• yolov5的口罩识别系统+GUI界面 （附代码）

    基于YOLOv5模型的口罩识别系统，结合了GUI界面，旨在帮助用户快速、准确地识别图像或视频中佩戴口罩的情况。YOLOv5是一种流行的目标检测模型，具有高效的实时检测能力，而GUI界面则提供了友好的用户交互界面，使得整个系统更易于操作和使用。

    通过该系统，用户可以上传图像或者选择视频进行口罩识别，系统会使用YOLOv5模型自动检测图中人脸并判断是否佩戴口罩。识别结果将会在界面上直观显示，同时还可以导出识别结果或者保存分析报告。这样的系统可以被广泛应用于监控系统、安全检查等领域，提高工作效率和准确性。

    使用方式

    1. 安装依赖
    pip install -r requirements.txt
    1. 运行 PyqtGUI.py 文件
    python PyqtGUI.py

    备注:best1、2、3.pt为模型文件，如有需要自行替换。

    目标检测:

    目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于无人驾驶、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。 因此，目标检测也就成为了近年来理论和应用的研究热点，它是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，同时目标检测也是泛身份识别领域的一个基础性的算法，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。

    YOLOv5简介:

    YOLOV4出现之后不久，YOLOv5横空出世。YOLOv5在YOLOv4算法的基础上做了进一步的改进，检测性能得到进一步的提升。YOLOv5在COCO数据集上面的测试效果非常不错。工业界也往往更喜欢使用这些方法，而不是利用一个超级复杂的算法来获得较高的检测精度。 YOLOv5是一种单阶段目标检测算法，速度与精度都得到了极大的性能提升。主要的改进思路如下所示：

    1. 输入端：在模型训练阶段，提出了一些改进思路，主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放。
    2. 基准网络：融合其它检测算法中的一些新思路，主要包括：Focus结构与CSP结构。
    3. Neck网络：目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层，Yolov5中添加了FPN+PAN结构。
    4. Head输出层：输出层的锚框机制与YOLOv4相同，主要改进的是训练时的损失函数GIOU_Loss，以及预测框筛选的DIOU_nms。

    YOLOv5S模型的网络架构：

    YOLOV5目录结构：

    其中，train.py这个文件也是我们接下来训练yolo模型需要用到的启动文件。 requirement.txt 中有我们所需要的的全部依赖,采用pip安装。

    pip install -r requirements.txt #安装完依赖后准备工作完成

     每个文件作用:

    1. YOLOv5
    2. |   detect.py  #检测脚本
    3. |   hubconf.py  # PyTorch Hub相关代码
    4. |   LICENSE    # 版权文件
    5. |   README.md  #README  markdown 文件
    6. |   requirements.txt   #项目所需的安装包列表
    7. |   sotabench.py    #COCO 数据集测试脚本
    8. |   test.py         #模型测试脚本
    9. |   train.py         #模型训练脚本
    10. |   tutorial.ipynb   #Jupyter Notebook演示代码
    11. |-- data
    12. |    |   coco.yaml           #COCO 数据集配置文件
    13. |    |   coco128.yaml        #COCO128 数据集配置文件
    14. |    |   hyp.finetune.yaml   #超参数微调配置文件
    15. |    |   hyp.scratch.yaml    #超参数启始配置文件
    16. |    |   voc.yaml            #VOC数据集配置文件
    17. |    |---scripts
    18. |             get_coco.sh   # 下载COCO数据集shell命令
    19. |             get_voc.sh   # 下载VOC数据集shell命令
    20. |-- inference
    21. |    |   images         #示例图片文件夹
    22. |              bus.jpg
    23. |              zidane.jpg
    24. |-- models
    25. |    |   common.py         #模型组件定义代码
    26. |    |   experimental.py   #实验性质的代码
    27. |    |   export.py         #模型导出脚本
    28. |    |   yolo.py           # Detect 及 Model构建代码
    29. |    |   yolo5l.yaml       # yolov5l 网络模型配置文件
    30. |    |   yolo5m.yaml       # yolov5m 网络模型配置文件
    31. |    |   yolo5s.yaml       # yolov5s 网络模型配置文件
    32. |    |   yolo5x.yaml       # yolov5x 网络模型配置文件
    33. |    |   __init__.py       
    34. |    |---hub
    35. |            yolov3-spp.yaml
    36. |            yolov3-fpn.yaml
    37. |            yolov3-panet.yaml
    38. |-- runs    #训练结果
    39. |    |--exp0
    40. |    |   |	events.out.tfevents.
    41. |    |   |  hyp.yaml
    42. |    |   |  labels.png
    43. |    |   |  opt.yaml
    44. |    |   |  precision-recall_curve.png
    45. |    |   |  results.png
    46. |    |   |  results.txt
    47. |    |   |  test_batch0_gt.jpg
    48. |    |   |  test_batch0_pred.jpg
    49. |    |   |  test_batch0.jpg
    50. |    |   |  test_batch1.jpg
    51. |    |   |  test_batch2.jpg
    52. |    |   |--weights
    53. |    |             best.pt   #所有训练轮次中最好权重
    54. |    |             last.pt   #最近一轮次训练权重
    55. |-- utils
    56. |    |   activations.py   #激活函数定义代码  
    57. |    |   datasets.py      #Dataset 及Dataloader定义代码
    58. |    |   evolve.py        #超参数进化命令 
    59. |    |   general.py       #项目通用函数代码  
    60. |    |   google_utils.py  # 谷歌云使用相关代码
    61. |    |   torch_utils.py   # torch工具辅助类代码 
    62. |    |   __init__.py   # torch工具辅助类代码 
    63. |    |---google_app_engine
    64. |               additional_requirements.txt
    65. |				app.yaml
    66. |				Dockerfile
    67. |-- VOC   #数据集目录
    68. |    |--images  #数据集图片目录
    69. |    |    |--train  # 训练集图片文件夹
    70. |    |    |         000005.jpg
    71. |    |    |         000007.jpg
    72. |    |    |         000009.jpg
    73. |    |    |         0000012.jpg
    74. |    |    |         0000016.jpg
    75. |    |    |         ...
    76. |    |    |--val    # 验证集图片文件夹 
    77. |    |    |         000001.jpg
    78. |    |    |         000002.jpg
    79. |    |    |         000003.jpg
    80. |    |    |         000004.jpg
    81. |    |    |         000006.jpg
    82. |    |    |         ...       
    83. |    |--labels  #数据集标签目录
    84. |    |    train.cache
    85. |    |    val.cache
    86. |    |    |--train  # 训练标签文件夹
    87. |    |    |         000005.txt
    88. |    |    |         000007.txt
    89. |    |    |         ...
    90. |    |    |--val    # 验证集图片文件夹 
    91. |    |    |         000001.txt
    92. |    |    |         000002.txt
    93. |    |    |         ...    
    94. |-- weights
    95.     dwonload_weights.sh   #下载权重文件命令
    96.     yolov5l.pt  #yolov5l 权重文件
    97.     yolov5m.pt  #yolov5m 权重文件
    98.     yolov5s.mlmodel  #yolov5s 权重文件(Core M格式)
    99.     yolov5s.onnx  #yolov5s 权重文件(onnx格式)
    100.     yolov5s.torchscript  #yolov5s 权重文件(torchscript格式)
    101.     yolov5x.pt  #yolov5x 权重文件

    模型训练过程：

    使用环境：Python3.8+torch1.8.1+cuda11.1+pycharm （注：cuda的安装版本取决于显卡类型）

    1.数据集的标注：

    python打开labelimg这个软件进行标注。

    python labelimg.py

    数据格式建议选择VOC,后期再转换成 yolo格式。 ( VOC会生成 xml 文件,可以灵活转变为其他模型所需格式)

    本次训练标注两个标签，佩戴口罩为 mask，未佩戴口罩为 face。

    在根目录下建立一个VOCData文件夹，再建立两个子文件，其中，jpg文件放置在VOCData/images下，xml放置在VOCData/Annotations中。（这一步根据个人随意，因为在训练时需要创建配置文件指定模型训练集的目录）

    2.数据集的训练：

    ①、在项目根目录下文件夹下新建mask_data.yaml配置文件，添加如下内容： （根据个人情况修改）

    其中： path：项目的根目录 train：训练集与path的相对路径 val：验证集与path的相对路径 nc：类别数量，2个 names：类别名字 (上一步中标注好的训练集，可以按照想要比例划分为训练和验证集，也可以不划分填同一路径。)

    ②、修改启动文件 train.py：

    打开train.py,其相关参数如下：

     其中： weights：权重文件路径 cfg：存储模型结构的配置文件 data：存储训练、测试数据的文件（上一步中自己创建的那个.yaml） epochs：训练过程中整个数据集的迭代次数 batch-size：训练后权重更新的图片数 img-size：输入图片宽高。 device：选择使用GPU还是CPU workers：线程数，默认是8

    1. #输入命令开始训练：
    2. python train.py --weights data/yolov5s.pt --cfg models/yolov5s.yaml --data data/mask_data.yaml --epoch 100 --batch-size 8 --device 0

    ③、等待慢慢跑完

    模型结果数据呈现：

    1.数据集的分布：

    mask的照片约有2000张，face的照片约有2500张。

    2.损失函数和准确率：

    可以看到随着训练的进行，以不同方式呈现的损失函数呈明显下降趋势，准确率呈上升趋势。

    3.置信度与准确率：

    置信度在0.6以上时，准确率接近80%。

    GUI编程：

    编写GUI界面，方便对权重文件进行一个替换，对图片和视频进行一个监测，以及调用摄像头进行实时监测。

     

  • 相关阅读:
    Java面试题大全（2021版）
    vSphere-ESXi
    Ardupilot — AP_OpticalFlow代码梳理
    【openscreen 】FrameId
    GNSS及其定位原理，差分GNSS技术分析
    Android开发实例：打电话
    设计模式中的七大原则
    Linux学习之MySQL建表
    【fiddler学习笔记】——安装、原理、使用
    rust学习-string
  • 原文地址：https://blog.csdn.net/2301_78240361/article/details/139464362