基于PaddleX的人体口罩穿戴状态检测源码+全部数据（课程设计）.zip

#!/usr/bin/env python # coding: utf-8 # # 基于PaddleX的人体口罩穿戴检测 # # 基于PaddleX的YOLOv3对人体口罩穿戴进行检测，包括数据集划分、数据加载和预处理、模型训练等步骤。 # # # 一、项目背景 # # 由于疫情爆发，再加上人们安全卫生意识的提高，去一些人群密集、环境较为密闭的环境时都要求我们穿戴口罩，并且需要正确穿戴口罩。人工进行不间断的检查需要耗费大量的人力，本项目基于PaddleX进行人体口罩穿戴检测，实现实时检测人们的口罩穿戴情况和是否正确佩戴口罩，减少了人力，为各场所提供了较大的便利。 # #  # #  # #  # # # # 二、数据集简介 # # 本基线系统使用的数据格式是PascalVOC格式，为了进行训练，还需要将数据划分为70%训练集，20%验证集和10%的测试集。划分之前首先需要安装PaddleX。 # # ## 1.数据集加载 # # ```python # # 安装PaddleX # !pip install paddlex # # # 解压数据集 # !unzip -oq /home/aistudio/data/data104243/FaceMask.zip # # # 划分数据集 # !paddlex --split_dataset --format VOC --dataset_dir objDataset/facemask --val_value 0.2 --test_value 0.1 # ``` # 一共有853个样本数据，此处可细分，如下所示： # # ```python # Dataset Split Done. # Train samples: 598 # Eval samples: 170 # Test samples: 85 # ``` # # ## 2.数据预处理 # # 在训练模型之前，对目标检测任务的数据进行操作，从而提升模型效果 # ```python # from paddlex.det import transforms # # # 定义训练和验证时的transforms # # API说明 https://paddlex.readthedocs.io/zh_CN/develop/apis/transforms/det_transforms.html # train_transforms = transforms.Compose([ # transforms.RandomCrop(aspect_ratio=[.5, 2.], thresholds=[.0, .1, .3, .5, .7, .9], scaling=[.3, 1.], num_attempts=50, allow_no_crop=True, cover_all_box=False), # transforms.Resize(target_size=60, interp='RANDOM'), # transforms.RandomDistort(brightness_range=0.5, brightness_prob=0.5, contrast_range=0.5, contrast_prob=0.5, saturation_range=0.5, saturation_prob=0.5, hue_range=18, hue_prob=0.5), # transforms.RandomHorizontalFlip(), # transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225], min_val=[0., 0., 0.], max_val=[255., 255., 255.]), # ]) # # eval_transforms = transforms.Compose([ # transforms.Resize(target_size=60, interp='CUBIC'), # transforms.RandomDistort(brightness_range=0.5, brightness_prob=0.5, contrast_range=0.5, contrast_prob=0.5, saturation_range=0.5, saturation_prob=0.5, hue_range=18, hue_prob=0.5), # transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225], min_val=[0., 0., 0.], max_val=[255., 255., 255.]), # ]) # # import paddlex as pdx # # # 定义训练和验证所用的数据集 # # 读取PascalVOC格式的检测数据集，并对样本进行相应的处理 # train_dataset = pdx.datasets.VOCDetection( # data_dir='objDataset/facemask', # file_list='objDataset/facemask/train_list.txt', # label_list='objDataset/facemask/labels.txt', # transforms=train_transforms, # shuffle=True) # # eval_dataset = pdx.datasets.VOCDetection( # data_dir='objDataset/facemask', # file_list='objDataset/facemask/val_list.txt', # label_list='objDataset/facemask/labels.txt', # transforms=eval_transforms) # # print('训练集样本量: {}，验证集样本量: {}'.format(len(train_dataset), len(eval_dataset))) # ``` # ```python # Dataset Split Done. # Train samples: 598 # Eval samples: 170 # Test samples: 85 # ``` # 训练集样本量: 598，验证集样本量: 170 # # # ## 3.数据集查看 # # # ```python # print('图片：') # print(type(train_dataset[0][0])) # print(train_dataset[0][0]) # print('标签：') # print(type(train_dataset[0][1])) # print(train_dataset[0][1]) # # # 可视化展示 # plt.figure() # plt.imshow(train_dataset[0][0].reshape([28,28]), cmap=plt.cm.binary) # plt.show() # # ``` # # # # 三、模型选择和调参 # # # ## 1.模型选择 # # 本系统以骨干网络为MobileNetV1的YOLOv3算法为模型。 # # ```python # # 初始化模型 # model = pdx.det.YOLOv3(num_classes=len(train_dataset.labels), backbone='MobileNetV1') # ``` # # ## 2.模型训练 # # 调整训练相关参数,包括训练轮数等参数 # # ```python # # 配置优化器、损失函数、评估指标 # model.prepare(paddle.optimizer.Adam(learning_rate=0.001, parameters=network.parameters()), # paddle.nn.CrossEntropyLoss(), # paddle.metric.Accuracy()) # # 模型训练 # model.train( # num_epochs=270, # train_dataset=train_dataset, # train_batch_size=8, # eval_dataset=eval_dataset, # learning_rate=0.000125, # lr_decay_epochs=[210, 240], # save_interval_epochs=20, # save_dir='output/yolov3_mobilenetv1') # ``` # # ```python # 2021-08-12 22:03:03 [INFO] Start to evaluating(total_samples=170, total_steps=22)... # 100%|██████████| 22/22 [00:05<00:00, 3.68it/s] # 2021-08-12 22:03:09 [INFO] [EVAL] Finished, Epoch=270, bbox_map=0.757576 . # 2021-08-12 22:03:10 [INFO] Model saved in output/yolov3_mobilenetv1/epoch_270. # 2021-08-12 22:03:10 [INFO] Current evaluated best model in eval_dataset is epoch_40, bbox_map=3.0303030303030303 # ``` # 程序自动记录了bbox_map大的情况相应的参数，并作为best_model（存在于/home/aistudio/work/PaddleDetection/output/yolov3_MobileNetV1/best_model） # # ## 3.模型预测 # # 采用paadlex.visualize_detection来进行单张或少量多张图片的预测。 # # ```python # import glob # import numpy as np # import threading # import time # import random # import os # import base64 # import cv2 # import json # import paddlex as pdx # from PIL import Image # # # 传入待预测图片 # image_name = 'objDataset/facemask/JPEGImages/maksssksksss110.png' # # 模型保存位置 # model = pdx.load_model('output/yolov3_mobilenetv1/best_model') # # img = cv2.imread(image_name) # result = model.predict(img) # # keep_results = [] # areas = [] # f = open('./output/yolov3_mobilenetv1/result.txt', 'a') # count = 0 # for dt in np.array(result): # cname, bbox, score = dt['category'], dt['bbox'], dt['score'] # if score < 0.5: # continue # keep_results.append(dt) # # 检测到未佩戴口罩或未正确佩戴口罩的目标，计数加1 # if cname == 'without_mask': # count += 1 # if cname == 'mask_weared_incorrect': # count += 1 # f.write(str(dt) + '\n') # f.write('\n') # areas.append(bbox[2] * bbox[3]) # areas = np.asarray(areas) # sorted_idxs = np.argsort(-areas).tolist() # keep_results = [keep_results[k] # for k in sorted_idxs] if len(keep_results) > 0 else [] # print(keep_results) # print(count) # f.write("未佩戴或未正确佩戴口罩的总数为: " + str(int(count))) # f.close() # # # 定义预测结果输入参数 # pdx.det.visualize( # image_name, result, threshold=0.5, save_dir='./output/yolov3_mobilenet') # ``` # # # 四、效果展示 # # 该项目已在baseline里跑通整个模型训练，最后的模型预测程序运行完没有任何问题，但不知为何最后的图片里没有结果显示。 # # # # 五、总结与升华 # # 1、制作数据集的时候要耐心，文件夹的格式还有文件名要注意一般有约定 # # 2、paddle上手还是很容易的，后面有时间争取自己做一个原创项目 # # 3、最后模型预测出了一些问题，问了有些大佬结果还是不能解决，有点可惜没有看到最后显