人员徘徊识别智能预警系统

人员徘徊识别智能预警利用计yolov5m模型对现场人员徘徊行为进行实时智能分析。首先所谓徘徊就是运动人体在一个地方停留超过一段时间或者运动轨迹出现异常(在一个地方来回反复的走)首先使用yolov5m模型进行物体检测，筛选出行人，卡车和汽车。考虑到运行效 率和使用背景，只进行三个行人，一辆卡车和一辆汽车的徘徊判定。如果行人过多，就发出人员密集的提示信息。

YOLO网络仅使用卷积层， 属于全卷积网络。这在减少了参数变量的同时， 加快了网络的运行速度。相比于其他神经网络，YOLO系列神经网络通过合理的设计，成功地将目标检测问题转化为回归问题，因而直接通过网络产生物体的位置和所属类别信息。而其他主流网络，大多数需要对已经过神经网络处理输出的图像进行再处理。

YOLO创造性的将物体检测任务直接当作回归问题( regression problem )来处理,将候选区和检测两个阶段合_为一。只需一-眼就能知道每张图像中有哪些物体以及物体的位置。

 

import os
from torch.utils.data import Dataset
from utils import *
from torchvision import transforms
transform = transforms.Compose([
    transforms.ToTensor()
    ])

class MyDataset(Dataset):
    def __init__(self, path):   
        self.path = path
        self.name = os.listdir(os.path.join(path, 'notedata'))
    def __len__(self):         
        return len(self.name)
    def __getitem__(self, index):  
        segment_name = self.name[index] #XX.png
        segment_path = os.path.join(self.path, 'notedata', segment_name)