• 手部关键点检测2：YOLOv5实现手部检测(含训练代码和数据集)

    手部关键点检测2：YOLOv5实现手部检测(含训练代码和数据集)

    目录

    手部关键点检测2：YOLOv5实现手部检测(含训练代码和数据集)

    1. 前言

    2. 手部检测数据集说明

    （1）手部检测数据集

    （2）自定义数据集

    3. 基于YOLOv5的手部检测模型训练

    （1）YOLOv5安装 

    （2）准备Train和Test数据

    （3）配置数据文件

    （4）配置模型文件

    （5）重新聚类Anchor（可选）

    （6）开始训练

    （7）可视化训练过程

    （8）常见的错误

    4. Python版本手部检测效果

    5. 手部检测和手部关键点检测(Python/C++/Android)

    6.项目源码下载

    1. 前言

    手部关键点检测(手部姿势估计)的方法与人体关键点检测的方法类似，目前主流的方法主要两种：一种是Top-Down（自上而下）方法，另外一种是Bottom-Up（自下而上）方法；项目采用Top-Down（自上而下）方法，即分为两阶段，先进行手部检测，找到所有的手部框，然后再估计每只手的手部关键点；本篇文章是手部关键点检测的第一阶段，即手部检测模型算法开发，项目基于开源YOLOv5项目，实现一个高精度的手部检测算法（ Hand Detection）

    目前，基于YOLOv5s的手部检测精度平均值mAP_0.5=0.99919，mAP_0.5:0.95=0.79306。为了能部署在手机Android平台上，本人对YOLOv5s进行了简单的模型轻量化，并开发了一个轻量级的版本yolov5s05_416和yolov5s05_320模型；轻量化模型在普通Android手机上可以达到实时的检测效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。下表格给出轻量化模型的计算量和参数量以及其检测精度

    模型input-sizeparams(M)GFLOPsmAP_0.5mAP_0.5:0.95
    yolov5s640×6407.216.50.999190.79306
    yolov5s05416×4161.71.80.998850.78112
    yolov5s05320×3201.71.10.998260.77658

    先展示一下手部检测以及手部关键点检测(手部姿势估计)效果：

    Android手部关键点检测(手部姿势估计)APP Demo体验：https://download.csdn.net/download/guyuealian/88418582

      

    【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/133279222

    更多项目《手部关键点检测(手部姿势估计)》系列文章请参考：

     

    2. 手部检测数据集说明

    （1）手部检测数据集

    目前收集了三个手部检测数据集：Hand-voc1，Hand-voc2和Hand-voc3，总共60000+张图片；标注格式统一转换为VOC数据格式，标注名称为hand，可用于深度学习手部目标检测模型算法开发，关于手部数据集说明，请参考： 手部关键点(手部姿势估计)数据集(含下载链接) https://blog.csdn.net/guyuealian/article/details/133277630

    （2）自定义数据集

    如果需要增/删类别数据进行训练，或者需要自定数据集进行训练，可参考如下步骤：

    1. 采集图片，建议不少于200张图片
    2. 使用Labelme等标注工具，对目标进行拉框标注：labelme工具：GitHub - wkentaro/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation).
    3. 将标注格式转换为VOC数据格式，参考工具：labelme/labelme2voc.py at main · wkentaro/labelme · GitHub
    4. 生成训练集train.txt和验证集val.txt文件列表
    5. 修改engine/configs/voc_local.yaml的train和val的数据路径
    6. 重新开始训练

    ​​​

    3. 基于YOLOv5的手部检测模型训练

    （1）YOLOv5安装 

    训练Pipeline采用YOLOv5: GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite , 原始官方代码训练需要转换为YOLO的格式，不支持VOC的数据格式。为了适配VOC数据，本人新增了LoadVOCImagesAndLabels用于解析VOC数据集，以便正常训练。另外，为了方便测试，还增加demo.py文件，可支持对图片,视频和摄像头的测试。

    Python依赖环境，使用pip安装即可，项目代码都在Ubuntu系统和Windows系统验证正常运行，请放心使用；若出现异常，大概率是相关依赖包版本没有完全对应

    1.  
    2. matplotlib>=3.2.2
    3. numpy>=1.18.5
    4. opencv-python>=4.1.2
    5. Pillow
    6. PyYAML>=5.3.1
    7. scipy>=1.4.1
    8. torch>=1.7.0
    9. torchvision>=0.8.1
    10. tqdm>=4.41.0
    11. tensorboard>=2.4.1
    12. seaborn>=0.11.0
    13. pandas
    14. thop  # FLOPs computation
    15. pybaseutils==0.7.0

     项目安装教程请参考（初学者入门，麻烦先看完下面教程，配置好开发环境）：

    （2）准备Train和Test数据

    下载手部检测数据集，关于手部数据集说明，请参考手部关键点(手部姿势估计)数据集(含下载链接) https://blog.csdn.net/guyuealian/article/details/133277630

    （3）配置数据文件

    • 修改训练和测试数据的路径：engine/configs/voc_local.yaml
    • 注意数据路径分隔符使用【/】,不是【\】
    • 项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！
    1. # Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
    2. # 数据路径
    3. path: ""  # dataset root dir
    4.  
    5. # 注意数据路径分隔符使用【/】,不是【\】
    6. # 项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！
    7. train:
    8.   - 'D:/dataset/Hand-voc1/train/train.txt'
    9.   - 'D:/dataset/Hand-voc2/train.txt'
    10.   - 'D:/dataset/Hand-voc3/train.txt'
    11. val:
    12.   - 'D:/dataset/Hand-voc1/test/test.txt'
    13.  
    14. test:  # test images (optional)
    15. data_type: voc
    16.  
    17. # 1.设置类别个数，和要训练的类别名称，ID号从0开始递增
    18. nc: 1  # number of classes
    19. names: { 'hand': 0}

    （4）配置模型文件

    官方YOLOv5给出了YOLOv5l,YOLOv5m,YOLOv5s等模型。考虑到手机端CPU/GPU性能比较弱鸡，直接部署yolov5s运行速度十分慢。所以本人在yolov5s基础上进行模型轻量化处理，即将yolov5s的模型的channels通道数全部都减少一半，并且模型输入由原来的640×640降低到416×416或者320×320，该轻量化的模型我称之为yolov5s05。轻量化后的模型yolov5s05比yolov5s计算量减少了16倍，参数量减少了7倍。下面是yolov5s05和yolov5s的参数量和计算量对比：

    模型input-sizeparams(M)GFLOPs
    yolov5s640×6407.216.5
    yolov5s05416×4161.71.8
    yolov5s05320×3201.71.1

    （5）重新聚类Anchor（可选）

    官方yolov5s的Anchor是基于COCO数据集进行聚类获得（详见models/yolov5s.yaml文件）

     ​​​ 

    考虑到手部检测数据集，目标框几乎都是正方形的矩形框；原始Anchor是在输入640×640聚类获得的，直接复用原始COCO的Anchor效果可能不太好；因此，这需要我们根据已有的数据集的标注框进行重新聚类获得新的Anchor；这里为了简单，yolov5s直接复用原始Anchor，而yolov5s05_416和yolov5s05_320由于输入分辨率变小，其Anchor也进行等比例缩小，下表给出yolov5s，yolov5s05_416和yolov5s05_320重新调整后Anchor结果：

    yolov5s.yamlyolov5s05_416.yamlyolov5s05_320.yaml
    ​​​​​​

    一点建议：

    • 官方yolov5s的Anchor是基于COCO数据集进行聚类获得，不同数据集需要做适当的调整，其最优Anchor建议重新进行聚类 。
    • 当然你要是觉得麻烦就跳过，不需要重新聚类Anchor，这个影响不是特别大。如果你需要重新聚类，请参考engine/kmeans_anchor/demo.py文件

    （6）开始训练

    整套训练代码非常简单操作，用户只需要填写好对应的数据路径，即可开始训练了。

    • 修改训练超参文件data/hyps/hyp.scratch-v1.yaml （可以修改训练学习率，数据增强等方式，使用默认即可，可不修改）
    • Linux系统终端运行，训练yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可)
    1. #!/usr/bin/env bash
    2.  
    3. #--------------训练yolov5s--------------
    4. # 输出项目名称路径
    5. project="runs/yolov5s_640"
    6. # 训练和测试数据的路径
    7. data="engine/configs/voc_local.yaml"
    8. # YOLOv5模型配置文件
    9. cfg="models/yolov5s.yaml"
    10. # 训练超参数文件
    11. hyp="data/hyps/hyp.scratch-v1.yaml"
    12. # 预训练文件
    13. weights="engine/pretrained/yolov5s.pt"
    14. python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 640 --workers 4 --project $project
    15.  
    16.  
    17. #--------------训练轻量化版本yolov5s05_416--------------
    18. # 输出项目名称路径
    19. project="runs/yolov5s05_416"
    20. # 训练和测试数据的路径
    21. data="engine/configs/voc_local.yaml"
    22. # YOLOv5模型配置文件
    23. cfg="models/yolov5s05_416.yaml"
    24. # 训练超参数文件
    25. hyp="data/hyps/hyp.scratch-v1.yaml"
    26. # 预训练文件
    27. weights="engine/pretrained/yolov5s.pt"
    28. python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 416 --workers 4 --project $project
    29.  
    30.  
    31. #--------------训练轻量化版本yolov5s05_320--------------
    32. # 输出项目名称路径
    33. project="runs/yolov5s05_320"
    34. # 训练和测试数据的路径
    35. data="engine/configs/voc_local.yaml"
    36. # YOLOv5模型配置文件
    37. cfg="models/yolov5s05_320.yaml"
    38. # 训练超参数文件
    39. hyp="data/hyps/hyp.scratch-v1.yaml"
    40. # 预训练文件
    41. weights="engine/pretrained/yolov5s.pt"
    42. python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 320 --workers 4 --project $project
    43.  
    44.
    • Windows系统终端运行，训练yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可) 
    1. #!/usr/bin/env bash
    2.  
    3. #--------------训练yolov5s--------------
    4. python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 640 --workers 4 --project runs/yolov5s_640
    5.  
    6.  
    7. #--------------训练轻量化版本yolov5s05_416--------------
    8. python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s05_416.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 416 --workers 4 --project runs/yolov5s05_416
    9.  
    10.  
    11.  
    12. #--------------训练轻量化版本yolov5s05_320--------------
    13. python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s05_320.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 320 --workers 4 --project runs/yolov5s05_320
    14.
    • 开始训练：

    ​​​

    • 训练数据量比较大，训练时间比较长，请耐心等待哈
    • 训练完成后，在模型输出目录中有个results.csv文件，记录每个epoch测试的结果，如loss,mAP等信息

    训练模型收敛后，yolov5s手部检测的mAP指标大约mAP_0.5:0.95=0.79306；而，yolov5s05_416 mAP_0.5:0.95=0.78112左右；yolov5s05_320 mAP_0.5:0.95=0.77658左右；轻量化后的模型yolov5s05比yolov5s计算量减少了16倍，参数量减少了7倍；相比而言，yolov5s05比yolov5s mAP减小了2%左右，对于性能比较弱鸡的手机而言，这个精度是还是可以接受的。

    模型input-sizeparams(M)GFLOPsmAP_0.5mAP_0.5:0.95
    yolov5s640×6407.216.50.999190.79306
    yolov5s05416×4161.71.80.998850.78112
    yolov5s05320×3201.71.10.998260.77658

    （7）可视化训练过程

    训练过程可视化工具是使用Tensorboard，使用方法，在终端输入：

    1. # 基本方法
    2. tensorboard --logdir=path/to/log/
    3. # 例如
    4. tensorboard --logdir=./data/model/yolov5s_640

     当然，在输出目录，也保存很多性能指标的图片

    • 这是训练epoch的可视化图，可以看到mAP随着Epoch训练，逐渐提高（见result.png）

    • 这是每个类别的F1-Score分数（见F1_curve.png）​​​ 

    • 这是模型的PR曲线（见PR_curve.png）

    ​​​

    • 这是混淆矩阵（见confusion_matrix.png）：

    ​​​

    （8）常见的错误

    4. Python版本手部检测效果

    demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试图片即可运行测试了

    • 测试图片
    1. # 测试图片（Linux系统）
    2. image_dir='data/test_image' # 测试图片的目录
    3. weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
    4. out_dir="runs/test-result" # 保存检测结果
    5. python demo.py --image_dir $image_dir --weights $weights --out_dir $out_dir

    Windows系统，请将$image_dir， $weights ，$out_dir等变量代替为对应的变量值即可，如

    1. # 测试图片（Windows系统）
    2. python demo.py --image_dir data/test_image --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/test-result
    • 测试视频文件
    1. # 测试视频文件（Linux系统）
    2. video_file="data/test-video.mp4" # path/to/video.mp4 测试视频文件，如*.mp4,*.avi等
    3. weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
    4. out_dir="runs/test-result" # 保存检测结果
    5. python demo.py --video_file $video_file --weights $weights --out_dir $out_dir
    1. # 测试视频文件（Windows系统）
    2. python demo.py --video_file data/test-video.mp4 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/test-result
    •  测试摄像头
    1. # 测试摄像头（Linux系统）
    2. video_file=0 # 测试摄像头ID
    3. weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
    4. out_dir="runs/test-result" # 保存检测结果
    5. python demo.py --video_file $video_file --weights $weights --out_dir $out_dir
    1. # 测试摄像头（Windows系统）
    2. python demo.py --video_file 0 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/test-result

    先展示一下手部检测（不含关键点检测）的效果：

     如果想进一步提高模型的性能，可以尝试：

    1. ​增加训练的样本数据： 目前有30W+的数据量，建议根据自己的业务场景，采集相关数据，提高模型泛化能力
    2. 使用参数量更大的模型： 本教程使用的YOLOv5s，其参数量才7.2M，而YOLOv5x的参数量有86.7M，理论上其精度更高，但推理速度也较慢。
    3. 尝试不同数据增强的组合进行训练

    5. 手部检测和手部关键点检测(Python/C++/Android)

    项目已经完成Android版本手部检测和手部关键点检测算法开发，APP在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约50ms左右，GPU约30ms左右 ，基本满足业务的性能需求。

     Android手部关键点检测(手部姿势估计)APP Demo体验：https://download.csdn.net/download/guyuealian/88418582

      

    6.项目源码下载

    整套项目下载地址：手部关键点检测2：YOLOv5实现手部检测(含训练代码和数据集)

    整套项目源码内容包含：手部检测数据集 + 手部检测YOLOv5训练代码和测试代码

    （1）手部检测数据集+手部关键点数据集：

    1. 手部检测数据集：包含Hand-voc1,Hand-voc2和Hand-voc3，总共60000+张图片；标注格式统一转换为VOC数据格式，标注名称为hand，可用于深度学习手部目标检测模型算法开发。

    2. 手部关键点数据集：包含HandPose-v1,HandPose-v2和HandPose-v3，总共80000+张图片；标注了手部区域目标框box，标注名称为hand，同时也标注了手部21个关键点，标注格式统一转换为COCO数据格式，可直接用于深度学习手部关键点检测模型训练。

    3. 详细说明，请查看《手部关键点(手部姿势估计)数据集(含下载链接)》https://blog.csdn.net/guyuealian/article/details/133277630

    （2）手部检测YOLOv5训练代码和测试代码（Pytorch）

    1. 整套YOLOv5项目工程，含训练代码train.py和测试代码demo.py
    2. 支持高精度版本yolov5s训练和测试
    3. 支持轻量化版本yolov5s05_320和yolov5s05_416训练和测试
    4. 根据本篇博文说明，简单配置即可开始训练：train.py
    5. 源码包含了训练好的yolov5s,yolov5s05_416和yolov5s05_320模型，配置好环境，可直接运行demo.py
    6. 测试代码demo.py支持图片，视频和摄像头测试
    7. 本篇博文是手部检测，不包含手部关键点检测内容， 关于手部关键点检测的方法，可查看《Pytorch实现手部关键点检测(手部姿势估计)》https://blog.csdn.net/guyuealian/article/details/133277726

     Android手部关键点检测(手部姿势估计)APP Demo体验：https://download.csdn.net/download/guyuealian/88418582

  • 相关阅读:
    git项目删除业务代码、并清除所有提交记录，以此为基础创建出一个干净仓库、再另建一个远程代码库推上去
    koa框架的使用
    【iOS】—— 响应者链和事件传递链
    斯坦福密码学 —— 02流密码
    简历考察点1_《基于 VUE2.0 前后端分离的个人博客系统》
    高通平台稳定性分析-CFI failure
    控制输入流，从控制台打印到文件中，更改输出的位置
    web网页设计期末课程大作业：水果网站设计——HTML+CSS+JavaScript水果超市(带论文)
    CSDN第11期周赛总结
    分类预测 | MATLAB实现RF(随机森林)分类预测及变量重要度衡量
  • 原文地址：https://blog.csdn.net/guyuealian/article/details/133279222