基于Keras+YOLOv3的⼝罩佩戴情况检测系统【超详细保姆级教程】
⽬录
1. 开发环境
硬件环境（个⼈笔记本电脑）
处理器：Inter（R）Core（TM）i7-9750H CPU
内存：8.00GB
显卡：NVDIA GeForce GTX 1650
硬盘：可⽤空间300GB以上
高情商生日句子软件环境
win10 64位
python3.7.0
TensorFlow-GPU 1.13.1
Keras2.2.4
OpenCV4.2.0
PyQt5
当然还有很多python的模块包，但是我这⾥记不清啦~如果有需要pip install就可以~
关于开发环境稍后我会专门写⼀篇博客详细介绍，帮助⼤家避雷。很多⼩⽩可能还没机会感受AI的快乐就被配置环境劝退了哈哈哈，想当初我也是踩了很多很多坑，说多了都是泪啊 ~
YOLOv3的原理不和⼤家讲了，毕竟不是⼀句两句话能说清的，对于初学者来说肯定有些难理解，不过没关系，⼤家⼀开始都是初学者，慢慢来别放弃，总有⼀天⼤家都能看懂原理 ~
但是要和⼤家展⽰⼀下下载下来的yolov3⽂件夹结构，为了⽅便描述，博主就称它为根⽬录吧 ~
就是下图，有⼀个⼤概的印象，便于后⾯我们复现。这个⽂件夹我在评论区给到⼤家 ~~
2. 制作数据集
配置好环境后，我们要准备⾃⼰的⼈脸⼝罩数据集了！
要检测⼝罩佩戴情况，就要先获取⼀定数量的相关图⽚，放⼊设计好的神经⽹络中训练（本⽂是YOLOv3），这些相关图⽚就叫做数据集，啊当然不只是单纯的图⽚，我们还要对这些图⽚做⼀些处理，也就是本章内容。
笔者的数据集是从⼀位⽼前辈那⾥求来的，是⼀个⾮常完美⾮常OK的数据集，省的⼤家⾃⼰去爬⾍了。
数据集包含6366张⾼质量图⽚，有戴⼝罩的⼈、不戴⼝罩的⼈、⽤⼿或其他物品遮挡脸的⼈等多种情况，确保样本的多样性和全⾯性。
数据集⽂件夹VOCdevkit在根⽬录⾥，结构见下图。其中，
JPEGImages⽂件夹存放收集到的原始图⽚，依次以1-6366命名；
Annotations⽂件夹存放使⽤labelImg⼯具⽣成的含有所有⽬标位置和类别信息的图⽚标签，每个⽂件对应⼀张图⽚（具体怎么⽣成下⾯马上讲到）；
ImageSets⽂件夹存放数据集列表⽂件，通常为、等，分类并保存不同⽤途的图像（听不懂没关系下⾯都会讲到）。
1. 制作图像的.xml⽂件
我们使⽤labelImg⼿动标注，如下图：选择界⾯左侧的“Open”打开图像后，点击“Create RectBox”画框，就可以画矩形框并标记（类别会在画好⽬标框后⾃动弹出以供选择）。
labelimg这个⼯具能够在⼀张图⽚中标注多个⽬标，⾮常⽅便。关于labelimg的详细使⽤⽅法。
不过我知道你们都懒得亲⾃动⼿做，所以我把我的数据集分享给你们。
将所有⽣成的标签⽂件放⼊Annotations⽂件夹中，便完成了数据集制作的第⼀步，每个图⽚和⽣成的xml⽂件是⼀⼀对应的。
2. 将.xml⽂件转换成.txt⽂件
上⼀步制作出原始图像的.xml⽂件后，还需要将所有图像分类。
运⾏VOCdevkit->VOC2007下的voc2yolo3.py⽂件，记得检查⼀下其中的xmlfilepath和saveBasePath路径，xmlfilepath对应Annotations，saveBasePath对应ImageSets/Main
多说⼏句，下图是voc2yolo3.py中的主要代码，它的⽤途是：⼀般我们设训练验证集 : 训练集 = 1 : 9，训练验证集中10%⽤作验证集，90%⽤作测试集。
运⾏完voc2yolo3.py这个神奇的⽂件后，我们就得到了, , 和这四个⽂件（在
VOCdevkit\VOC2007\ImageSets\Main⽂件夹下），分类保存不同⽤途的图⽚名称。
3. 将.jpg⽂件转换成.txt⽂件
完成训练集的划分之后，我们运⾏voc_annotation.py⽂件（⽂件位置在根⽬录）。这样⼀来，可以⽣成, 和三个⽂件（也在根⽬录），分别保存着训练、验证和测试集的路径。
我随便打开⼀个⽐如train⽂件给⼤家瞅⼀眼，这些⽂本⽂档中每⼀⾏为⼀张图⽚的信息，依次是图⽚的路径、名称、尺⼨和⽬标框的坐标及类别标签（0表⽰没⼝罩，1表⽰有⼝罩）。
如果⼀张图中有多个对象，则依次罗列各个对象的位置信息和类别。
怎样提高成绩还要再强调⼀下，路径问题是导致出错的主要原因，咱们⼤家每个⼈电脑的情况都不同，所以⼀定要仔细检查核对⾃⼰的路径哈 ~~
3. 修改配置⽂件
1. 下载YOLOv3预训练权重——yolov3.weights.然后执⾏如下命令将darknet下的yolov3配置⽂件转换成keras适⽤的h5⽂件：
10部值得看10遍小说
两⾏命令，其中上⾯⼀⾏是yolov3，下⾯⼀⾏是tiny轻量版yolov3。tiny yolo⽹络结构⽐yolo简单⼀些，训练得⽐较快，因为我笔记本配置⼀般，所以我就选择tiny版来进⾏训练的，效果也OK。
2. 修改model_data⾥⾯和tiny_中的先验框的值，这⾥我们利⽤kmeans.py（在根⽬录下）来⽣
成。
⽣成先验框的时候注意：打开kmeans.py翻到最下⾯第98⾏，
如果是标准版yolov3，则修改为cluster_number = 9，对应第 61 ⾏ f = open(“”, ‘w’)，
如果是轻量版yolov3，则修改为cluster_number = 6，对应第 61 ⾏ f = open(“tiny_”, ‘w’)。
3. 接着我们来到model_data⽂件夹，将⾥⾯的⽂件中的classes改成⾃⼰的classes。
这个要和voc_annotation.py⽂件第7⾏对应，⽐如我第7⾏是classes = [“face”, “face_mask”]，那么我⽂件中就应该是face（此处省略回车换⾏）face_mask。
⾄此，我们的⼈脸⼝罩数据集和基本配置⽂件就已经准备完毕了，然后我们可以去睡觉了 ~ 其他的就听天命吧 ~
4. 训练数据集
啊睡觉之前还有最后⼀步：在根⽬录下新建⼀个logs⽂件夹，然后运⾏train.py，再然后就是漫长的训练过程，训练好的模型存放在logs 下。
博主第⼀次训练时batchsize设置为2，⼤概训练了五六个⼩时，效果⽐较差，于是把batchsize调整到10⼜训练了⼤概⼀天吧（害⽐较久远了我也记不太清，反正就是训练了很久很久），最后得到的模型效果就⽐较好了。如果⼤家有什么提⾼模型精度和速度的⽅法也欢迎分享~
这次真的可以去睡觉/吃⽕锅/吃⽠/玩耍了！
5. 检测效果
耍完了睡饱了，电脑也训练好了，接下来就是见证奇迹的时刻，鸡不鸡冻？超级鸡冻的！
好了淡定⼀下，然后去logs⽂件夹下，把“trained_weights_final.h5”⽂件名复制⼀下，是的没错它就是我们最终训练出的最优的模型（笑
复制了之后打开根⽬录下yolo.py⽂件，把第23⾏model_path改为logs/trained_weights_final.h5
然后第24⾏如果你想⽤轻量版那就model_data/tiny_，标准版就model_data/
改好之后保存。
然后正式开始检测。敲键盘win+r，如下图
输⼊cmd，点击确定，进⼊命令⾏
⽤“cd”命令切换到根⽬录下，⽐如在我的电脑上，这套代码的位置是
C:\Users\13262\Desktop\graduationProject\yolov3_keras_GUI\yolov3_keras_GUI，那就在命令⾏中输⼊“cd
C:\Users\13262\Desktop\graduationProject\yolov3_keras_GUI\yolov3_keras_GUI”如下图
然后运⾏yolo_video.py程序，分为以下3种情况 ：
1. 如果想开启摄像头实时检测，则输⼊“python yolo_video.py --input"，回车后程序启动，不附图了。
2. 如果想上传本地图⽚检测，则输⼊"python yolo_video.py --image"，回车后程序启动，如下图
红框处输⼊图⽚路径和名称，如果图⽚在当前⽂件夹下（如我给的代码中图⽚保存在img⽂件夹下），则直接输⼊“.\img\XXX".
举个栗⼦：，回车后变成这样
顺便弹出来图⽚，哈哈，⼤功告成了~
3. 如果想上传本地视频检测，则先将yolo.py第174⾏vid = cv2.VideoCapture(0)改为
国外洗碗机vid = cv2.VideoCapture(video_path)，然后在命令⾏输⼊“python yolo_video.py --input xxx”，xxx表⽰上传的视频的路径和名称，回车后程序启动。
4. 如果想上传本地视频检测并保存，那么除了第3点的步骤之外，还要在yolo.py第172⾏
def detect_video(yolo, video_path, output_path="")：中补充保存路径，如：output_path=“C:\Users\xxx\xxxxx”.
6. UI界⾯实现
模型训练好了，效果也看到了，接下来如果能集成⼀个UI界⾯就显得超酷了！
博主采⽤PyQt5进⾏设计，⾸先看⼀下最后的效果GIF图，运⾏后的界⾯如下，因为csdn不允许上传
太⼤的图⽚，所以我把界⾯的三个功能分成三张图⽚上传
留言板主人寄语图片去马赛克1. 打开摄像头实时检测
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论