个人网站空间申请,宁波最新发布,做场景秀的网站,c语言 做网站数据集介绍
【数据集】口罩佩戴检测数据集 1971 张#xff0c;目标检测#xff0c;包含YOLO/VOC格式标注。
数据集中包含1种分类#xff1a;{0: face_mask}#xff0c;佩戴口罩。
数据集来自国内外图片网站和视频截图。
检测场景为城市街道、医院、商场、机场、车站、办…数据集介绍
【数据集】口罩佩戴检测数据集 1971 张目标检测包含YOLO/VOC格式标注。
数据集中包含1种分类{0: face_mask}佩戴口罩。
数据集来自国内外图片网站和视频截图。
检测场景为城市街道、医院、商场、机场、车站、办公大楼、施工地等人员密集的场所人员口罩佩戴检测可用于智慧城市、智慧园区、智慧医疗等服务于保护人员安全、疫情防控工作。
数据集当中含有626张负样本数据内容是不戴口罩的人脸图像数据方便模型进行区分识别。 负样本 一、数据概述
口罩佩戴检测的重要性
在当前的公共卫生和安全领域口罩佩戴识别技术具有广泛的应用需求。随着全球疫情的持续影响口罩已成为日常生活中不可或缺的防护用品。在公共场所如机场、车站、商场等、医疗保健环境以及执法和安全场景中准确识别和监测口罩佩戴情况对于保障公众健康和安全具有重要意义。因此开发一种高效、准确的口罩佩戴识别算法显得尤为重要。
实现原理
基于YOLO的口罩佩戴识别算法利用卷积神经网络提取图像中的特征并通过单次前向传播预测图像中是否存在口罩以及佩戴方式是否正确。算法首先将图像划分为网格单元然后为每个网格单元分配多个锚框通过预测每个锚框的置信度和偏移量来确定图像中是否存在口罩以及其位置。
基于YOLO的口罩佩戴识别算法
实现口罩佩戴识别数据集包含佩戴口罩和不佩戴口罩人员的图像数据集。数据集包含足够的样本以覆盖不同的面部特征、口罩类型以及佩戴方式。然后使用YOLO算法对数据集进行训练以学习口罩佩戴的特征和模式。
该数据集含有1971张图片包含Pascal VOC XML格式和YOLO TXT格式用于训练和测试城市街道、医院、商场、机场、车站、办公大楼、施工地等人员密集的场所人员口罩佩戴检测。
图片格式为jpg格式标注格式分别为
YOLOtxt
VOCxml
数据集均为手工标注保证标注精确度。
二、数据集文件结构 face_mask/ ——Annotations/ ——images/ ——labels/ ——data.yaml Annotations文件夹为Pascal VOC格式的XML文件 images文件夹为jpg格式的数据样本labels文件夹是YOLO格式的TXT文件data.yaml是数据集配置文件包含口罩检测的目标分类和加载路径。
三、数据集适用范围
目标检测场景yolo训练模型或其他模型城市街道、医院、商场、机场、车站、办公大楼、施工地等人员密集的场所人员口罩佩戴检测智慧城市、智慧园区、智慧医疗等服务于保护人员安全、疫情防控工作
四、数据集标注结果
1、数据集内容
多角度场景包含人脸自拍视角、监控视角等标注内容names: [face_mask]总计1个分类负样本数据集当中含有626张负样本数据内容是不戴口罩的人脸图像数据方便模型进行区分识别图片总量1971张图片数据标注类型含有Pascal VOC XML格式和yolo TXT格式
五、训练过程
1、导入训练数据
下载YOLOv8项目压缩包解压在任意本地workspace文件夹中。
下载YOLOv8预训练模型导入到ultralytics-main项目根目录下。
在ultralytics-main项目根目录下创建data文件夹并在data文件夹下创建子文件夹Annotations、images、imageSets、labels其中将pascal VOC格式的XML文件手动导入到Annotations文件夹中将JPG格式的图像数据导入到images文件夹中imageSets和labels两个文件夹不导入数据。
data目录结构如下 data/ ——Annotations/ //存放xml文件 ——images/ //存放jpg图像 ——imageSets/ ——labels/ 整体项目结构如下所示
2、数据分割
首先在ultralytics-main目录下创建一个split_train_val.py文件运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt里面存放的就是用于训练、验证、测试的图片名称。
import os
import randomtrainval_percent 0.9
train_percent 0.9
xmlfilepath data/Annotations
txtsavepath data/ImageSets
total_xml os.listdir(xmlfilepath)num len(total_xml)
list range(num)
tv int(num * trainval_percent)
tr int(tv * train_percent)
trainval random.sample(list, tv)
train random.sample(trainval, tr)ftrainval open(data/ImageSets/trainval.txt, w)
ftest open(data/ImageSets/test.txt, w)
ftrain open(data/ImageSets/train.txt, w)
fval open(data/ImageSets/val.txt, w)for i in list:name total_xml[i][:-4] \nif i in trainval:ftrainval.write(name)if i in train:ftrain.write(name)else:fval.write(name)else:ftest.write(name)ftrainval.close()
ftrain.close()
fval.close()
ftest.close()
3、数据集格式化处理
这段代码是用于处理图像标注数据将其从XML格式通常用于Pascal VOC数据集转换为YOLO格式。
convert_annotation函数 这个函数读取一个图像的XML标注文件将其转换为YOLO格式的文本文件。 它打开XML文件解析树结构提取图像的宽度和高度。 然后它遍历每个目标对象object检查其类别是否在classes列表中并忽略标注为困难difficult的对象。 对于每个有效的对象它提取边界框坐标进行必要的越界修正然后调用convert函数将坐标转换为YOLO格式。 最后它将类别ID和归一化后的边界框坐标写入一个新的文本文件。
import xml.etree.ElementTree as ET
import os
from os import getcwdsets [train, val, test]
classes [face_mask] # 根据标签名称填写类别
abs_path os.getcwd()
print(abs_path)def convert(size, box):dw 1. / (size[0])dh 1. / (size[1])x (box[0] box[1]) / 2.0 - 1y (box[2] box[3]) / 2.0 - 1w box[1] - box[0]h box[3] - box[2]x x * dww w * dwy y * dhh h * dhreturn x, y, w, hdef convert_annotation(image_id):in_file open(data/Annotations/%s.xml % (image_id), encodingUTF-8)out_file open(data/labels/%s.txt % (image_id), w)tree ET.parse(in_file)root tree.getroot()size root.find(size)w int(size.find(width).text)h int(size.find(height).text)for obj in root.iter(object):difficult obj.find(difficult).textcls obj.find(name).textif cls not in classes or int(difficult) 1:continuecls_id classes.index(cls)xmlbox obj.find(bndbox)b (float(xmlbox.find(xmin).text),float(xmlbox.find(xmax).text),float(xmlbox.find(ymin).text),float(xmlbox.find(ymax).text))b1, b2, b3, b4 b# 标注越界修正if b2 w:b2 wif b4 h:b4 hb (b1, b2, b3, b4)bb convert((w, h), b)out_file.write(str(cls_id) .join([str(a) for a in bb]) \n)wd getcwd()
for image_set in sets:if not os.path.exists(data/labels/):os.makedirs(data/labels/)image_ids open(data/ImageSets/%s.txt % (image_set)).read().strip().split()list_file open(data/%s.txt % (image_set), w)for image_id in image_ids:list_file.write(abs_path /data/images/%s.jpg\n % (image_id))convert_annotation(image_id)list_file.close()
4、修改数据集配置文件
train: ./images/train/
val: ./images/valid/# number of classes
nc: 1# class names
names: [face_mask]
5、执行命令
执行train.py
model YOLO(yolov8s.pt)
results model.train(datadata.yaml, epochs200, imgsz640, batch16, workers0)
也可以在终端执行下述命令
yolo train datadata.yaml modelyolov8s.pt epochs200 imgsz640 batch16 workers0 device0
6、模型预测
你可以选择新建predict.py预测脚本文件输入视频流或者图像进行预测。
代码如下
import cv2
from ultralytics import YOLO# Load the YOLOv8 model
model YOLO(./best.pt) # 自定义预测模型加载路径# Open the video file
video_path ./demo.mp4 # 自定义预测视频路径
cap cv2.VideoCapture(video_path) # Get the video properties
frame_width int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
frame_height int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps cap.get(cv2.CAP_PROP_FPS)# Define the codec and create VideoWriter object
fourcc cv2.VideoWriter_fourcc(*mp4v) # Be sure to use lower case
out cv2.VideoWriter(./outputs.mp4, fourcc, fps, (frame_width, frame_height)) # 自定义输出视频路径# Loop through the video frames
while cap.isOpened():# Read a frame from the videosuccess, frame cap.read()if success:# Run YOLOv8 inference on the frame# results model(frame)results model.predict(sourceframe, saveTrue, imgsz640, conf0.5)results[0].names[0] 道路积水# Visualize the results on the frameannotated_frame results[0].plot()# Write the annotated frame to the output fileout.write(annotated_frame)# Display the annotated frame (optional)cv2.imshow(YOLOv8 Inference, annotated_frame)# Break the loop if q is pressedif cv2.waitKey(1) 0xFF ord(q):breakelse:# Break the loop if the end of the video is reachedbreak# Release the video capture and writer objects
cap.release()
out.release()
cv2.destroyAllWindows()
也可以直接在命令行窗口或者Annoconda终端输入以下命令进行模型预测
yolo predict modelbest.pt sourcedemo.jpg
六、获取数据集
戳我头像获取数据或者主页私聊博主哈~
基于QT的目标检测可视化界面
一、环境配置
# 安装torch环境
pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装PySide6依赖项
pip install PySide6 -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装opencv-python依赖项
pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple
二、使用说明
界面功能介绍
原视频/图片区上半部分左边区域为原视频/图片展示区检测区上半部分右边区域为检测结果输出展示区文本框打印输出操作日志其中告警以json格式输出包含标签框的坐标标签名称等加载模型下拉框绑定本地文件路径按钮加载路径下的模型文件置信度阈值自定义检测区的置信度阈值可以通过滑动条的方式设置文件上传选择目标文件包含JPG格式和MP4格式开始检测执行检测程序停止终止检测程序 三、预测效果展示
1、图片检测
切换置信度再次执行
上图左下区域可以看到json格式的告警信息用于反馈实际作业中的管理系统为管理员提供道路养护决策 。
2、视频检测
3、日志文本框
四、前端代码
class MyWindow(QtWidgets.QMainWindow):def __init__(self):super().__init__()self.init_gui()self.model Noneself.timer QtCore.QTimer()self.timer1 QtCore.QTimer()self.cap Noneself.video Noneself.file_path Noneself.base_name Noneself.timer1.timeout.connect(self.video_show)def init_gui(self):self.folder_path model_file # 自定义修改设置文件夹路径self.setFixedSize(1300, 650)self.setWindowTitle(目标检测) # 自定义修改设置窗口名称self.setWindowIcon(QIcon(111.jpg)) # 自定义修改设置窗口图标central_widget QtWidgets.QWidget(self)self.setCentralWidget(central_widget)main_layout QtWidgets.QVBoxLayout(central_widget)# 界面上半部分 视频框topLayout QtWidgets.QHBoxLayout()self.oriVideoLabel QtWidgets.QLabel(self)# 界面下半部分 输出框 和 按钮groupBox QtWidgets.QGroupBox(self)groupBox.setStyleSheet(QGroupBox {border: 0px solid #D7E2F9;})bottomLayout QtWidgets.QHBoxLayout(groupBox)main_layout.addWidget(groupBox)btnLayout QtWidgets.QHBoxLayout()btn1Layout QtWidgets.QVBoxLayout()btn2Layout QtWidgets.QVBoxLayout()btn3Layout QtWidgets.QVBoxLayout()# 创建日志打印文本框self.outputField QtWidgets.QTextBrowser()self.outputField.setFixedSize(530, 180)self.outputField.setStyleSheet(font-size: 13px; font-family: Microsoft YaHei; background-color: #f0f0f0; border: 2px solid #ccc; border-radius: 10px;)self.detectlabel QtWidgets.QLabel(self)self.oriVideoLabel.setFixedSize(530, 400)self.detectlabel.setFixedSize(530, 400)self.oriVideoLabel.setStyleSheet(border: 2px solid #ccc; border-radius: 10px; margin-top:75px;)self.detectlabel.setStyleSheet(border: 2px solid #ccc; border-radius: 10px; margin-top: 75px;)topLayout.addWidget(self.oriVideoLabel)topLayout.addWidget(self.detectlabel)main_layout.addLayout(topLayout)
五、代码获取
YOLO可视化界面
戳我头像获取数据或者主页私聊博主哈~
注以上均为原创内容转载请私聊
