基于深度学习yolov3的安全帽检测以及安全帽检测数据集

Posted 2021-07-03 踟蹰横渡口,彳亍上滩舟。

基于深度学习yolov3的安全帽检测以及安全帽检测数据集

数据集和代码下载地址：下载地址

数据可视化：

根目录下运行命令： show_yolo_anno.py   (注意脚本内相关参数配置 )

模型训练

模型训练

根目录下运行命令： python train.py (注意脚本内相关参数配置 )
注意：加载训练的配置参数的关键代码段如下，cfg/transport.data为训练coco交通工具数据集的配置参数文件。

if __name__ == '__main__':
    train(data_cfg = "cfg/transport.data")

cfg文件夹下的 "*.data"文件包含了重要的配置信息，以"cfg/transport.data"为例如下：

cfg_model=yolo # 模型选择：yolo  / yolo tiny
classes=8 # 数据集的类别
gpus = 0 # GPU 的选择
num_workers = 8 # 训练时数据迭代（增强）器的进程数
batch_size = 8 # 训练时每一个批次的图片量设定，该例子是8张图片
img_size = 416 # 模型的默认输入图片尺寸是 416*416
multi_scale = True # 是否在训练中采用多尺度增强方式，该例子为使用
epochs = 100 # 训练总周期，完整遍历一次数据集为一个周期
train=./yolo_transport_train/anno/train.txt # 训练集的train.txt路径
valid=./yolo_transport_train/anno/train.txt # 验证集的train.txt路径，目前训练代码中并没有加入验证功能代码
names=./cfg/transport.names # 该数据集对应的具体分类名字，需要与其标签对应
finetune_model = ./weights-yolov3-transport/latest_416.pt # 采用的预训练模型
lr_step = 10,20,30 # 训练时对应的特定epoch时更新学习率
lr0 = 0.001 # 训练时的初始化学习率

模型推理

根目录下运行命令： python predict.py (注意脚本内相关参数配置 )