Smart_Construction

如果帮到您请给个 star :star2::star2::star2:，您的 star:star2: 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！）：

:boom::boom::boom:新增可视化界面上线啦！！！！来一波演示！！！:boom::boom::boom: 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：

text 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） shell script 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

```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：

```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

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

```yaml

parameters

nc: 3 # number of classes <============ 修改这里为数据集的分类数 depthmultiple: 0.33 # model depth multiple widthmultiple: 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

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

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： shell script 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

bash 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： shell script 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

shell script pip install onnx

4.2 执行生成

shell script 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

shell script 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