# Smart_Construction
该项目是使用 `YOLOv5 v2.x` 的程序来训练在智能工地安全领域中头盔目标检测的应用, 先来一波演示!
![](./doc/output_1.jpg)
![](./doc/output_2.jpg)
![](./doc/output_3.jpg)
![](./doc/output_4.jpg)
## 指标
### yolov5s 为基础训练,`epoch = 50`
|分类|P|R|mAP0.5|
|---|---|---|---|
|总体|0.884|0.899|0.888|
|人体|0.846|0.893|0.877|
|头|0.889|0.883|0.871|
|安全帽|0.917|0.921|0.917|
对应的**权重文件**:[百度云](https://pan.baidu.com/s/1ELPhtW-Q4G8UqEr4YrV_5A),提取码: `b981`
---
### yolov5m 为基础训练,`epoch = 100`
|分类|P|R|mAP0.5|
|---|---|---|---|
|总体|0.886|0.915|0.901|
|人体|0.844|0.906|0.887|
|头|0.9|0.911|0.9|
|安全帽|0.913|0.929|0.916|
对应的**权重文件**:[百度云](https://pan.baidu.com/s/10hlKrgpxVsw4d_vHnPHwEA),提取码: `psst`
---
### yolov5l 为基础训练,`epoch = 100`
|分类|P|R|mAP0.5|
|---|---|---|---|
|总体|0.892|0.919|0.906|
|人体|0.856|0.914|0.897|
|头|0.893|0.913|0.901|
|安全帽|0.927|0.929|0.919|
对应的**权重文件**:[百度云](https://pan.baidu.com/s/1iMZkRNXY1fowpQCcapFDqw),提取码: `a66e`
---
# 1.YOLO v5训练自己数据集教程
使用的数据集:[Safety-Helmet-Wearing-Dataset](https://github.com/njvisionpower/Safety-Helmet-Wearing-Dataset) ,感谢这位大神的开源数据集!
> 本文结合 [YOLOv5官方教程](https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data) 来写
## 环境准备
首先确保自己的环境:
```text
Python >= 3.7
Pytorch == 1.5.x
```
## 官方权重
我已上传到一份到百度云:[下载链接](https://pan.baidu.com/s/1mSIjDAzfiJd1fqSxIYzRDA) , 密码: `44qm`
## 训练自己的数据
#### 提示:
**关于增加数据集分类的方法,请看【5. 增加数据集的分类】**
---
### 1.1 创建自己的数据集配置文件
因为我这里只是判断 【人没有带安全帽】、【人有带安全帽】、【人体】 3个类别 ,基于 `data/coco128.yaml` 文件,创建自己的数据集配置文件 `custom_data.yaml`
```yaml
# 训练集和验证集的 labels 和 image 文件的位置
train: ./score/images/train
val: ./score/images/val
# number of classes
nc: 3
# class names
names: ['person', 'head', 'helmet']
```
### 1.2 创建每个图片对应的标签文件
你可以使用 `data/gen_data/gen_head_helmet.py` 来将` VOC` 的数据集转换成 `YOLOv5` 训练需要用到的格式。
使用标注工具类似于 [Labelbox](https://labelbox.com/) 、[CVAT](https://github.com/opencv/cvat) 、[精灵标注助手](http://www.jinglingbiaozhu.com/) 标注之后,需要生成每个图片对应的 `.txt` 文件,其规范如下:
- 每一行都是一个目标
- 类别序号是零索引开始的(从0开始)
- 每一行的坐标 `class x_center y_center width height` 格式
- 框坐标必须采用**归一化的 xywh**格式(从0到1)。如果您的框以像素为单位,则将`x_center`和`width`除以图像宽度,将`y_center`和`height`除以图像高度。代码如下:
```python
import numpy as np
def convert(size, box):
"""
将标注的 xml 文件生成的【左上角x,左上角y,右下角x,右下角y】标注转换为yolov5训练的坐标
:param size: 图片的尺寸: [w,h]
:param box: anchor box 的坐标 [左上角x,左上角y,右下角x,右下角y,]
:return: 转换后的 [x,y,w,h]
"""
x1 = int(box[0])
y1 = int(box[1])
x2 = int(box[2])
y2 = int(box[3])
dw = np.float32(1. / int(size[0]))
dh = np.float32(1. / int(size[1]))
w = x2 - x1
h = y2 - y1
x = x1 + (w / 2)
y = y1 + (h / 2)
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return [x, y, w, h]
```
生成的 `.txt` 文件放置的名字是图片的名字,放置在 label 文件夹中,例如:
```text
./score/images/train/00001.jpg # image
./score/labels/train/00001.txt # label
```
生成的 `.txt` 例子:
```text
1 0.1830000086920336 0.1396396430209279 0.13400000636465847 0.15915916301310062
1 0.5240000248886645 0.29129129834473133 0.0800000037997961 0.16816817224025726
1 0.6060000287834555 0.29579580295830965 0.08400000398978591 0.1771771814674139
1 0.6760000321082771 0.25375375989824533 0.10000000474974513 0.21321321837604046
0 0.39300001866649836 0.2552552614361048 0.17800000845454633 0.2822822891175747
0 0.7200000341981649 0.5570570705458522 0.25200001196935773 0.4294294398277998
0 0.7720000366680324 0.2567567629739642 0.1520000072196126 0.23123123683035374
```
### 1.3 文件放置规范
文件树如下
![](./doc/File_tree.png)
### 1.4 聚类得出先验框(Yolov5 内部已做适配,可选)
使用代码 `./data/gen_anchors/clauculate_anchors.py` ,修改数据集的路径
```python
FILE_ROOT = r"xxx" # 根路径
ANNOTATION_ROOT = r"xxx" # 数据集标签文件夹路径
ANNOTATION_PATH = FILE_ROOT + ANNOTATION_ROOT
```
跑完会生成一个文件 `anchors.txt`,里面有得出的建议先验框:
```text
Best Accuracy = 79.72%
Best Anchors = [[14.74, 27.64], [23.48, 46.04], [28.88, 130.0], [39.33, 148.07], [52.62, 186.18], [62.33, 279.11], [85.19, 237.87], [88.0, 360.89], [145.33, 514.67]]
```
### 1.5 选择一个您需要的模型
在文件夹 `./models` 下选择一个你需要的模型然后复制一份出来,将文件开头的 `nc = ` 修改为数据集的分类数,下面是借鉴 `./models/yolov5s.yaml`来修改的
```yaml
# parameters
nc: 3 # number of classes <============ 修改这里为数据集的分类数
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
# anchors
anchors: # <============ 根据 ./data/gen_anchors/anchors.txt 中的 Best Anchors 修改,需要取整(可选)
- [14,27, 23,46, 28,130]
- [39,148, 52,186, 62.,279]
- [85,237, 88,360, 145,514]
# YOLOv5 backbone
backbone:
# [from, number, module, args]
[[-1, 1, Focus, [64, 3]], # 0-P1/2
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, BottleneckCSP, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 9, BottleneckCSP, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, BottleneckCSP, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 1, SPP, [1024, [5, 9, 13]]],
[-1, 3, BottleneckCSP, [1024, False]], # 9
]
# YOLOv5 head
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 3, BottleneckCSP, [512, False]], # 13
[-1, 1, Conv, [256, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 3, BottleneckCSP, [256, False]], # 17
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]], # cat head P4
[-1, 3, BottleneckCSP, [512, False]], # 20
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]], # cat head P5
[-1, 3, BottleneckCSP, [1024, False]], # 23
[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]
```
### 1.6 开始训练
这里选择了 `yolov5s` 模型进行训练,权重也是基于 `yolov5s.pt` 来训练
```shell script
python train.py --img 640 --batch 16 --epochs 10 --data ./data/custom_data.yaml --cfg ./models/custom_yolov5.yaml --weights ./weights/yolov5s.pt
```
其中,`yolov5s.pt` 需要自行下载放在本工程的根目录即可,下载地址 [官方权重](https://drive.google.com/open?id=1Drs_Aiu7xx6S-ix95f9kNsA6ueKRpN2J)
### 1.7 看训练之后的结果
训练之后,权重会保存在 `./runs` 文件夹里面的每个 `exp` 文件里面的 `weights/best.py` ,里面还可以看到训练的效果
![](./doc/test_batch0_gt.jpg)
# 2. 侦测
侦测图片会保存在 `./inferenct/output/` 文件夹下
运行命
没有合适的资源?快使用搜索试试~ 我知道了~
YOLOV5智慧工地安全帽检测数据集系统及危险区域检测系统.zip
共71个文件
py:20个
sample:13个
jpg:11个
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
5星 · 超过95%的资源 3 下载量 178 浏览量
2023-03-14
21:41:43
上传
评论 1
收藏 89.11MB ZIP 举报
温馨提示
YOLOV5智慧工地安全帽检测数据集系统及危险区域检测系统.zip
资源推荐
资源详情
资源评论
收起资源包目录
YOLOV5智慧工地安全帽检测数据集系统及危险区域检测系统.zip (71个子文件)
area_detect.py 8KB
area_dangerous
2.jpg 57KB
1.jpg 109KB
area_labels
2.json 511B
1.json 734B
doc
BuyMeACoffee.jpg 67KB
output_4.jpg 161KB
File_tree.png 5KB
output_1.jpg 144KB
output_2.jpg 301KB
area_output_2.jpg 136KB
area_output_1.jpg 278KB
output_3.jpg 78KB
WeChat.jpg 65KB
test_batch0_gt.jpg 475KB
weights
download_weights.sh 255B
data
custom_data.yaml 369B
gen_data
merge_data.py 1KB
gen_head_helmet.py 6KB
gen_anchors
calculate_anchors.py 3KB
kmeans.py 3KB
utils
utils.py 51KB
__init__.py 0B
google_utils.py 4KB
custom_util.py 4KB
activations.py 2KB
datasets.py 37KB
torch_utils.py 9KB
.git
index 4KB
HEAD 23B
refs
heads
master 41B
remotes
origin
HEAD 32B
objects
pack
pack-e19792e2c6dd1b5f900e95f73b9cf9e7af74d548.idx 11KB
pack-e19792e2c6dd1b5f900e95f73b9cf9e7af74d548.pack 87.26MB
description 73B
packed-refs 212B
info
exclude 240B
logs
HEAD 195B
refs
heads
master 195B
remotes
origin
HEAD 195B
hooks
post-update.sample 189B
prepare-commit-msg.sample 1KB
commit-msg.sample 896B
pre-receive.sample 544B
update.sample 4KB
pre-commit.sample 2KB
pre-rebase.sample 5KB
applypatch-msg.sample 478B
fsmonitor-watchman.sample 5KB
push-to-checkout.sample 3KB
pre-applypatch.sample 424B
pre-push.sample 1KB
pre-merge-commit.sample 416B
config 315B
models
hub
yolov5-panet.yaml 2KB
yolov3-spp.yaml 2KB
yolov5-fpn.yaml 1KB
__init__.py 0B
export.py 3KB
yolov5m.yaml 1KB
yolov5s.yaml 1KB
yolov5l.yaml 1KB
common.py 4KB
experimental.py 5KB
custom_yolov5.yaml 1KB
yolov5x.yaml 1KB
yolo.py 11KB
detect.py 7KB
train.py 26KB
test.py 13KB
README.md 10KB
共 71 条
- 1
资源评论
- weixin_445054262023-11-07超赞的资源,感谢资源主分享,大家一起进步!
- m0_744167322024-04-24资源不错,很实用,内容全面,介绍详细,很好用,谢谢分享。
- DZDdaydayupup2024-04-26资源值得借鉴的内容很多,那就浅学一下吧,值得下载!
omyligaga
- 粉丝: 54
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 以下是一些适用于英语六级作文的万能句型模板,涵盖了引言、正文和结论部分的各类表达方式.docx
- MATLAB中的非线性规划
- 进行C语言面试资格确认是招聘过程中一个重要的步骤,目的是确保候选人具备足够的C语言编程能力和知识.docx
- Java 轻量级的集群负载均衡设计
- 纹身师个人网站模板.jpg
- 在C语言中,连接两个字符串(即将一个字符串附加到另一个字符串的末尾)通常可以使用标准库中的 `strcat` 函数.docx
- 数据库管理工具:dbeaver-ce-23.1.1-stable.x86-64.rpm
- 以下是几个具体竞赛题目的详细解答,包括建模思路、方法和步骤 .docx
- 一份关于全国大学生建模大赛的相关教程!!
- 以下是关于计算机网络和现代通信组网的详细教程、案例和相关项目的推荐.docx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功