classesnc: 3
# class namesnames: ['person', 'head', 'helmet']
使用標注工具類似于 Labelbox 、CVAT 、精靈標注助手 標注之后，需要生成每個圖片對應(yīng)的.txt?文件，其規(guī)范如下：
每一行都是一個目標
類別序號是零索引開始的（從0開始）
每一行的坐標?
class x_center y_center width height?格式框坐標必須采用歸一化的 xywh格式（從0到1）。如果您的框以像素為單位，則將
x_center和width除以圖像寬度，將y_center和height除以圖像高度。代碼如下：
import numpy as npdef convert(size, box):? ?"""? ?將標注的 xml 文件生成的【左上角x,左上角y,右下角x，右下角y】標注轉(zhuǎn)換為yolov5訓(xùn)練的坐標? ?:param size: 圖片的尺寸：[w,h]? ?:param box: anchor box 的坐標 [左上角x,左上角y,右下角x,右下角y,]? ?:return: 轉(zhuǎn)換后的 [x,y,w,h]????"""? ?x1 = int(box[0])? ?y1 = int(box[1])? ?x2 = int(box[2])????y2?=?int(box[3])? ?dw = np.float32(1. / int(size[0]))????dh?=?np.float32(1.?/?int(size[1]))? ?w = x2 - x1? ?h = y2 - y1? ?x = x1 + (w / 2)????y?=?y1?+?(h?/?2)? ?x = x * dw? ?w = w * dw? ?y = y * dh? ?h = h * dh? ?return [x, y, w, h]
生成的?.txt?文件放置的名字是圖片的名字，放置在 label 文件夾中，例如：
./score/images/train/00001.jpg ?# image./score/labels/train/00001.txt ?# label
生成的?.txt?例子
1 0.1830000086920336 0.1396396430209279 0.13400000636465847 0.159159163013100621 0.5240000248886645 0.29129129834473133 0.0800000037997961 0.168168172240257261 0.6060000287834555 0.29579580295830965 0.08400000398978591 0.17717718146741391 0.6760000321082771 0.25375375989824533 0.10000000474974513 0.213213218376040460 0.39300001866649836 0.2552552614361048 0.17800000845454633 0.28228228911757470 0.7200000341981649 0.5570570705458522 0.25200001196935773 0.42942943982779980?0.7720000366680324?0.2567567629739642?0.1520000072196126?0.23123123683035374
??1.3?文件放置規(guī)范
文件樹如下
???1.4 聚類得出先驗框（Yolov5 內(nèi)部已做適配，可選）
使用代碼?./data/gen_anchors/clauculate_anchors.py?，修改數(shù)據(jù)集的路徑
FILE_ROOT = r"xxx" # 根路徑ANNOTATION_ROOT = r"xxx" ?# 數(shù)據(jù)集標簽文件夾路徑ANNOTATION_PATH = FILE_ROOT + ANNOTATION_ROOT
跑完會生成一個文件?anchors.txt，里面有得出的建議先驗框：
Best Accuracy = 79.72%Best Anchors = [[14.74, 27.64], [23.48, 46.04], [28.88, 130.0], [39.33, 148.07], [52.62, 186.18], [62.33, 279.11], [85.19, 237.87], [88.0, 360.89], [145.33, 514.67]]
???1.5 選擇一個您需要的模型
在文件夾?./models?下選擇一個你需要的模型然后復(fù)制一份出來，將文件開頭的?nc =?修改為數(shù)據(jù)集的分類數(shù)，下面是借鑒?./models/yolov5s.yaml來修改的
# parametersnc: 3 ?# number of classes ? ? <============ 修改這里為數(shù)據(jù)集的分類數(shù)depth_multiple: 0.33 ?# model depth multiplewidth_multiple: 0.50 ?# layer channel multiple
# anchorsanchors: # <============ 根據(jù) ./data/gen_anchors/anchors.txt 中的 Best Anchors 修改，需要取整（可選）?- [14,27, 23,46, 28,130]?- [39,148, 52,186, 62.,279]?- [85,237, 88,360, 145,514]
# YOLOv5 backbonebackbone:?# [from, number, module, args]?[[-1, 1, Focus, [64, 3]], ?# 0-P1/2? [-1, 1, Conv, [128, 3, 2]], ?# 1-P2/4? [-1, 3, BottleneckCSP, [128]],? [-1, 1, Conv, [256, 3, 2]], ?# 3-P3/8? [-1, 9, BottleneckCSP, [256]],? [-1, 1, Conv, [512, 3, 2]], ?# 5-P4/16? [-1, 9, BottleneckCSP, [512]],? [-1, 1, Conv, [1024, 3, 2]], ?# 7-P5/32? [-1, 1, SPP, [1024, [5, 9, 13]]],? [-1, 3, BottleneckCSP, [1024, False]], ?# 9?]
# YOLOv5 headhead:?[[-1, 1, Conv, [512, 1, 1]],? [-1, 1, nn.Upsample, [None, 2, 'nearest']],? [[-1, 6], 1, Concat, [1]], ?# cat backbone P4? [-1, 3, BottleneckCSP, [512, False]], ?# 13
? [-1, 1, Conv, [256, 1, 1]],? [-1, 1, nn.Upsample, [None, 2, 'nearest']],? [[-1, 4], 1, Concat, [1]], ?# cat backbone P3? [-1, 3, BottleneckCSP, [256, False]], ?# 17
? [-1, 1, Conv, [256, 3, 2]],? [[-1, 14], 1, Concat, [1]], ?# cat head P4? [-1, 3, BottleneckCSP, [512, False]], ?# 20
? [-1, 1, Conv, [512, 3, 2]],? [[-1, 10], 1, Concat, [1]], ?# cat head P5? [-1, 3, BottleneckCSP, [1024, False]], ?# 23
? [[17, 20, 23], 1, Detect, [nc, anchors]], ?# Detect(P3, P4, P5)?]
???1.6 開始訓(xùn)練
這里選擇了?yolov5s?模型進行訓(xùn)練，權(quán)重也是基于?yolov5s.pt?來訓(xùn)練
python?train.py?--img?640?--batch?16?--epochs?10?--data?./data/custom_data.yaml?--cfg?./models/custom_yolov5.yaml?--weights?./weights/yolov5s.pt其中，yolov5s.pt?需要自行下載放在本工程的根目錄即可，下載地址 官方權(quán)重
???1.7 看訓(xùn)練之后的結(jié)果
訓(xùn)練之后，權(quán)重會保存在?./runs?文件夾里面的每個?exp?文件里面的?weights/best.py?，里面還可以看到訓(xùn)練的效果
偵測圖片會保存在?./inferenct/output/?文件夾下
運行命令：
python detect.py --source ? 0 ?# webcam? ? ? ? ? ? ? ? ? ? ? ? ? ?file.jpg ?# image? ? ? ? ? ? ? ? ? ? ? ? ? ?file.mp4 ?# video? ? ? ? ? ? ? ? ? ? ? ? ? ?path/ ?# directory? ? ? ? ? ? ? ? ? ? ? ? ? ?path/*.jpg ?# glob? ? ? ? ? ? ? ? ? ? ? ? ? ?rtsp://170.93.143.139/rtplive/470011e600ef003a004ee33696235daa ?# rtsp stream? ? ? ? ? ? ? ? ? ? ? ? ? ?http://112.50.243.8/PLTV/88888888/224/3221225900/1.m3u8 ?# http stream
例如使用我的?s?權(quán)重檢測圖片，可以運行以下命令，偵測圖片會保存在?./inferenct/output/?文件夾下
python detect.py --source 圖片路徑 --weights ./weights/helmet_head_person_s.pt?檢測危險區(qū)域內(nèi)是否有人
???3.1 危險區(qū)域標注方式
我這里使用的是 精靈標注助手 標注，生成了對應(yīng)圖片的 json 文件
???3.2 執(zhí)行偵測
偵測圖片會保存在?./inferenct/output/?文件夾下
運行命令：
python area_detect.py --source ./area_dangerous --weights ./weights/helmet_head_person_s.pt???3.3 效果：在危險區(qū)域里面的人體會被?紅色框?選出來
?生成 ONNX
??? 4.1 安裝?onnx?庫
pip install onnx????4.2 執(zhí)行生成
python ./models/export.py --weights ./weights/helmet_head_person_s.pt --img 640 --batch 1onnx?和?torchscript?文件會生成在?./weights?文件夾中
?增加數(shù)據(jù)集的分類
關(guān)于增加數(shù)據(jù)集分類的方法：
SHWD?數(shù)據(jù)集里面沒有?person?的類別，先將現(xiàn)有的自己的數(shù)據(jù)集執(zhí)行腳本生成yolov5需要的標簽文件.txt，之后再用yolov5x.pt?加上?yolov5x.yaml?，使用指令檢測出人體
python detect.py --save-txt --source ./自己數(shù)據(jù)集的文件目錄 --weights ./weights/yolov5x.ptyolov5會推理出所有的分類，并在inference/output中生成對應(yīng)圖片的.txt標簽文件；
修改?./data/gen_data/merge_data.py?中的自己數(shù)據(jù)集標簽所在的路徑，執(zhí)行這個python腳本，會進行?person?類型的合并
