Monitor in classroom headcount, support image/video/live streaming as input. 基于YOLOv5的教室人数检测统计，支持图片、视频和直播流等多种媒体输入格式
.
├── dataset # 数据集
│ ├── annotations # XML 标签
│ ├── images # 图片
│ └── labels # txt 标签
├── detect.sh # detect shell 脚本
├── hellodata.py # 数据探索、预处理
├── LICENSE
├── README.md
├── res
│ ├── demo_picture1.png # 样例图片
│ └── demo_picture2.png
├── runs
│ ├── detect # 训练后的文件结果
│ └── train # 训练后的权重
├── train.sh # train shell 脚本
├── xml2txt.py # 将 XML 转换为 txt 标签
└── yolov5 # 从 @ultralytics/yolov5 clone
├── data
│ ├── coco.yaml
│ ├── headset.yaml # 自定义训练集
│ ├── hyp.scratch.yaml
│ ├── images # 存放 detect 输入数据
│ │ ├── bus.jpg
│ │ └── zidane.jpg
│ └── videos # 存放 detect 输入数据
├── detect.py
├── Dockerfile
├── hubconf.py
├── models # 预训练模型 YAML 文件
├── requirements.txt # Python 依赖库
├── test.py
├── train.py
├── utils
└── weights # 预训练权重
- 目标检测 (Object Detection) 在教室人数统计上的应用尝试
- 先借助 YOLOv5 预训练模型对图片数据集进行训练，再测试多种输入流
- 数据集下载：Classroom Monitoring Dataset - kaggle
- images 图片
- partA 2000张，格式：
[PartA_num].jpg - partB 2405张，格式：
[PartB_num].jpg
- partA 2000张，格式：
- annotations 标签，标注了图片中 目标的类别和坐标位置
- partA 2000条，格式：
[PartA_num].xml - partB 2405条，格式：
[PartB_num].xml
- partA 2000条，格式：
- images 图片
- 主要工具包版本为 PyTorch
1.7.1+cu110和 Python3.8.5
- clone repo：
git clone https://github.com/lunarwhite/yolo-student-counter.git - 更新 pip：
pip3 install --upgrade pip - 为项目创建虚拟环境：
conda create --name <env_name> python=3.8 - 激活 env：
conda activate <env_name> - 安装 Python 库依赖：
pip3 install -r yolov5/requirements.txt - 下载预训练权重，把下载的
.pt文件部署在yolov5/weights/路径下
- 为了方便执行，编写了脚本 detect.sh 和 train.sh，分别进行训练与预测测试
- 根据训练效果调整
train.sh文件中常用参数：--epochs # 训练的 epoch，默认值 300 --batch-size # 默认值 16 --cfg yolov5s.yaml --weights '' # 从头开始训练 --cfg yolov5s.yaml --weights yolov5s.pt # 从预训练模型开始训练 --data # 数据集的配置文件，默认为 data/coco128.yaml --resume # 是否从最新的 last.pt 中恢复训练，布尔值 --evolve # 进化超参数 (Evolve Hyperparameters)，布尔值 --cache-images # 缓存图片可以更快的开始训练，布尔值 --weights # 初始化参数路径，默认值 '' --adam # 使用 adam 优化器，布尔值
- 一般只需改动这两个脚本文件就可，如需训练自定义的数据集，请参考官方文档：Train Custom Data - YOLOv5 Documentation
- 自定义数据集
- 观察数据
- 数据集大小
- 数据集样本
- 图像分辨率
- 数据预处理
- 数据清洗，观察发现，有一些图像的 label 存在缺失，在
XML转换TXT的过程中一并丢弃 - YOLOv5 原生预处理
- 数据清洗，观察发现，有一些图像的 label 存在缺失，在
- 搭建模型，可视化分析
- 分析与调整训练，提高模型泛化能力
- demo 的 detect 结果：
- 改进模型
- 可视化图形界面 [TODO]
- 优化目录结构，提高封装性 [TODO]
