# MaskReco
一个基于YoloV5的口罩识别项目+GUI
## 使用方式
1. 安装依赖
```
pip install -r requirements.txt
```
2. 运行 ***PyqtGUI.py*** 文件
```
python PyqtGUI.py
```
best1、2、3.pt为模型文件，如有需要自行替换。
## 注释
对不起，由于我换了环境，在整理老项目代码并传到github上时，发现这个项目里缺少了 ***requirements.txt*** 文件，所以我用 ```pipreqs ./ --encoding=utf-8``` 重新生成的，但是大部分依赖，我的老环境中都卸掉了，所以版本并不完全对应。<br>
如果你不能运行请重新安装 ```pip install -r requirements2.txt ``` 的依赖，并手动补齐缺失的库。<br>
但这样做之前也请事先排查好torch版本的问题，
再次抱歉！！！！
<br>
<br>
<br>
<br>
下面是曾经的拙劣文章(已过时)
---
## 目标检测:
目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于无人驾驶、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。 因此，目标检测也就成为了近年来理论和应用的研究热点，它是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，同时目标检测也是泛身份识别领域的一个基础性的算法，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。
------------
## YOLOv5简介:
YOLOV4出现之后不久，YOLOv5横空出世。YOLOv5在YOLOv4算法的基础上做了进一步的改进，检测性能得到进一步的提升。YOLOv5在COCO数据集上面的测试效果非常不错。工业界也往往更喜欢使用这些方法，而不是利用一个超级复杂的算法来获得较高的检测精度。
YOLOv5是一种单阶段目标检测算法，速度与精度都得到了极大的性能提升。主要的改进思路如下所示：
1. 输入端：在模型训练阶段，提出了一些改进思路，主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放。
2. 基准网络：融合其它检测算法中的一些新思路，主要包括：Focus结构与CSP结构。
3. Neck网络：目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层，Yolov5中添加了FPN+PAN结构。
4. Head输出层：输出层的锚框机制与YOLOv4相同，主要改进的是训练时的损失函数GIOU_Loss，以及预测框筛选的DIOU_nms。
**YOLOv5S模型的网络架构：**
[](https://s1.ax1x.com/2022/07/07/jdByjK.jpg)
Yolov5s网络是Yolov5系列中深度最小，特征图的宽度最小的网络。Yolov5m、Yolov5l、Yolov5x 都是在此基础上不断加深，不断加宽。
------------
## YOLOV5目录结构：
下载源码后解压可以看到如下目录：
其中，train.py这个文件也是我们接下来训练yolo模型需要用到的启动文件。
requirement.txt 中有我们所需要的的全部依赖,采用pip安装。
```python
pip install -r requirements.txt #安装完依赖后准备工作完成
```
**每个文件作用:**
```python
YOLOv5
| detect.py #检测脚本
| hubconf.py # PyTorch Hub相关代码
| LICENSE # 版权文件
| README.md #README markdown 文件
| requirements.txt #项目所需的安装包列表
| sotabench.py #COCO 数据集测试脚本
| test.py #模型测试脚本
| train.py #模型训练脚本
| tutorial.ipynb #Jupyter Notebook演示代码
|-- data
| | coco.yaml #COCO 数据集配置文件
| | coco128.yaml #COCO128 数据集配置文件
| | hyp.finetune.yaml #超参数微调配置文件
| | hyp.scratch.yaml #超参数启始配置文件
| | voc.yaml #VOC数据集配置文件
| |---scripts
| get_coco.sh # 下载COCO数据集shell命令
| get_voc.sh # 下载VOC数据集shell命令
|-- inference
| | images #示例图片文件夹
| bus.jpg
| zidane.jpg
|-- models
| | common.py #模型组件定义代码
| | experimental.py #实验性质的代码
| | export.py #模型导出脚本
| | yolo.py # Detect 及 Model构建代码
| | yolo5l.yaml # yolov5l 网络模型配置文件
| | yolo5m.yaml # yolov5m 网络模型配置文件
| | yolo5s.yaml # yolov5s 网络模型配置文件
| | yolo5x.yaml # yolov5x 网络模型配置文件
| | __init__.py
| |---hub
| yolov3-spp.yaml
| yolov3-fpn.yaml
| yolov3-panet.yaml
|-- runs #训练结果
| |--exp0
| | | events.out.tfevents.
| | | hyp.yaml
| | | labels.png
| | | opt.yaml
| | | precision-recall_curve.png
| | | results.png
| | | results.txt
| | | test_batch0_gt.jpg
| | | test_batch0_pred.jpg
| | | test_batch0.jpg
| | | test_batch1.jpg
| | | test_batch2.jpg
| | |--weights
| | best.pt #所有训练轮次中最好权重
| | last.pt #最近一轮次训练权重
|-- utils
| | activations.py #激活函数定义代码
| | datasets.py #Dataset 及Dataloader定义代码
| | evolve.py #超参数进化命令
| | general.py #项目通用函数代码
| | google_utils.py # 谷歌云使用相关代码
| | torch_utils.py # torch工具辅助类代码
| | __init__.py # torch工具辅助类代码
| |---google_app_engine
| additional_requirements.txt
| app.yaml
| Dockerfile
|-- VOC #数据集目录
| |--images #数据集图片目录
| | |--train # 训练集图片文件夹
| | | 000005.jpg
| | | 000007.jpg
| | | 000009.jpg
| | | 0000012.jpg
| | | 0000016.jpg
| | | ...
| | |--val # 验证集图片文件夹
| | | 000001.jpg
| | | 000002.jpg
| | | 000003.jpg
| | | 000004.jpg
| | | 000006.jpg
| | | ...
| |--labels #数据集标签目录
| | train.cache
| | val.cache
| | |--train # 训练标签文件夹
| | | 000005.txt
| | | 000007.txt
| | | ...
| | |--val # 验证集图片文件夹
| | | 000001.txt
| | | 000002.txt
| | | ...
|-- weights
dwonload_weights.sh #下载权重文件命令
yolov5l.pt #yolov5l 权重文件
yolov5m.pt #yolov5m 权重文件
yolov5s.mlmodel #yolov5s 权重文件(Core M格式)
yolov5s.onnx #yolov5s 权重文件(onnx格式)
yolov5s.torchscript #yolov5s 权重文件(torchscript格式)
yolov5x.pt #yolov5x 权重文件
```
------------
## 模型训练过程：
使用环境：Python3.8+torch1.8.1+cuda11.1+pycharm
（注：cuda的安装版本取决于显卡类型）
**1.数据集的标注：**
python打开labelimg这个软件进行标注。
```python
python labelimg.py
```
数据格式建议选择VOC,后期再转换成 yolo格式。
( VOC会生成 xml 文件,可以灵活转变为其他模型所需格式)
本次训练标注两个标签，佩戴口罩为 mask，未佩戴口罩为 face。
在根目录下建立一个VOCData文件夹，再建立两个子文件，其中，jpg文件放置在VOCData/images下，xml放置在VOCData/Annotations中。（这一步根据个人随意，因为在训练时需要创建配置文件指定模型训练集的目录）
**2.数据集的训练：**
①、在项目根目录下文件夹下新建mask_data.yaml配置文件，添加如下内容：
（根据个人情况修改）
版权申诉
49 浏览量
2024-02-05
11:16:50
上传
评论
收藏 139.3MB ZIP 举报
人工智能项目资料-基于YoloV5的口罩识别模型项目+GUI.zip （1649个子文件） 
activate 2KB activate.bat 946B deactivate.bat 347B sysconfig.cfg 3KB pyvenv.cfg 73B Dockerfile 821B
python.exe 522KB pythonw.exe 521KB t64-arm.exe 177KB w64-arm.exe 163KB gui-arm64.exe 135KB cli-arm64.exe 134KB t64.exe 104KB pip3.8.exe 100KB pip3.10.exe 100KB pip.exe 100KB pip3.exe 100KB w64.exe 98KB t32.exe 95KB w32.exe 88KB gui-64.exe 74KB cli-64.exe 73KB cli.exe 64KB cli-32.exe 64KB gui-32.exe 64KB gui.exe 64KB INSTALLER 4B INSTALLER 4B
upload.jpg 116KB LICENSE 1KB README.md 20KB README.md 10KB README.md 2KB METADATA 6KB METADATA 4KB cacert.pem 260KB
up.png 360KB right.png 90KB upload.png 7KB Activate.ps1 18KB best1.pt 88.53MB best2.pt 40.23MB best3.pt 13.73MB distutils-precedence.pth 151B fastjsonschema_validations.py 254KB core.py 208KB core.py 208KB core.py 208KB uts46data.py 200KB _emoji_codes.py 137KB more.py 129KB langrussianmodel.py 128KB more.py 115KB html5parser.py 114KB __init__.py 106KB __init__.py 106KB langbulgarianmodel.py 103KB langthaimodel.py 101KB langhungarianmodel.py 100KB langgreekmodel.py 97KB langhebrewmodel.py 96KB langturkishmodel.py 94KB console.py 93KB tarfile.py 90KB typing_extensions.py 85KB easy_install.py 84KB constants.py 82KB _tokenizer.py 75KB typing_extensions.py 69KB _mapping.py 68KB util.py 66KB unistring.py 62KB progress.py 55KB python.py 52KB locators.py 51KB database.py 50KB msvc.py 49KB dist.py 49KB distro.py 48KB ccompiler.py 47KB dist.py 45KB datasets.py 44KB datasets_not_print.py 44KB text.py 44KB idnadata.py 43KB wheel.py 42KB compat.py 41KB __init__.py 39KB package_index.py 39KB table.py 39KB metadata.py 38KB connectionpool.py 38KB helpers.py 38KB helpers.py 38KB helpers.py 38KB package_finder.py 37KB pretty.py 35KB bdist_msi.py 35KB html.py 35KB models.py 34KB共 1649 条
- 1
- 2
- 3
- 4
- 5
- 6
- 17
资源评论
