【深度学习目标检测】五、基于深度学习的安全帽识别（python，目标检测）

深度学习目标检测方法则是利用深度神经网络模型进行目标检测，主要有以下几种：

R-CNN系列：包括R-CNN、Fast R-CNN、Faster R-CNN等，通过候选区域法生成候选目标区域，然后使用卷积神经网络提取特征，并通过分类器对每个候选区域进行分类。
SSD：Single Shot MultiBox Detector，通过在特征图上利用不同大小和形状的卷积核进行目标检测，同时预测目标的类别和位置。
YOLO：You Only Look Once，将目标检测问题转化为回归问题，通过将图像分割成网格单元，并预测每个单元中是否存在目标以及目标的位置和类别。
RetinaNet：通过引入Focal Loss解决目标检测中类别不平衡问题，提高了小目标的检测效果。

YOLOv8是一种用于对象检测的深度学习模型，它是YOLO系列模型的最新版本。本文介绍了基于Yolov8的任务的安全帽检测模型，包括训练过程和数据准备过程，同时提供了推理的代码。对准备计算机视觉相关的毕业设计的同学有着一定的帮助。

效果如下图（带了安全帽的类别是helmet，没带安全帽的head）：

示例2：

一、yolov8安装

yolov8官方文档：主页 - Ultralytics YOLOv8 文档

安装部分参考：官方安装教程

二、数据集准备

本次使用的数据集是安全帽检测数据集，其包含的示例图片如下：

原数据集的格式为voc格式，来自aistudio平台，使用yolov8训练需要将voc格式转换为yolov8训练的格式，本文提供转换好的数据集连接：训练和验证图片、数据标签。

其中训练数据4000条，验证数据1000条，请将所有数据按照以下目录放置：

|-images

|--|-train

|--|-val

|-labels

|--|-train

|--|-val

三、模型训练

1、数据集配置文件

在ultralytics/ultralytics/cfg/datasets目录下添加anquanmao.yaml，添加以下内容（path修改为自己的路径）：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO 2017 dataset http://cocodataset.org by Microsoft
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco  ← downloads here (20.1 GB)


# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: datasets/helmet/HelmetDetection-yolov8  #改成你的数据集路径，建议使用绝对路径
train: images/train 
val: images/val  
test: images/val 

# Classes
names:
  # 0: normal
  0: helmet
  1: head
  2: person

2、修改模型配置文件

在ultralytics/ultralytics/cfg/models/v8目录下添加yolov8n_helmet.yaml，添加以下内容：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect

# Parameters
nc: 3  # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024]  # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
  s: [0.33, 0.50, 1024]  # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
  m: [0.67, 0.75, 768]   # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
  l: [1.00, 1.00, 512]   # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
  x: [1.00, 1.25, 512]   # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs

# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]]  # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]]  # 1-P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 2]]  # 3-P3/8
  - [-1, 6, C2f, [256, True]]
  - [-1, 1, Conv, [512, 3, 2]]  # 5-P4/16
  - [-1, 6, C2f, [512, True]]
  - [-1, 1, Conv, [1024, 3, 2]]  # 7-P5/32
  - [-1, 3, C2f, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]]  # 9

# YOLOv8.0n head
head:
  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 6], 1, Concat, [1]]  # cat backbone P4
  - [-1, 3, C2f, [512]]  # 12

  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 4], 1, Concat, [1]]  # cat backbone P3
  - [-1, 3, C2f, [256]]  # 15 (P3/8-small)

  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 12], 1, Concat, [1]]  # cat head P4
  - [-1, 3, C2f, [512]]  # 18 (P4/16-medium)

  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 9], 1, Concat, [1]]  # cat head P5
  - [-1, 3, C2f, [1024]]  # 21 (P5/32-large)

  - [[15, 18, 21], 1, Detect, [nc]]  # Detect(P3, P4, P5)

3、训练模型

使用如下命令训练模型，相关路径更改为自己的路径，建议绝对路径：

yolo detect train project=deploy name=yolov8_helmet exist_ok=False optimizer=auto val=True amp=True epochs=100  imgsz=640 model=ultralytics/ultralytics/cfg/models/v8/yolov8_helmet.yaml  data=ultralytics/ultralytics/cfg/datasets/anquanmao.yaml

4、验证模型

使用如下命令验证模型，相关路径根据需要修改：

yolo detect val imgsz=640 model=deploy/yolov8_helmet/weights/best.pt data=ultralytics/ultralytics/cfg/datasets/anquanmao.yaml

精度如下：

四、推理

训练好了模型，可以使用如下代码实现推理，将权重放到同级目录：

from PIL import Image
from ultralytics import YOLO

# 加载预训练的YOLOv8n模型
model = YOLO('best.pt')

# 在'bus.jpg'上运行推理
image_path = 'hard_hat_workers1.png'
results = model(image_path)  # 结果列表

# 展示结果
for r in results:
    im_array = r.plot()  # 绘制包含预测结果的BGR numpy数组
    im = Image.fromarray(im_array[..., ::-1])  # RGB PIL图像
    im.show()  # 显示图像
    im.save('results.jpg')  # 保存图像

五、相关资料下载

您可以在推理代码下载本文训练好的权重和推理代码。