口罩?jǐn)?shù)據(jù)集：GitHub - X-zhangyang/Real-World-Masked-Face-Dataset: Real-World Masked Face Dataset，口罩人臉數(shù)據(jù)集

yolov5 源碼：GitHub - ultralytics/yolov5: YOLOv5 ?? in PyTorch > ONNX > CoreML > TFLite

一.深度學(xué)習(xí)目標(biāo)檢測算法分類

1.?基于區(qū)域提取的兩階段目標(biāo)檢測

1.1 SPP-Net

1.2 R-CNN

?1.3 FAST R-CNN

?1.4 FASTER-CNN

2.?基于回歸的單階段為目標(biāo)檢測

2.1?YOLO系列(YOLO,YOLOv1,2,3,4,5,7)

2.2?OverFeat

二.YOLO系列目標(biāo)檢測算法介紹

1. YOLOv1：YOLOv1是利用整張圖作為網(wǎng)絡(luò)的輸入，直接在輸出層回歸bounding box的位置和bounding box所屬的類別。
2. YOLOv2：YOLOv2相較v1版本，預(yù)測更準(zhǔn)確，速度更快，識(shí)別對象更多這三個(gè)方面進(jìn)行了改進(jìn)
3. YOLOv3：YOLOv3的Bounding Box由YOLOv2又做出了更好的改進(jìn)
4. YOLOv4：YOLOv4結(jié)合了大量前人研究技術(shù)，加以組合并進(jìn)行適當(dāng)創(chuàng)新的算法，實(shí)現(xiàn)了速度和精度的完美平衡。?
5. YOLOv5：YOLOv5在YOLOv4算法的基礎(chǔ)上做了進(jìn)一步的改進(jìn)，檢測性能得到進(jìn)一步的提升。在COCO數(shù)據(jù)集上面的測試效果較好。

三 .Yolov5介紹

?3.1?YOLOv5網(wǎng)絡(luò)模型主要包括：Yolov5s、Yolov5m、Yolov5l、Yolov5x

?3.2?Yolov5s網(wǎng)絡(luò)為Yolov5系列中深度最小，特征圖的寬度最小的網(wǎng)絡(luò)。而后面的3種則是在此基礎(chǔ)上不斷加深，不斷加寬，速度的消耗也在不斷增加

3.3 YOLOv5主要部分

?四、基于yolov5的人臉口罩識(shí)別檢測

4.1?受新型冠狀病毒的影響，人臉口罩佩戴檢測成為了當(dāng)前急需的應(yīng)用，而YOLOv5作為目前檢測能力較強(qiáng)的目標(biāo)檢測技術(shù)，因此，結(jié)合本次專業(yè)認(rèn)識(shí)實(shí)習(xí)以及所學(xué)知識(shí)，我使用了YOLOv5來實(shí)現(xiàn)人臉口罩佩戴的檢測。實(shí)踐的內(nèi)容包括：運(yùn)用網(wǎng)絡(luò)爬蟲爬取一定量的數(shù)據(jù)集，運(yùn)用MakeSense對數(shù)據(jù)集進(jìn)行打標(biāo)簽，然后在云服務(wù)器上利用YOLOv5網(wǎng)絡(luò)模型訓(xùn)練數(shù)據(jù)集得到最佳模型，最后利用其實(shí)現(xiàn)人臉口罩佩戴的一定精度的檢測。

4.2 實(shí)現(xiàn)過程：

4.2.1：獲取并準(zhǔn)備數(shù)據(jù)集（此數(shù)據(jù)集較小，需要大數(shù)據(jù)集的可參考我上傳的資源或者開源數(shù)據(jù)集）

Part2：包括100張（不佩戴口罩）

Part3：包括100張（佩戴口罩）

4.2.2：利用MakeSense進(jìn)行逐個(gè)打標(biāo)簽 （也可以使用labelme進(jìn)行打標(biāo)簽）

MaskSense上手快，使用較為容易

鏈接:?Make Sense

?

?

4.2.3. 為后期的訓(xùn)練

需要將數(shù)據(jù)集mydata首先劃分為兩個(gè)部分(一個(gè)存放圖片，一個(gè)存放標(biāo)簽)

1.image, 2.labels

并劃分為訓(xùn)練集，測試集與驗(yàn)證集

1.test, 2.train, 3train_2

?

4.2.4 文件目錄介紹

data：主要是存放一些超參數(shù)的配置文件,是用來配置訓(xùn)練集和測試集還有驗(yàn)證集的路徑，其中還包括目標(biāo)檢測的種類數(shù)和種類的名稱；還有官方提供測試的圖片。訓(xùn)練自己的數(shù)據(jù)集需要修改其中的yaml文件

models：里面主要是一些網(wǎng)絡(luò)構(gòu)建的配置文件和函數(shù)，其中包含了該項(xiàng)目的四個(gè)不同的版本，分別為是s、m、l、x

utils：存放的是工具類的函數(shù)，里面有l(wèi)oss函數(shù)，metrics函數(shù)，plots函數(shù)等等

weights：放置訓(xùn)練好的權(quán)重參數(shù)

detect.py：利用訓(xùn)練好的權(quán)重參數(shù)進(jìn)行目標(biāo)檢測，可以進(jìn)行圖像、視頻和攝像頭的檢測

train.py：訓(xùn)練自己的數(shù)據(jù)集的函數(shù)

test.py：測試訓(xùn)練的結(jié)果的函數(shù)

4.2.5 yaml文件配置

在開始訓(xùn)練前還需要對項(xiàng)目里的相關(guān)文件進(jìn)行修改，一個(gè)是數(shù)據(jù)配置文件，另一個(gè)是模型配置文件。首先是數(shù)據(jù)配置文件，在data下找到coco.yaml,將其復(fù)制一份再重命名為mydata.yaml，修改路徑以及類的個(gè)數(shù)與標(biāo)簽名稱

4.2.6 train.py文件中的路徑以及參數(shù)

修改模型的配置文件，train.py中默認(rèn)使用的yolov5s.pt這個(gè)權(quán)重，可以修改為yolov5m等，或自己訓(xùn)練出來的best.pt

修改

4.2.7 開始訓(xùn)練

?

4.2.7 訓(xùn)練300輪 一共用時(shí)3.1h

訓(xùn)練結(jié)果分析

訓(xùn)練結(jié)束后，會(huì)產(chǎn)生一個(gè)runs/exp的文件夾

?1.Weights下將會(huì)產(chǎn)生兩個(gè)權(quán)重文件 分別是best.pt以及l(fā)ast.pt(代表最好的模型和最后的模型)

val.py文件可以對best.pt進(jìn)行單獨(dú)驗(yàn)證，需要給出數(shù)據(jù)集的配置文件和權(quán)重文件的配置文件

2.F1_curve.png F1是衡量指標(biāo)，可以看到all class1.0 at 0.629，即所有類別的判斷精度大約是在1.0左右

1. result.png

可視化了數(shù)值的結(jié)果，可以大體看出誤差在不斷下降，準(zhǔn)確在不斷提高文章來源地址http://www.zghlxwxcb.cn/news/detail-476551.html

到了這里，關(guān)于基于Yolov5的目標(biāo)檢測（以口罩檢測為例）的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！