YOLOv5在建筑工地中安全帽佩戴检测的应用（已开源+数据集）

怼烎@ 2023-01-05 12:06 173阅读 0赞

# 前言 #

Amusi 发现一个很棒的开源项目，利用YOLOv5进行目标检测的"落地化"应用：安全帽佩戴检测。

该项目使用了YOLOv5s、YOLOv5m、YOLOv5l来训练安全帽佩戴检测数据集，代码和权重均已开源！安全帽佩戴检测数据集也是开源的（共含7581 张图像）！

项目教程也相当详细，推荐入门练手学习！而且有意思的是，该项目和数据集的两位作者均是中国人，点赞！

项目链接（文末附下载）：  
https://github.com/PeterH0323/Smart\_Construction

数据集链接（文末附下载）：  
https://github.com/njvisionpower/Safety-Helmet-Wearing-Dataset

**如果帮到您请给个 star ✨✨✨，您的 star 是我最大的鼓励！**

# Smart\_Construction #

该项目是使用 YOLOv5 来训练在智能工地安全领域中头盔目标检测的应用  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FtdXNpMTk5NA_size_16_color_FFFFFF_t_70_pic_center]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FtdXNpMTk5NA_size_16_color_FFFFFF_t_70_pic_center 1]

## 指标 ##

### yolov5s 为基础训练，`epoch = 50` ###

对应的**权重文件**：[百度云][Link 1]，提取码: `b981`

### yolov5m 为基础训练，`epoch = 100` ###

对应的**权重文件**：[百度云][Link 2]，提取码: `psst`

### yolov5l 为基础训练，`epoch = 100` ###

对应的**权重文件**：[百度云][Link 3]，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][YOLOv5] 来写

## 环境准备 ##

首先确保自己的环境：

Python >= 3.7
        Pytorch == 1.5.x

*  1
 *  2

## 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
 *  3
 *  4
 *  5
 *  6
 *  7
 *  8
 *  9

### 1.2 创建每个图片对应的标签文件 ###

使用标注工具类似于 [Labelbox][] 、[CVAT][] 、[精灵标注助手][Link 4] 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]

*  1
 *  2
 *  3
 *  4
 *  5
 *  6
 *  7
 *  8
 *  9
 *  10
 *  11
 *  12
 *  13
 *  14
 *  15
 *  16
 *  17
 *  18
 *  19
 *  20
 *  21
 *  22
 *  23
 *  24
 *  25
 *  26
 *  27

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

*  1
 *  2

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
 *  2
 *  3
 *  4
 *  5
 *  6
 *  7

### 1.3 文件放置规范 ###

文件树如下  
![\[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-pSllV3mF-1605144047398)(./doc/File\_tree.png)\]][img-pSllV3mF-1605144047398_._doc_File_tree.png]

### 1.4 聚类得出先验框（可选） ###

使用代码 `./data/gen_anchors/clauculate_anchors.py` ，修改数据集的路径

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

*  1
 *  2
 *  3

跑完会生成一个文件 `anchors.txt`，里面有得出的建议先验框：

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
 *  2
 *  3

### 1.5 选择一个你需要的模型 ###

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: # <============ 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
 *  2
 *  3
 *  4
 *  5
 *  6
 *  7
 *  8
 *  9
 *  10
 *  11
 *  12
 *  13
 *  14
 *  15
 *  16
 *  17
 *  18
 *  19
 *  20
 *  21
 *  22
 *  23
 *  24
 *  25
 *  26
 *  27
 *  28
 *  29
 *  30
 *  31
 *  32
 *  33
 *  34
 *  35
 *  36
 *  37
 *  38
 *  39
 *  40
 *  41
 *  42
 *  43
 *  44
 *  45
 *  46
 *  47
 *  48
 *  49

### 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

python train.py --img 640 --batch 16 --epochs 10 --data ./data/custom_data.yaml --cfg ./models/custom_yolov5.yaml --weights ./weights/yolov5s.pt

*  1
 *  2

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][Link 5]

### 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

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FtdXNpMTk5NA_size_16_color_FFFFFF_t_70_pic_center 2]

# 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

*  1
 *  2
 *  3
 *  4
 *  5
 *  6
 *  7
 *  8

# 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][Link 4] 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

*  1
 *  2

## 3.3 效果：在危险区域里面的人体会被 *红色框* 选出来 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FtdXNpMTk5NA_size_16_color_FFFFFF_t_70_pic_center 3]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FtdXNpMTk5NA_size_16_color_FFFFFF_t_70_pic_center 4]

# 4. 生成 ONNX #

## 4.1 安装 `onnx` 库 ##

pip install onnx

*  1
 *  2

## 4.2 执行生成 ##

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

*  1
 *  2

`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` 数据集里面没有 `person` 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

*  1
 *  2

`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 `person` 类型的合并

# 项目和数据集下载 #

在CVer微信公众号后台回复：**安全帽佩戴检测**，即可下载项目代码和数据集  
![在这里插入图片描述][20201112092307675.png_pic_center]

*  ![9f3e31538ca5b38a35668bc4b1d784f8.png][]点赞2
 *  [![bd0eecd637630c8b0afc1852224b226f.png][]评论][bd0eecd637630c8b0afc1852224b226f.png 1]
 *  ![0d9898a57565782c8565a7e08daa66a8.png][]分享
 *  ![50c7c045de1e4400c6f27a33ed55cf7c.png][]收藏7
 *  ![075a163a71569c3b6b14d5d3c33b894c.png][]打赏
 *  ![46ab18e7a44c9ad3b7ecaaa309981878.png][]举报
 *  关注
 *  一键三连

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FtdXNpMTk5NA_size_16_color_FFFFFF_t_70_pic_center]: /images/20221119/ff1d6c2dd7aa4ae39fb1c8a8db510587.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FtdXNpMTk5NA_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221119/b679d076075242cda0ef5dfb13773d4f.png
[Link 1]: https://pan.baidu.com/s/1ELPhtW-Q4G8UqEr4YrV_5A
[Link 2]: https://pan.baidu.com/s/10hlKrgpxVsw4d_vHnPHwEA
[Link 3]: https://pan.baidu.com/s/1iMZkRNXY1fowpQCcapFDqw
[Safety-Helmet-Wearing-Dataset]: https://github.com/njvisionpower/Safety-Helmet-Wearing-Dataset
[YOLOv5]: https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data
[Labelbox]: https://labelbox.com/
[CVAT]: https://github.com/opencv/cvat
[Link 4]: http://www.jinglingbiaozhu.com/
[img-pSllV3mF-1605144047398_._doc_File_tree.png]: https://img-blog.csdnimg.cn/20201112092145738.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FtdXNpMTk5NA==,size_16,color_FFFFFF,t_70#pic_center
[Link 5]: https://drive.google.com/open?id=1Drs_Aiu7xx6S-ix95f9kNsA6ueKRpN2J
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FtdXNpMTk5NA_size_16_color_FFFFFF_t_70_pic_center 2]: https://img-blog.csdnimg.cn/20201112092206393.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FtdXNpMTk5NA==,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FtdXNpMTk5NA_size_16_color_FFFFFF_t_70_pic_center 3]: https://img-blog.csdnimg.cn/20201112092224712.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FtdXNpMTk5NA==,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FtdXNpMTk5NA_size_16_color_FFFFFF_t_70_pic_center 4]: https://img-blog.csdnimg.cn/20201112092231188.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FtdXNpMTk5NA==,size_16,color_FFFFFF,t_70#pic_center
[20201112092307675.png_pic_center]: https://img-blog.csdnimg.cn/20201112092307675.png#pic_center
[9f3e31538ca5b38a35668bc4b1d784f8.png]: https://img-blog.csdnimg.cn/img_convert/9f3e31538ca5b38a35668bc4b1d784f8.png
[bd0eecd637630c8b0afc1852224b226f.png]: https://img-blog.csdnimg.cn/img_convert/bd0eecd637630c8b0afc1852224b226f.png
[bd0eecd637630c8b0afc1852224b226f.png 1]: https://blog.csdn.net/amusi1994/article/details/109636483#commentBox
[0d9898a57565782c8565a7e08daa66a8.png]: https://img-blog.csdnimg.cn/img_convert/0d9898a57565782c8565a7e08daa66a8.png
[50c7c045de1e4400c6f27a33ed55cf7c.png]: https://img-blog.csdnimg.cn/img_convert/50c7c045de1e4400c6f27a33ed55cf7c.png
[075a163a71569c3b6b14d5d3c33b894c.png]: https://img-blog.csdnimg.cn/img_convert/075a163a71569c3b6b14d5d3c33b894c.png
[46ab18e7a44c9ad3b7ecaaa309981878.png]: https://img-blog.csdnimg.cn/img_convert/46ab18e7a44c9ad3b7ecaaa309981878.png