考虑到原始YOLOv5的模型计算量比较大，鄙人在YOLOv5s基础上，开发了一个非常轻量级的的佩戴安全帽识别模型yolov5s05_320。从效果来看，Android佩戴安全帽的检测效果还是可以的，高精度版本YOLOv5s平均精度平均值mAP_0.5=0.93，mAP_0.5:0.95=0.63，而轻量化版本yolov5s05_320平均精度平均值mAP_0.5=0.84左右。APP在普通Android手机上可以达到实时的检测识别效果，CPU(4线程)约30ms左右，GPU约25ms左右，基本满足业务的性能需求。

先展示一下Android Demo效果：

【Android APP体验】https://download.csdn.net/download/guyuealian/86768318

【项目源码下载】 Android实现佩戴安全帽检测和识别(含训练代码+Android源码+数据集)

【尊重原创，转载请注明出处】https://panjinquan.blog.csdn.net/article/details/127345231

2. 佩戴安全帽检测和识别的方法

（1）基于目标检测的佩戴安全帽识别方法

基于目标检测的佩戴安全帽识别方法，一步到位，把佩戴安全帽类别直接当成多个目标检测的类别进行训练。

该方案采用one-stage的方法，直接端到端训练，任务简单，速度较快；
新增类别或者数据，需要人工拉框标注佩戴安全帽的框，成本较大
部署简单

（2）基于头部检测+佩戴安全帽分类识别方法

该方法，先训练一个通用的头部检测模型(不区分是否佩戴安全帽)，然后外扩检测框并裁剪头部区域，再训练一个佩戴安全帽分类器，完成对佩戴安全帽的分类识别。当然一个更加简单的方法是，可以将人脸检测器当做头部检测器，即将人脸检测框外扩2倍左右，作为头部检测框的区域。只是这样做，若人背向，人脸检测器一般效果比较差，无法识别是否佩戴了安全帽。

该方案采用two-stage方法，可针对性分别提高检测模型和分类模型的性能
头部检测模型不区分是否佩戴安全帽，只检测头部检测框，检测精度较高，
佩戴安全帽分类模型可以做到很轻量
由于采用two-stage方法进行检测-识别，因此速度相对较慢

考虑到佩戴安全帽检测和识别的任务比较简单，因此本博客将采用“基于目标检测的佩戴安全帽识别方法”。目标检测的的方法较多，比如Faster-RCNN，YOLO系列，SSD等均可以采用，本博客将采用YOLOv5进行佩戴安全帽目标检测模型训练。

3. 佩戴安全帽数据集说明

（1）佩戴安全帽数据集

目前收集了2W+的佩戴安全帽数据集：

Helmet-Asian亚洲人佩戴安全帽数据集：总共有19000+图片，VOC的XML数据格式，可直接用于目标检测模型训练。
Helmet-Europe欧洲人佩戴安全帽数据集：总共有3000+图片，VOC的XML数据格式，可直接用于目标检测模型训练。

关于佩戴安全帽数据集说明，详见另一篇博客说明：佩戴安全帽数据集使用说明和下载_PKing666666的博客-CSDN博客

（2）自定义数据集

如果需要增/删类别数据进行训练，或者需要自定数据集进行训练，可参考如下步骤：

采集图片，建议不少于200张图片
使用Labelme等标注工具，对目标进行拉框标注：labelme工具：GitHub - wkentaro/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation).
将标注格式转换为VOC数据格式，参考工具：labelme/labelme2voc.py at main · wkentaro/labelme · GitHub
生成训练集train.txt和验证集val.txt文件列表
修改engine/configs/voc_local.yaml的train和val的数据路径
重新开始训练

4. 基于YOLOv5的佩戴安全帽模型训练

官方YOLOv5给出了YOLOv5l,YOLOv5m,YOLOv5s等模型。考虑到手机端CPU/GPU性能比较弱鸡，直接部署yolov5s运行速度十分慢。所以本人在yolov5s基础上进行模型轻量化处理，即将yolov5s的模型的channels通道数全部都减少一半，并且模型输入由原来的640×640降低到416×416或者320×320，该轻量化的模型我称之为yolov5s05。从性能来看，yolov5s05比yolov5s快5多倍，而mAP下降了9%（0.93→0.84），对于手机端，这精度勉强可以接受。

官方YOLOv5: https://github.com/ultralytics/yolov5

下面是yolov5s05和yolov5s的参数量和计算量对比：

模型	input-size	params(M)	GFLOPs	mAP0.5
yolov5s	640×640	7.2	16.5	0.93067
yolov5s05	416×416	1.7	1.8	0.87051
yolov5s05	320×320	1.7	1.1	0.84477

yolov5s05和yolov5s训练过程完全一直，仅仅是配置文件不一样而已；碍于篇幅，本篇博客不在赘述，详细训练过程请参考：YOLOv5实现佩戴安全帽检测和识别(含佩戴安全帽数据集+训练代码)_PKing666666的博客-CSDN博客

5.佩戴安全帽检测模型Android部署

（1）将Pytorch模型转换ONNX模型

训练好yolov5s05或者yolov5s模型后，你需要将模型转换为ONNX模型，并使用onnx-simplifier简化网络结构

# 转换yolov5s05模型
python export.py --weights "runs/yolov5s05_320/weights/best.pt" --img-size 320 320

# 转换yolov5s模型
python export.py --weights "runs/yolov5s_640/weights/best.pt" --img-size 640 640

GitHub： https://github.com/daquexian/onnx-simplifier
Install: pip3 install onnx-simplifier

（2）将ONNX模型转换为TNN模型

目前CNN模型有多种部署方式，可以采用TNN，MNN,NCNN，以及TensorRT等部署工具，鄙人采用TNN进行Android端上部署：

TNN转换工具：

（1）将ONNX模型转换为TNN模型，请参考TNN官方说明：TNN/onnx2tnn.md at master · Tencent/TNN · GitHub
（2）一键转换，懒人必备：一键转换 Caffe, ONNX, TensorFlow 到 NCNN, MNN, Tengine (可能存在版本问题，这个工具转换的TNN模型可能不兼容，建议还是自己build源码进行转换，2022年9约25日测试可用)

（3） Android端上部署模型

项目实现了Android版本的佩戴安全帽检测Demo，部署框架采用TNN，支持多线程CPU和GPU加速推理，在普通手机上可以实时处理。Android源码核心算法均采用C++实现，上层通过JNI接口调用.

如果你想在这个Android Demo部署你自己训练的模型，你可将训练好的Pytorch模型转换ONNX ，再转换成TNN模型，然后把TNN模型代替你模型即可。

package com.cv.tnn.model;

import android.graphics.Bitmap;

public class Detector 

    static 
        System.loadLibrary("tnn_wrapper");
    


    /***
     * 初始化模型
     * @param model： TNN *.tnnmodel文件文件名（含后缀名）
     * @param root：模型文件的根目录，放在assets文件夹下
     * @param model_type：模型类型
     * @param num_thread：开启线程数
     * @param useGPU：关键点的置信度，小于值的坐标会置-1
     */
    public static native void init(String model, String root, int model_type, int num_thread, boolean useGPU);

    /***
     * 检测
     * @param bitmap 图像（bitmap），ARGB_8888格式
     * @param score_thresh：置信度阈值
     * @param iou_thresh：  IOU阈值
     * @return
     */
    public static native FrameInfo[] detect(Bitmap bitmap, float score_thresh, float iou_thresh);

（4）一些异常错误解决方法

TNN推理时出现：Permute param got wrong size

官方YOLOv5: GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

如果你是直接使用官方YOLOv5代码转换TNN模型，部署TNN时会出现这个错误Permute param got wrong size，这是因为TNN最多支持4个维度计算，而YOLOv5在输出时采用了5个维度。你需要修改model/yolo.py文件

export.py文件设置model.model[-1].export = True：

.....
    # Exports
    if 'torchscript' in include:
        export_torchscript(model, img, file, optimize)
    if 'onnx' in include:
        model.model[-1].export = True  # TNN不支持5个维度,修改输出格式
        export_onnx(model, img, file, opset, train, dynamic, simplify=simplify)
    if 'coreml' in include:
        export_coreml(model, img, file)

    # Finish
    print(f'\\nExport complete (time.time() - t:.2fs)'
          f"\\nResults saved to colorstr('bold', file.parent.resolve())"
          f'\\nVisualize with https://netron.app')

.....

TNN推理时效果很差，检测框一团麻

这个问题，大部分是模型参数设置错误，需要根据自己的模型，修改C++推理代码YOLOv5Param模型参数。


struct YOLOv5Param 
    ModelType model_type;                  // 模型类型，MODEL_TYPE_TNN，MODEL_TYPE_NCNN等
    int input_width;                       // 模型输入宽度，单位：像素
    int input_height;                      // 模型输入高度，单位：像素
    bool use_rgb;                          // 是否使用RGB作为模型输入（PS：接口固定输入BGR，use_rgb=ture时，预处理将BGR转换为RGB）
    bool padding;
    int num_landmarks;                     // 关键点个数
    NetNodes InputNodes;                   // 输入节点名称
    NetNodes OutputNodes;                  // 输出节点名称
    vector<YOLOAnchor> anchors;
    vector<string> class_names;            // 类别集合
;

input_width和input_height是模型的输入大小；vector<YOLOAnchor> anchors需要对应上，注意Python版本的yolov5s的原始anchor是

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

而yolov5s05由于input size由原来640变成320，anchor也需要做对应调整：

anchors:
  - [ 5,6,   8,15 , 16,11 ]
  - [ 15,30,  31,22, 29,59 ]
  - [ 58,45 , 78,99, 186,163 ]

因此C++版本的yolov5s和yolov5s05的模型参数YOLOv5Param如下设置

//YOLOv5s模型参数
static YOLOv5Param YOLOv5s_HELMET_640 = MODEL_TYPE_TNN,
                                         640,
                                         640,
                                         true,
                                         true,
                                         0,
                                         "images", nullptr, //InputNodes
                                         "boxes", nullptr,   //OutputNodes
                                           "scores", nullptr,
                                         
                                                 "434", 32,
                                                  116, 90, 156, 198, 373, 326,
                                                 "415", 16, 30, 61, 62, 45, 59, 119,
                                                 "output", 8,
                                                  10, 13, 16, 30, 33, 23, //
                                         ,
                                         HELMET_NAME;

//YOLOv5s05模型参数
static YOLOv5Param YOLOv5s05_HELMET_ANCHOR_416 = MODEL_TYPE_TNN,
                                                  416,
                                                  416,
                                                  true,
                                                  true,
                                                  0,
                                                  "images", nullptr, //InputNodes
                                                  "boxes", nullptr,   //OutputNodes
                                                    "scores", nullptr,
                                                  
                                                          "434", 32,
                                                           75, 58, 101, 128, 242, 211,
                                                          "415", 16,
                                                           19, 39, 40, 29, 38, 77,
                                                          "output", 8,
                                                           6, 8, 10, 19, 21, 14, //
                                                  ,
                                                  HELMET_NAME;
//YOLOv5s05模型参数
static YOLOv5Param YOLOv5s05_HELMET_ANCHOR_320 = MODEL_TYPE_TNN,
                                                  320,
                                                  320,
                                                  true,
                                                  true,
                                                  0,
                                                  "images", nullptr, //InputNodes
                                                  "boxes", nullptr,   //OutputNodes
                                                    "scores", nullptr,
                                                  
                                                          "434", 32,
                                                           58, 45, 78, 99, 186, 163,
                                                          "415", 16,
                                                           15, 30, 31, 22, 29, 59,
                                                          "output", 8,
                                                           5, 6, 8, 15, 16, 11, //
                                                  ,
                                                  HELMET_NAME;