基于YOLOv8的红领巾目标检测源码+模型+使用说明.zip

<div align="center"> <p> <a href="https://github.com/Vicwxy9/RedScarf" target="_blank"> <img width="100%" src="https://i.328888.xyz/2023/03/29/ik78i3.png"></a> </p> </div> ## <div align="center">前景</div> 在我校行为规范管理的背景下，我突发奇想，想使用AI帮助规范检查。于是，这个项目便产生了。[Ultralytics YOLOv8](https://github.com/ultralytics/ultralytics)的支持下完成的.[Ultralytics YOLOv8](https://github.com/ultralytics/ultralytics) 是由 [Ultralytics](https://ultralytics.com) 开发的一个前沿的SOTA 模型。它在以前成功的 YOLO 版本基础上，引入了新的功能和改进，进一步提升了其性能和灵活性。基于快速、准确和易于使用的设计理念，使其成为广泛的目标检测、图像分割和图像分类任务的绝佳选择。 ## <div align="center">文档</div> <details open> <summary>安装</summary> Pip 安装包含所有 [requirements.txt](https://github.com/ultralytics/ultralytics/blob/main/requirements.txt) 的包，环境要求 [**Python>=3.7**](https://www.python.org/)，且 [\*\*PyTorch>=1.7 \*\*](https://pytorch.org/get-started/locally/)。 ```bash pip install -r requirements.txt ``` </details> <details open> <summary>使用方法</summary> 该项目由于时间原因没有做UI以及其他功能，只能在命令行界面（CLI）中使用 `python` 命令运行： ```bash python Main.py ``` 效果会在摄像头上标出人和红领巾的位置，若未戴红领巾则为黄色，若带了则为绿色 具体如下(所有图片均使用图床，如果需要请到data/images寻找)：  |  --- | ---  |   |   |   |   |  </details> ## <div align="center">说明</div> <details open><summary>项目架构</summary> ```bash data |- images (markdown图片) |- datasets.zip (数据集) |- models.zip (原始未经优化 pt onnx 模型) detector |-persondetector.py (人体检测封装函数库) |-redscarfdetector.py (红领巾检测封装函数库) models |-redscarf_openvino_model (红领巾优化后OpenVINO 模型) |-yolov8n_openvino_model (人体检测优化后OpenVINO 模型) tools |-ChangeToOpenVINO.py (模型转换) |-GetImage.py (百度图片爬虫) |-Json2txt.py (数据集转换) |-Picture.py (摄像头数据采集) Log.py (日志文件) Main.py (主程序) Train.ipynb (在Colab上的模型训练文件及过程) ``` </details> <details open><summary>项目设计方案</summary> 本程序首先通过数据采集，和训练的方式得到了一个模型，可以较好地检测红领巾 随机此模型性能较差，单单一个模型既需要 150ms 的推理时间，故我通过OpenVINO的方式优化了模型，使得它能达到 50ms 的推理时间，大大减少了性能损耗 同时我亦使用了官方预训练模型，进行人体检测，只要红领巾在此人体范围之内，及判断改人戴了红领巾（此方法有缺点，便是红领巾拿在手上会被误检成戴了红领巾） 最后，通过cv2的绘图工具进行绘图，得到结果 </details> ## <div align="center">模型</div> <details open><summary>目标检测</summary> | 模型 | 尺寸<br><sup>（像素） | mAP<sup>val<br>50-95 | 推理速度<br><sup>CPU(i7-8565U) ONNX<br>(ms) | 参数量<br><sup>(K) | | --------- | ------- | -------- | ------------| ---------- | | [RedScarf](/data/best.pt) | 640*480 | 55.62 | 95.84 | 0.81 </details> <details open><summary>训练</summary> 本项目通过[爬虫](GetImage.py)，[拍摄](Picture.py)两种方式进行数据采集 拍摄过程中共进行了5次数据迭代，第一代由于数据单一，且验证集过小失败。第二代增加了网络数据，不过手动的下载显得慢二累赘。故，第三代采用爬虫，但是爬虫数据大多不符合要求数据量不够打。第四代增加了600张自己拍摄的照片，但是服装，方式单一，没有很好的效果。在第五代，增加了各种复杂环境进行识别，在134次epoch后，mAP50-95达到了55.62，mAP50达到了89.61。实现了较好的识别，能适应复杂情况      具体数据在[此](/data/datasets.zip) 最重要的是，本项目并没有采用传统的手动标注思想，而是采用了半监督学习化的自动标注，大大的节省了人力，我仅标注了50张图片，它即可标注800张，颇为高效。 </details> ## <div align="center">不足</div> 1.本项目由于时间原因，没有做UI。 2.训练数据集不够完善，导致mAP没有达到极限。 3.本项目没有适配大多数机型（OpenVINO 有局限性），没有打包exe。 在后续的学习中我会不断更近此项目，如有疑问请发issue ----------------- # by 傅雷中学王新语