Smart_Construction

如果帮到您请给个 star 🌟🌟🌟，您的 star🌟 是我最大的鼓励！

如果您觉得我的项目不错，可以将我的 Github 链接随便转发；但如果您想发文章，请将我的 Github 链接放到文章开头的位置，谢谢！开源不易，请尊重每个人的汗水！

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

可视化界面演示（2021.3 上新！）：

💥💥💥新增可视化界面上线啦！！！！来一波演示！！！💥💥💥 使用文档: 如何使用可视化工具

纯图片再来一波演示！

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，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，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，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 ，感谢这位大神的开源数据集！

本文结合 YOLOv5官方教程来写

环境准备

首先确保自己的环境：

    Python>=3.7
    Pytorch==1.5.x
    PyQt5==5.15.3
    PyQtChart==5.15.3
    PyQt5-tools
    GPUtil

或者使用我的环境（推荐）

pip install -r requirements.txt

官方权重

我已上传到一份到百度云：下载链接 , 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

# 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 、CVAT 、精灵标注助手标注之后，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：

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：

./score/images/train/00001.jpg  # image
./score/labels/train/00001.txt  # label

生成的 .txt 例子：

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

1.4 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

# 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:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# 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)
  ]

1.5 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

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

1.6 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

2. 侦测

侦测图片会保存在 ./inferenct/output/ 文件夹下

运行命令：

python detect.py --source   0  # webcam
                            file.jpg  # image 
                            file.mp4  # video
                            path/  # directory
                            path/*.jpg  # glob
                            rtsp://170.93.143.139/rtplive/470011e600ef003a004ee33696235daa  # rtsp stream
                            http://112.50.243.8/PLTV/88888888/224/3221225900/1.m3u8  # http stream

例如使用我的 s 权重检测图片，可以运行以下命令，侦测图片会保存在 ./inferenct/output/ 文件夹下

python detect.py --source 图片路径 --weights ./weights/helmet_head_person_s.pt

3. 检测危险区域内是否有人

3.1 危险区域标注方式

我这里使用的是精灵标注助手标注，生成了对应图片的 json 文件

3.2 执行侦测

侦测图片会保存在 ./inferenct/output/ 文件夹下

运行命令：

python area_detect.py --source ./area_dangerous --weights ./weights/helmet_head_person_s.pt

3.3 效果：

危险区域会使用 红色框 标出来，同时，危险区域里面的人体也会被框出来，危险区域外的人体不会被框选出来

4. 生成 ONNX

4.1 安装 `onnx` 库

pip install onnx

4.2 执行生成

python ./models/export.py --weights ./weights/helmet_head_person_s.pt --img 640 --batch 1

onnx 和 torchscript 文件会生成在 ./weights 文件夹中

5. 增加数据集的分类

关于增加数据集分类的方法：

SHWD 数据集里面的 person 指的是头（head），没有 人体 的类别，先将现有的自己的数据集执行脚本生成 yolov5 需要的标签文件 .txt，之后再用 yolov5x.pt 加上 yolov5x.yaml ，使用指令检测出人体

python detect.py --save-txt --source 自己数据集的文件目录 --weights ./weights/yolov5x.pt

yolov5 会推理出所有的分类，并在 inference/output 中生成对应图片的 .txt 标签文件；

修改 ./data/gen_data/merge_data.py 中的自己数据集标签所在的路径，执行这个python脚本，会进行 人体(person) 类型的合并

如果帮到您请给个 star ✨✨✨，您的 star 是我最大的鼓励！

如果能帮到您的项目快速落地，可以请我喝杯奶茶☕

也可以加我的 WeChat 和我一起探讨更多的可能！加我微信条件请看下面3条，加好友消息请备注：Github Smart_Construction。

❗ ❗ ❗注意❗ ❗ ❗

1、欢迎论文or项目合作

2、毕业设计/课程设计远程帮助需要收费（起步价 666）

3、毕业设计、竞赛等咨询环境怎么配置，或者询问怎么操作的大佬们请先看文档，遇到问题请先百度或者学习相关基础，实在不懂了的话，请询问周边大佬，相关操作本人在README写得很清楚了，不想再回答相关问题

PeterH0323 / Smart_Construction

Smart_Construction

可视化界面演示（2021.3 上新！）：

纯图片再来一波演示！

指标

yolov5s 为基础训练，`epoch = 50`

yolov5m 为基础训练，`epoch = 100`

yolov5l 为基础训练，`epoch = 100`

1.YOLO v5训练自己数据集教程

环境准备

官方权重

训练自己的数据

提示：

1.1 创建自己的数据集配置文件

1.2 创建每个图片对应的标签文件

1.3 文件放置规范

1.4 选择一个您需要的模型

1.5 开始训练

1.6 看训练之后的结果

2. 侦测

3. 检测危险区域内是否有人

3.1 危险区域标注方式

3.2 执行侦测

3.3 效果：

4. 生成 ONNX

4.1 安装 `onnx` 库

4.2 执行生成

5. 增加数据集的分类

About

Languages

Smart_Construction

可视化界面演示（2021.3 上新！）：

纯图片再来一波演示！

指标

yolov5s 为基础训练，epoch = 50

yolov5m 为基础训练，epoch = 100

yolov5l 为基础训练，epoch = 100

1.YOLO v5训练自己数据集教程

环境准备

官方权重

训练自己的数据

提示：

1.1 创建自己的数据集配置文件

1.2 创建每个图片对应的标签文件

1.3 文件放置规范

1.4 选择一个您需要的模型

1.5 开始训练

1.6 看训练之后的结果

2. 侦测

3. 检测危险区域内是否有人

3.1 危险区域标注方式

3.2 执行侦测

3.3 效果：

4. 生成 ONNX

4.1 安装 onnx 库

4.2 执行生成

5. 增加数据集的分类

About

Languages

yolov5s 为基础训练，`epoch = 50`

yolov5m 为基础训练，`epoch = 100`

yolov5l 为基础训练，`epoch = 100`

4.1 安装 `onnx` 库