目錄

一、背景

二、配置環(huán)境

三、使用手機行為檢測數(shù)據(jù)集

四、租用云端GPU進行模型訓練

五、PC端驗證訓練效果

六、Aidlux端的模型推理測試

七、改進及拓展

一、背景

現(xiàn)代社會“低頭族”越來越多，過馬路時低頭玩手機，操作崗位上工作時玩手機，甚至有的騎車時也在玩手機等等，存在著不同程度的交通安全隱患、安全操作隱患等等。因此，開發(fā)出一個玩手機的行為檢測系統(tǒng)，以規(guī)范人們的玩手機行為，還是具有很大意義的。

本項目是基于YoloV5做的玩手機行為檢測，深加工后可落地于行人玩手機監(jiān)測等安全交通、崗位玩手機等安全生產(chǎn)、兒童玩手機等智慧家居等實際應用場景。

二、配置環(huán)境

該項目主要是應用VSCode（或Pycharm）進行代碼調試，通過Aidlux手機App軟件實現(xiàn)在邊緣設備上的部署。

AIdlux主打的是基于ARM架構的跨生態(tài)（Android/鴻蒙+Linux）一站式AIOT應用開發(fā)平臺。其具體介紹請參見文章《Aidlux邊緣設備簡介》。

VScode軟件的安裝、配置及使用和Aidlux邊緣設備的軟件安裝及使用請參考文章《Aidlux&VScode編程調試及AI案例測試》，文中有詳細步驟指導完成。

三、使用手機行為檢測數(shù)據(jù)集

1.該項目使用的是具有8201玩手機圖片的數(shù)據(jù)集，含有jpg格式的圖像及與其相對應的xml和txt格式的標簽。（有需要者可聯(lián)系）

2. 將數(shù)據(jù)集清洗，并分成訓練集與測試集。

①通過標簽文件名對比圖像文件名，獲得對應的圖像，去除沒有標簽的圖像；也可根據(jù)圖像文件名對比標簽文件名，去除沒有圖像的標簽；也可兩者都進行。代碼較簡單，參見《圖像數(shù)據(jù)集與標簽數(shù)據(jù)集名稱對比篩選的代碼示例》，文中僅展示第一種方式。

②將數(shù)據(jù)集按8：2比例拆分為訓練集與測試集，代碼段參見《如何將原始數(shù)據(jù)集分為訓練集與測試集》

四、租用云端GPU進行模型訓練

具體如何使用云端網(wǎng)盤，租用服務器，和創(chuàng)建實例請參考文章《通過云服務器租用GPU進行基于YOLOV5的人體檢測模型訓練》，里邊有詳細操作步驟。

1將已經(jīng)編寫調試好的代碼打包成zip格式的壓縮文件，和剛剛做好的數(shù)據(jù)集打包成zip格式的壓縮文件，傳到云端網(wǎng)盤。

2.租用實例后，解壓縮打包文件。

3.在“JupyterLab”下新建終端，并運行‘file_generate_txt.py’文件，生成現(xiàn)在訓練集圖像與測試集圖像的path,注意在py文件中要把文件path修改到在網(wǎng)盤中對應的path。

?最后的得到統(tǒng)計image path的train_txt.txt與label_txt.txt文件。

?4.檢查并修改data.yaml文件，如圖所示，保證訓練集與測試集path正確，修改檢測種類和類型name。

5.修改train.py文件中的weight參數(shù)path、data文件path、hyp文件path和cfg文件path，本次訓練用的是YoloV5s的模型配置和參數(shù)。 然后就可以開始訓練了。

6.訓練完成，可以在runs文件夾中看到訓練過程中產(chǎn)生的參數(shù)文件。并將最優(yōu)的模型參數(shù)文件‘best.pt’下載到本地，進行使用。?

五、PC端驗證訓練效果

在PC端修改并運行'detect_image.py'文件，查看驗證效果。注意代碼中path的更改。

?同樣的，運行“detect_image.py”文件，可查看視頻顯示效果。

六、Aidlux端的模型推理測試

具體詳細的操作步驟可參考《算法模型在Aidlux端的模型推理測試實現(xiàn)詳解》

1.在tensorflow框架下，運行export.py文件，生成phone_best-fp16.tflite文件。

?2.我們使用Netron，打開剛剛的yolov5n_best-fp16.tflite文件。點擊最下方的輸出單元，可以看到輸出的信息。

3.將代碼上傳到Aidlux的Home下面，在VSCode中使用SSH，連接到Aidlux。

4.打開aidlux文件夾中的yolov5.py并修改，進行視頻推理測試。

?5.運行aidlux文件夾中的“yolov5.py”程序，在手機版本的Aidlux和PC端網(wǎng)頁的Aidlux中，都可以看到推理的顯示結果。

七、改進及拓展

該項目只是最基本的行人使用手機檢測，結合人臉識別和人體行為追蹤算法，可將信息記錄并推送給相關人員。后面有機會會進一步更新。文章來源地址http://www.zghlxwxcb.cn/news/detail-477242.html

到了這里，關于基于YoloV5的使用手機行為檢測及在邊緣設備部署實現(xiàn)的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！