Python小组作业:基于yolov5的口罩佩戴识别
Python老师给了三个小组项目:1.自身专业问题 2.人工智能 3.游戏或者小工具
提前告知了,写游戏不好拿高分,小工具又不能展示自己的水平。大一刚来也没碰到什么专业问题,于是经过讨论,决定了做人工智能项目。
又因才疏学浅,只好践行拿来主义,把现成的yolov5拿来用,做一个口罩佩戴识别。
1.环境配置:本项目使用miniconda + pytorch + yolov5,IDE使用的是Pycharm。
miniconda官网:https://conda.io/en/latest/miniconda.html
pytorch官网:https://pytorch.org/get-started/locally/
Pycharm官网:https://www.jetbrains.com/pycharm/download/#section=windows
miniconda配置pytorch教程:https://blog.csdn.net/weixin_41297324/article/details/109478948
Pycharm安装教程:https://www.runoob.com/w3cnote/pycharm-windows-install.html
Anaconda可以虚拟化管理python环境,自带许多科学计算的python库。这是个非常方便的选择,也为后面封装exe挖了个坑。
不使用conda配置pytorch教程:https://blog.csdn.net/qq_23013309/article/details/103965619
Yolov5项目地址:https://github.com/ultralytics/yolov5
python版本是3.8,cuda版本我选择的是11.3,yolov5使用的是v6.0版本。
2.收集数据、打标签
训练人工智能是很吃数据的,推荐的数据规模是每一类1000+图片,因为是小组项目,所以采用的是小数据集。
目标数据部分来自:https://www.bilibili.com/video/BV1i7411376y
背景数据来自我手机相册、朋友圈。
打标签工具Labelimg:https://github.com/tzutalin/labelImg
将所有数据进行打标签,过程应当是十分痛苦的。
3.调整代码训练数据
yolov5-v6.0下载解压后,找到train.py,对其中代码进行修改。
parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')
选择预训练的模型,如果数据集足够大,不选择预训练模型也可以取得很好的成果。
parser.add_argument('--epochs', type=int, default=100)
训练次数,这里默认是300,因为性能有限所以选择了100.
parser.add_argument('--batch-size', type=int, default=3, help='total batch size for all GPUs')
default需要根据显卡和内存性能修改,电脑是GTX3060+16G内存,我这里设置的比较保守。如果设置过大,会导致显存溢出。
其他的配置可以保持默认,直接把数据和标签扔进coco128的train2017文件夹中进行训练即可。
找到coco128.yaml,对其中的代码进行修改:
` # 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, ..]
path: ../datasets/coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)
# Classes
nc: 2 # number of classes
names: ['masked','no_mask'] # class names`
nc改成2,names改为masked no_mask。
4.运行train.py,训练模型。
5.修改并调用detect.py
在yolov5的文件夹下新建一个mask_kid.py,内容如下:
`
from detect import run
run_dict = {
'weights': 'best.pt',
'source': 0,
'imgsz': [640, 640],
'conf_thres': 0.85,
'iou_thres': 0.75,
'max_det': 10,
'device': '0',
'view_img': False,
'save_txt': False,
'save_conf': False,
'save_crop': False,
'nosave': True,
'classes': None,
'agnostic_nms': False,
'augment': False,
'visualize': False,
'update': False,
'project': 'runs/detect',
'name': 'exp',
'exist_ok': False,
'line_thickness': 3,
'hide_labels': False,
'hide_conf': False,
'half': False,
'dnn': False
}
run(**run_dict)
`
从训练结果文件夹中找到best.pt复制到yolov5文件夹下。
图形界面还没写,主要是加载参数并且调用detect.py。基本没有太大技术含量。
运行此代码尝试一下,似乎效果还可以?
5.优化
虽然能够正确识别无遮挡的人脸和口罩遮挡的人脸,但是此模型在面对其他类型的遮挡攻击时表现较差。
目前的优化思路有两个:
1、二次识别
2、增加攻击数据
二次识别需要更多的数据,需要更多的代码。才疏学浅,只好选择增加攻击数据重新训练。
6.封装项目
由于之前使用的是虚拟环境,在使用Pyinstaller打包时遇到问题无数。
打包后的程序在自己电脑上运行正常,去其他电脑上运行频繁报错。
最后经高人指点乃是conda导致部分库打包不完全,需要在实际环境中打包或是指定路径,在此一并感谢。
时间紧迫,后续工作就不开展了。
附模型分享:
链接:https://pan.baidu.com/s/1tmT_9oE6tWw7s2Wa_KYpTA
提取码:z3k1
Python小组作业:基于yolov5的口罩佩戴识别的更多相关文章
- 机器学习经典算法详解及Python实现--基于SMO的SVM分类器
原文:http://blog.csdn.net/suipingsp/article/details/41645779 支持向量机基本上是最好的有监督学习算法,因其英文名为support vector ...
- 基于卷积神经网络的人脸识别项目_使用Tensorflow-gpu+dilib+sklearn
https://www.cnblogs.com/31415926535x/p/11001669.html 基于卷积神经网络的人脸识别项目_使用Tensorflow-gpu+dilib+sklearn ...
- Pytorch实现基于卷积神经网络的面部表情识别(详细步骤)
文章目录 一.项目背景 二.数据处理 1.标签与特征分离 2.数据可视化 3.训练集和测试集 三.模型搭建 四.模型训练 五.完整代码 一.项目背景数据集cnn_train.csv包含人类面部表情的图 ...
- 基于SVM的字母验证码识别
基于SVM的字母验证码识别 摘要 本文研究的问题是包含数字和字母的字符验证码的识别.我们采用的是传统的字符分割识别方法,首先将图像中的字符分割出来,然后再对单字符进行识别.首先通过图像的初步去噪.滤波 ...
- 基于Tesseract组件的OCR识别
基于Tesseract组件的OCR识别 背景以及介绍 欲研究C#端如何进行图像的基本OCR识别,找到一款开源的OCR识别组件.该组件当前已经已经升级到了4.0版本.和传统的版本(3.x)比,4.0时代 ...
- 基于Deep Learning 的视频识别方法概览
深度学习在最近十来年特别火,几乎是带动AI浪潮的最大贡献者.互联网视频在最近几年也特别火,短视频.视频直播等各种新型UGC模式牢牢抓住了用户的消费心里,成为互联网吸金的又一利器.当这两个火碰在一起,会 ...
- [python 译] 基于面向对象的分析和设计
[python 译] 基于面向对象的分析和设计 // */ // ]]> [python 译] 基于面向对象的分析和设计 Table of Contents 1 原文地址 2 引言 2.1 ...
- python中基于descriptor的一些概念
python中基于descriptor的一些概念(上) 1. 前言 2. 新式类与经典类 2.1 内置的object对象 2.2 类的方法 2.2.1 静态方法 2.2.2 类方法 2.3 新式类(n ...
- python实现基于CGI的Web应用
python实现基于CGI的Web应用 本文用一个“网上书店”的web应用示例,简要介绍如何用Python实现基于CGI标准的Web应用,介绍python的cgi模块.cigtb模块对编写CGI脚本提 ...
随机推荐
- [loj3501]图函数
$f(i,G)_{x}$为$x$对$i$是否有贡献,即在枚举到$x$时,$i$与$x$是否强连通 事实上,$f(i,G)_{x}=1$即不经过$[1,x)$中的点且$i$与$x$强连通 首先,当存在这 ...
- 『学了就忘』Linux文件系统管理 — 58、常用硬盘管理相关命令
目录 1.df命令 2.du命令 3.fsck文件系统修复命令 4.显示磁盘状态dumpe2fs 5.查看文件的详细时间 6.判断文件类型 1.df命令 df命令用于统计分区的占用状况. [root@ ...
- 24:WEB漏洞-文件上传之WAF绕过及安全修复
本课重点 案例1:上传数据包参数对应修改测试 案例2:safedog+云服务器+uploadlabs测试 案例3:safedog+云服务器+uploadlabs_fuzz测试 案例4:文件上传安全修复 ...
- Atcoder Grand Contest 003 F - Fraction of Fractal(矩阵乘法)
Atcoder 题面传送门 & 洛谷题面传送门 Yet another AGC F,然鹅这次就没能自己想出来了-- 首先需注意到题目中有一个条件叫做"黑格子组成的连通块是四联通的&q ...
- Peaks Gym 100365H
Peaks ( Gym 100365H ) 这题nk做法还挺正常的..后面那个循环就很恶心了 考虑 dp[i][j] 表示长度为i的排列,恰好有k个峰的方案数量. 然后转移就是把 i 插入 i-1 的 ...
- mysql—mysql查询语句提示Unknown column ‘xxx’ in ‘where clause’
运行结果中提示Unknown column 'xxx' in 'where clause'的问题.经过大神的指导,顿时明白其中缘由,如果sql中定义的类型是int型的可以不用加引号,但是如果是字符串类 ...
- mysql-日期时间函数大全
DAYOFWEEK(date) 返回日期date是星期几(1=星期天,2=星期一,--7=星期六,ODBC标准)mysql> select DAYOFWEEK('1998-02-03'); ...
- centos 安装reids
1.安装tcl支持 yum install tcl 2.安装redis我们以最新的2.8.9为例 $ wget http://download.redis.io/releases/redis-2.8. ...
- Ubuntu apt代理apt-cacher-ng配置及使用
apt-cacher-ng是更强大的apt代理服务器的替代方案,例如squid-deb-proxy.如果您正在运行小型家庭或办公室网络,那就别无所求.它可能缺少一些更高级的功能,但是可以立即进行配置, ...
- 日常Java 2021/11/9
线程的优先级 每一个Java线程都有一个优先级,这样有助于操作系统确定线程的调度顺序.Java线程的优先级是一个整数,其取值范围是1(Thread.MIN_PRIORITY ) -10 (Thread ...