YOLO 施工安全帽目标检测模型

在线工具推荐： 三维数字孪生场景工具  -  GLTF/GLB在线编辑器  -  Three.js AI自动纹理化开发  -  YOLO 虚幻合成数据生成器  -  3D模型在线转换  -   3D模型预览图生成服务

头盔自动检测基本上是一个物体检测问题，可以使用深度学习和基于计算机视觉的方法来解决。由于深度学习在目标检测领域的计算方法和精度，深度学习及其在计算机视觉中的应用取得了突破性进展。目标识别方法一直是近年来计算机视觉领域的研究热点。目前有两种用于目标检测的先进深度学习方法：基于R-CNN（卷积神经网络）的目标检测算法，该算法首先生成候选区域，然后执行分类或回归，以及You Only Look Once（YOLO）和Single Shot MultiBox Detector（SSD）算法，仅使用一个 CNN 执行分类或回归。基于 R-CNN 的方法实现了相对较高的准确率，但缺点是执行时间较长，因此不适合实时场景。SSD算法运行速度更快，但在检测小物体方面存在问题，这在头盔自动检测中可能是个问题。因此，本研究使用具有不同架构的YOLO来自动检测建筑工地上的安全帽。

本文介绍了一种基于YOLO的实时计算机视觉自动安全帽检测系统。YOLO架构速度快，每秒可处理45帧，使基于YOLO的架构可用于实时安全帽检测。本研究使用包含 5000 张安全帽图像的基准数据集，分别以 60：20：20 （%） 的比例进一步划分，用于训练、测试和验证。实验结果表明，YOLOv5x架构实现了92.44%的最佳平均精度（mAP），即使在弱光条件下也能显示出优异的安全帽检测效果。

在本文章，将使用UnrealSynth虚幻合成数据生成器 来生成训练所需要的数据集，用户只需要将安全帽的3D模型导入UnrealSynth中，经过简单的配置就可以自动生成数据集，非常的简单方便：

基于YOLO的实时计算机视觉自动安全帽检测：

1. 场景准备

• 将戴有安全帽和未戴安全帽的工人模型导入到场景。
• 配置场景先关参数，如：生成的图片数据集的图片分辨率、生成的图片的数量等。

2. 生成数据集

设置参数后，点击【确定】后会在本地目录中...\UnrealSynth\Windows\UnrealSynth\Content\UserData 生成本地合成数据集，本地数据包含两个文件夹以及一个 yaml 文件：images、labels、test.yaml 文件；images中存放着生成的图片数据集，labels中存放着生成的标注数据集。

images和labels目录下各有两个目录：train 和 val，train 目录表示训练数据目录，val 表示验证数据目录，标注数据的格式如下所示：

0 0.68724 0.458796 0.024479 0.039815
0 0.511719 0.504167 0.021354 0.034259
0 0.550781 0.596759 0.039062 0.04537
0 0.549219 0.368519 0.023438 0.044444
0 0.47526 0.504167 0.009896 0.030556
0 0.470313 0.69537 0.027083 0.035185
0 0.570052 0.499074 0.016146 0.040741
0 0.413542 0.344444 0.022917 0.037037
0 0.613802 0.562037 0.015104 0.027778
0 0.477344 0.569444 0.017188 0.016667

synth.yaml是数据的配置文件，数据格式如下：

path:
train: images
val: images
test:
names:
 0: Safety helmet

3、YOLOv5模型训练

生成数据集后，下一步就是利用Yolo来训练模型，第一步，打开 ultralytics hub 在线训练工具，将刚才生成的数据集上传到ultralytics hub

将合成数据上传后，选择YOLO模型版本，确定好YOLO模型版本后，点击【continue】就可以开始使用ultralytics来训练集我们的模型了，如下所示：

选择YOLO模型后点击下一步将会生成用户key值，这个key值将在下一步模型训练时用到

复制【step1】中中的内容，点击【step2】进入到google Colab页面，如下所示：

首先，先点击step中的播放按钮，安装环境依赖，如上图所示；环境安装成功后，接下来将【Start】中的整个内容给都换掉，用在上一步中复制的key值整体替换里面原来的信息，如图：

然后点击播放按钮，开始训练模型，如下图所示：

模型训练需要一段时间...

4、训练模型验证

模型训练完成之后，可以用训练好的模型验证一下，用几张工地工人干活的场景图片，导入用图片来验证一下，操作步骤如图所示：

图片验证结果如下：

 转载：YOLO 施工安全帽目标检测模型 (mvrlink.com)