安全帽图像识别python_YOLOv5在建筑工地中安全帽佩戴检测的应用（已开源+数据集）...

前言

随着人工智能的发展&＃xff0c;现在越来越多的场景需要人工智能。在工厂的厂区中以安全为首&＃xff0c;但工人普遍缺乏佩戴安全帽意识&＃xff1b;工厂环境复杂&＃xff0c;有各种各样的禁止进入的区域&＃xff0c;普通的图像识别算法很难实现&＃xff1b;加上使用传统的人工监管存在诸多缺点。

基于计算机视觉的安全帽自动识别技术设计通过在施工现场布设视频监控设备或利用现有的施工监控设备&＃xff0c;采用机器视觉的相关方法进行安全帽的自动识别&＃xff0c;可以实现对作业人员安全帽佩戴情况信息的全程快速识别&＃xff0c;在降低监管费用的同时提升了监管信息化水平。

项目链接&＃xff1a;

https://github.com/PeterH0323/Smart_Construction

数据集链接&＃xff1a;

https://github.com/njvisionpower/Safety-Helmet-Wearing-Dataset

Smart_Construction

该项目是使用 YOLOv5 来训练在智能工地安全领域中头盔目标检测的应用, 先来一波演示&＃xff01;

指标

yolov5s 为基础训练&＃xff0c;epoch &＃61; 50

分类

P

R

mAP0.5

总体

0.884

0.899

0.888

人体

0.846

0.893

0.877

头

0.889

0.883

0.871

安全帽

0.917

0.921

0.917

对应的 yolov5s 权重文件&＃xff1a;百度云&＃xff1a;https://pan.baidu.com/s/1ELPhtW-Q4G8UqEr4YrV_5A&＃xff0c;提取码: b981

yolov5m 为基础训练&＃xff0c;epoch &＃61; 100

分类

P

R

mAP0.5

总体

0.886

0.915

0.901

人体

0.844

0.906

0.887

头

0.9

0.911

0.9

安全帽

0.913

0.929

0.916

对应的 yolov5m 权重文件&＃xff1a;百度云&＃xff1a;https://pan.baidu.com/s/10hlKrgpxVsw4d_vHnPHwEA&＃xff0c;提取码: psst

yolov5l 为基础训练&＃xff0c;epoch &＃61; 100

分类

P

R

mAP0.5

总体

0.892

0.919

0.906

人体

0.856

0.914

0.897

头

0.893

0.913

0.901

安全帽

0.927

0.929

0.919

对应的 yolov5l 权重文件&＃xff1a;百度云&＃xff1a;https://pan.baidu.com/s/1iMZkRNXY1fowpQCcapFDqw&＃xff0c;提取码: a66e

1.YOLO v5训练自己数据集教程

使用的数据集&＃xff1a;Safety-Helmet-Wearing-Dataset&＃xff0c;感谢这位大神的开源数据集&＃xff01;

本文结合 YOLOv5官方教程 来写

环境准备

首先确保自己的环境&＃xff1a;

Python >&＃61; 3.7

Pytorch &＃61;&＃61; 1.5.x

训练自己的数据

提示&＃xff1a;

关于增加数据集分类的方法&＃xff0c;请看【5. 增加数据集的分类】

1.1 创建自己的数据集配置文件

因为我这里只是判断 【人没有带安全帽】、【人有带安全帽】、【人体】 3个类别 &＃xff0c;基于 data/coco128.yaml 文件&＃xff0c;创建自己的数据集配置文件 custom_data.yaml

# 训练集和验证集的 labels 和 image 文件的位置

train: ./score/images/train

val: ./score/images/val

# number of classes

nc: 3

# class names

names: [&＃39;person&＃39;, &＃39;head&＃39;, &＃39;helmet&＃39;]

1.2 创建每个图片对应的标签文件

使用标注工具类似于 Labelbox 、CVAT、精灵标注助手 标注之后&＃xff0c;需要生成每个图片对应的 .txt 文件&＃xff0c;其规范如下&＃xff1a;

每一行都是一个目标

类别序号是零索引开始的(从

0开始)

每一行的坐标

class x_center y_center width height 格式

框坐标必须采用

归一化的 xywh格式(从

0到

1)。如果您的框以像素为单位&＃xff0c;则将

x_center和

width除以图像宽度&＃xff0c;将

y_center和

height除以图像高度。代码如下&＃xff1a;

import numpy as np

def convert(size, box):

"""

将标注的 xml 文件生成的【左上角x,左上角y,右下角x&＃xff0c;右下角y】标注转换为yolov5训练的坐标

:param size: 图片的尺寸&＃xff1a; [w,h]

:param box: anchor box 的坐标 [左上角x,左上角y,右下角x,右下角y,]

:return: 转换后的 [x,y,w,h]

"""

x1 &＃61; int(box[0])

y1 &＃61; int(box[1])

x2 &＃61; int(box[2])

y2 &＃61; int(box[3])

dw &＃61; np.float32(1. / int(size[0]))

dh &＃61; np.float32(1. / int(size[1]))

w &＃61; x2 - x1

h &＃61; y2 - y1

x &＃61; x1 &＃43; (w / 2)

y &＃61; y1 &＃43; (h / 2)

x &＃61; x * dw

w &＃61; w * dw

y &＃61; y * dh

h &＃61; h * dh

return [x, y, w, h]

生成的 .txt 文件放置的名字是图片的名字&＃xff0c;放置在 label 文件夹中&＃xff0c;例如&＃xff1a;

./score/images/train/00001.jpg # image

./score/labels/train/00001.txt # label

生成的 .txt 例子&＃xff1a;

1 0.1830000086920336 0.1396396430209279 0.13400000636465847 0.15915916301310062

1 0.5240000248886645 0.29129129834473133 0.0800000037997961 0.16816817224025726

1 0.6060000287834555 0.29579580295830965 0.08400000398978591 0.1771771814674139

1 0.6760000321082771 0.25375375989824533 0.10000000474974513 0.21321321837604046

0 0.39300001866649836 0.2552552614361048 0.17800000845454633 0.2822822891175747

0 0.7200000341981649 0.5570570705458522 0.25200001196935773 0.4294294398277998

0 0.7720000366680324 0.2567567629739642 0.1520000072196126 0.23123123683035374

1.3 文件放置规范

文件树如下

在这里插入图片描述

1.4 聚类得出先验框(Yolov5 内部已做适配&＃xff0c;可选)

使用代码 ./data/gen_anchors/clauculate_anchors.py &＃xff0c;修改数据集的路径

FILE_ROOT &＃61; r"xxx" # 根路径

ANNOTATION_ROOT &＃61; r"xxx"  # 数据集标签文件夹路径

ANNOTATION_PATH &＃61; FILE_ROOT &＃43; ANNOTATION_ROOT

跑完会生成一个文件 anchors.txt&＃xff0c;里面有得出的建议先验框&＃xff1a;

Best Accuracy &＃61; 79.72%

Best Anchors &＃61; [[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 选择一个您需要的模型

在文件夹 ./models 下选择一个你需要的模型然后复制一份出来&＃xff0c;将文件开头的 nc &＃61; 修改为数据集的分类数&＃xff0c;下面是借鉴 ./models/yolov5s.yaml来修改的

# parameters

nc: 3  # number of classes     <&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61; 修改这里为数据集的分类数

depth_multiple: 0.33  # model depth multiple

width_multiple: 0.50  # layer channel multiple

# anchors

anchors: # <&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61; 根据 ./data/gen_anchors/anchors.txt 中的 Best Anchors 修改&＃xff0c;需要取整(可选)

- [14,27, 23,46, 28,130]

- [39,148, 52,186, 62.,279]

- [85,237, 88,360, 145,514]

# YOLOv5 backbone

backbone:

# [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 head

head:

[[-1, 1, Conv, [512, 1, 1]],

[-1, 1, nn.Upsample, [None, 2, &＃39;nearest&＃39;]],

[[-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, &＃39;nearest&＃39;]],

[[-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 开始训练

这里选择了 yolov5s 模型进行训练&＃xff0c;权重也是基于 yolov5s.pt 来训练

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&＃xff0c;yolov5s.pt 需要自行下载放在本工程的根目录即可&＃xff0c;下载地址&＃xff1a;https://drive.google.com/open?id&＃61;1Drs_Aiu7xx6S-ix95f9kNsA6ueKRpN2J

1.7 看训练之后的结果

训练之后&＃xff0c;权重会保存在 ./runs 文件夹里面的每个 exp 文件里面的 weights/best.py &＃xff0c;里面还可以看到训练的效果

2. 侦测

侦测图片会保存在 ./inferenct/output/ 文件夹下

运行命令&＃xff1a;

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 权重检测图片&＃xff0c;可以运行以下命令&＃xff0c;侦测图片会保存在 ./inferenct/output/ 文件夹下

python detect.py --source 图片路径 --weights ./weights/helmet_head_person_s.pt

3. 检测危险区域内是否有人

3.1 危险区域标注方式

我这里使用的是 精灵标注助手标注&＃xff0c;生成了对应图片的 json 文件

3.2 执行侦测

侦测图片会保存在 ./inferenct/output/ 文件夹下

运行命令&＃xff1a;

python area_detect.py --source ./area_dangerous --weights ./weights/helmet_head_person_s.pt

3.3 效果&＃xff1a;在危险区域里面的人体会被 红色框 选出来

4. 生成 ONNX

4.1 安装 onnx 库

pip install onnx

4.2 执行生成

python ./models/export.py --weights ./weights/helmet_head_person_s.pt --img 640 --batch 1

onnx 和 torchscript 文件会生成在 ./weights 文件夹中

5. 增加数据集的分类

关于增加数据集分类的方法&＃xff1a;

SHWD 数据集里面没有 person 的类别&＃xff0c;先将现有的自己的数据集执行脚本生成 yolov5 需要的标签文件 .txt&＃xff0c;之后再用 yolov5x.pt 加上 yolov5x.yaml &＃xff0c;使用指令检测出人体

python detect.py --save-txt --source ./自己数据集的文件目录 --weights ./weights/yolov5x.pt

yolov5 会推理出所有的分类&＃xff0c;并在 inference/output 中生成对应图片的 .txt 标签文件&＃xff1b;

修改 ./data/gen_data/merge_data.py 中的自己数据集标签所在的路径&＃xff0c;执行这个python脚本&＃xff0c;会进行 person 类型的合并

总结

以上就是 YOLOv5 实现 智慧工地安全帽和危险区域检测系统 的全部内容。欢迎 star ✨✨✨

本文转载自csdn博客&＃xff0c;文章链接&＃xff1a;https://blog.csdn.net/hxj0323/article/details/109257255