使用YOLOV4 轻松进行开关开闭状态检测

最新推荐文章于 2025-11-12 22:12:20 发布
原创 最新推荐文章于 2025-11-12 22:12:20 发布 · 3.4k 阅读 · 18 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文介绍使用YOLOV4进行开关开闭状态检测的项目经验，包括模型训练过程及遇到的问题。该项目准确率达到99.9%，但在CPU端部署时遇到性能瓶颈。
该文章已生成可运行项目，

使用YOLOV4 轻松进行开关开闭检测

最近接到了一个开关开闭状态检测的项目，准确率要求很高，要达到99.9%以上，所以顺道试验一下yolov4的性能
yoloV4的训练过程跟yolov3训练并无差异,我把yolov4的git地址和yolov3训练的参考的博客地址放在这里
训练yolov3的过程
yolov4的代码地址
如果需要yolov4的权重文件和主干网络的权重文件，请在这里下载

我训练集使用了450张图片，测试效果时使用了1000个图片
训练结束后，跟以前一样用opencv直接调用cfg文件和权重文件发现报错了，无法直接调用
这里我使用的是pytorch调用darknet的方式来调用模型进行测试：
测试算法代码的地址在这里：
https://github.com/gitTongzhen/pytorch_yolov4_detect

yolov4的准确率满足要求，在GPU的实时性还行，大致为1080TI的服务器50ms一张图片，但是单位过于贫穷，没有gpu的服务器，项目需要部署到CPU端，实时性要求比较高，目前测试的i5双核的每张图片需要5000ms，和现在还不理解为什么cpu端和gpu端的性能会差这么多，有大佬看到的话，希望能够赐教。
目前只能放弃yolov4部署到cpu端的想法
效果图如下图所示
效果图

本文章已经生成可运行项目
基于YOLOv5的门窗状态检测系统：深度学习与UI界面实现
YOLO
03-01 578
高效性：YOLOv5通过一次前向传播同时进行目标检测和分类，速度非常快，适合用于实时监控。高准确性：YOLOv5在多个目标检测任务中表现出色，能够准确识别图像中的目标。灵活性和扩展性：YOLOv5提供了多种模型尺寸，从小型模型（YOLOv5s）到大型模型（YOLOv5x），用户可以根据硬件性能选择合适的模型。开源：YOLOv5是一个开源项目，支持多种深度学习框架，开发者可以轻松地使用、修改并应用到不同的任务中。
基于SE-YOLOV4的变电站断路器分合状态识别算法
罗伯特技术屋
11-09 654
针对高压变电站断路器人工检测速度慢、误差大等问题，提出基于YOLOv4改进的变电站断路器分合状态识别方法；针对电力系统背景复杂、断路器分合状态不易识别的问题，加入通道注意力机制，关注目标的显著性特征，忽略非目标区域，然后使用路径聚合网络有效提取目标特征；针对数据样本单一性的问题，提出SE-YOLOv4算法，在其中加入数据增强技术，提高模型的泛化能力，使算法网络具有更强的鲁棒性。
YOLOv8：基于 YOLOv8 与自定义数据集实现“灯光开关检测+控制”系统
YOLO
06-06 268
本文从数据集构建、模型训练、UI 开发、控制逻辑到项目整合，一气呵成演示了“灯光开关智能识别+控制”方案。完整代码几乎可即刻运行，适合 DIY 爱好者、智能家居集成人员。未来可集成语音、手机远程控制、灯光自动定时，甚至扩展到电源开关、插座识别等应用方向。
深度学习基础 - 对象检测（CNN+滑窗+YOLO）
Snoopy_Yuan技术部落格
04-20 7092
本文以自动驾驶场景下的对象检测（Object Detection）为研究对象，学习理解滑窗卷积和YOLO等内容。 1.对象检测 对象检测（Object Detection）的目的是”识别对象并给出其在图中的确切位置”，其内容可解构为三部分： 识别某个对象（Classification）； 给出对象在图中的位置（Localization）； 识别图中所有的目标及其位置（Detecti...
【工业场景】用YOLOv8实现工业配电柜开关状态识别
向上生长的程序媛的博客
01-07 2318
本文通过YOLOv8算法实现了对工业配电柜的各种开关（指示灯、夹钳、旋钮等）状态进行自动化识别。
yolov4 pytorch
weixin_45702256的博客
01-31 1514
1、文件下载 1.1 pytorch-yolov4代码 链接：https://github.com/Tianxiaomo/pytorch-YOLOv4 1.2 权重文件（weights）、模型下载 链接：谷歌云盘： https://drive.google.com/open?id=1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT GitHub下载：https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_op
yolov8实战第八天——pyqt5-yolov8实现打电话、玩手机识别系统（参考论文（8700+字）+环境配置+完整部署代码+代码使用说明+训练好的模型+数据集）
qq_34717531的博客
04-30 1676
在现代社会中，智能手机的普及带来了许多便利，但在某些环境下，打电话和玩手机可能造成干扰或安全问题，如在图书馆、会议室或驾驶时。为了有效管理这些行为，本文介绍了一种基于 PyQt5 和 YOLOv8 模型的打电话和玩手机识别系统。该系统利用 PyQt5 构建前端用户界面，采用 YOLOv8 进行实时行为识别，提供了一个既实时又准确的行为监控解决方案。本系统的核心功能包括实时视频分析和行为识别，结合了手机检测和人物pose姿态检测，能够检测和区分个体是在打电话还是在玩手机。
毕设助力！从0到1构建基于YOLOv5的家电状态检测系统，让你的毕设赋能智慧家居
FJN110的博客
11-12 24
做完这个项目，你会发现自己完整走过了“数据采集→标注→模型训练→功能集成→界面开发”的毕设全流程，这不仅是技术能力的证明，更是对“技术赋能生活”这一理念的实践。答辩时，你可以重点讲这几点：系统解决了家电管理的哪些痛点、YOLOv5在家电检测中的性能优势、系统未来能怎么优化（比如对接智能家居平台、实现家电自动控制）。未来，这个系统还能往“更智能”的方向发展：比如结合能耗分析给出节能建议、开发移动端APP让用户远程监控、在智慧家居中实现家电状态全链路管理……想象空间很大。
基于YOLOv5的家电运行状态智能识别与控制系统设计与实现
最新发布
m0_71589036的博客
11-12 24
做完这个项目，你会发现自己完整走过了“数据采集→标注→模型训练→功能集成→界面开发”的毕设全流程，这不仅是技术能力的证明，更是对“技术赋能生活”这一理念的实践。答辩时，你可以重点讲这几点：系统解决了家电管理的哪些痛点、YOLOv5在家电检测中的性能优势、系统未来能怎么优化（比如对接智能家居平台、实现家电自动控制）。未来，这个系统还能往“更智能”的方向发展：比如结合能耗分析给出节能建议、开发移动端APP让用户远程监控、在智慧家居中实现家电状态全链路管理……想象空间很大。
基于YOLOv5的路灯智能调节监控系统：从数据集准备到深度学习模型与UI界面实现
YOLO
04-30 417
路灯智能调节监控系统的主要任务是通过视频流实时监控路灯及周围环境的状态，根据不同的环境变化（如行人、车辆数量、光照强度等）自动调节路灯的亮度。YOLOv5目标检测模块：检测并识别图像中的路灯、行人、车辆等目标，根据目标的数量和状态来判断路灯调节的需求。环境感知模块：通过摄像头和传感器获取周围环境的信息（如光照强度、交通流量等），并根据这些数据来优化路灯的调节策略。UI界面模块：展示实时监控画面、目标检测结果和调节状态，提供用户友好的操作界面。控制模块。
Yolov4：这是一个yolov4_pytorch代码
03-03
约洛夫4 这是一个yolov4_pytorch代码 没有实现所有trick，做了以下实现： 骨干：DarkNet53 => CSPDarkNet53 特征金字塔：SPP，PAN 训练：Mosaic数据增强，标签平滑，学习率余弦衰减衰减，CIOU 激活函数：Mish
PyTorch_YOLOv4:YOLOv4的PyTorch实现
03-18
YOLOv4 这是PyTorch实施这是基于 。 。 开发日志 扩张 2021-01-26设计蒙版的2021-01-26 。 2021-01-25设计旋转增强。 2021-01-23设计拼贴增强。 2021-01-22支持 ， 。 2021-01-22支持 。 2021-01-19支持实例细分。 2021-01-17支持基于免锚的方法。 2021-01-14支持联合检测和分类。 2020-01-02年1 2020-01-02 -设计基于和的新模型。 2020-12-22支持转学。 2020-12-18支持非本地系列自我关注块 2020-12-16在cspnet纸中支持下采样块。 2020-12-03支持模仿学习 2020-12-02支撑。 2020-11-26支持多类多锚联合检测和嵌入。 2020-11-25支持。 2020-11-23支持师生学习。
电力场景隔离开关状态识别检测数据集VOC+YOLO格式50张2类别.7z
06-07
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：50 标注数量(xml文件个数)：50 标注数量(txt文件个数)：50 标注类别数：2 标注类别名称:["close","open"] 每个类别标注的框数： close 框数 = 42 open 框数 = 8 总框数：50 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
pytorch-yolov4
slzlincent的博客
09-24 833
Ubuntu修改清华源、conda修改清华源、更改pip源 https://blog.youkuaiyun.com/ly59782/article/details/89604663 https://www.cnblogs.com/lvchengda/p/12533040.html git clone https://github.com/Tianxiaomo/pytorch-YOLOv4 conda create -n env_36 python=3.6.10 pip install -r requireme
YoloV4 目标检测 Pytorch
Harrytsz的博客
11-16 1359
学习前言什么是YOLOV4代码下载YOLOV4改进的部分（不完全）YOLOV4结构解析1、主干特征提取网络Backbone2、特征金字塔3、YoloHead利用获得到的特征进行预测4、预测结果的解码5、在原图上进行绘制 YOLOV4的训练1、YOLOV4的改进训练技巧a)、Mosaic数据增强b)、Label Smoothing平滑c)、CIOUd)、学习率余弦退火衰减 2、loss组成a)、计算loss所需参数b)、y_pre是什么c)、y_true是什么。d)、loss的计算过程 训
OpenCV调用YOLOv4进行目标检测！是真的强！
pythonlaodi的博客
09-09 3564
目标检测就是对目标进行动态实时跟踪定位，常见的目标检测算法有 R-CNN、Fast R-CNN、Faster R-CNN、SSD、Yolo 等，其中 Yolo 的速度和精确度都比较高，且只需训练一次，使用起来比较方便。 这里我们就使用官方现成的模型来检测图片，看一看效果，先学会使用流程，以后再训练自己的模型。 注意：opencv-python 目前只有4.4.0版本适配了 YOLOv4 导入库 import numpy as np import time import cv2 设置标签和标注..
YOLOV4-模型集成-pytorch
qq_48455792的博客
09-25 447
最终效果 输入一张图片到模型-->模型能够检测到物体并把框画出来 代码位置 inference.py前向推理代码 utils.py与前向传播有关的函数 dataloader与训练有关的函数 generator与训练有关的函数 utills.py与前向传播有关的函数 画框函数： 导入类别函数： iou计算函数： 非极大值抑制函数： ...
YOLOV4：You Only Look Once目标检测模型在pytorch当中的实现
2301_77310024的博客
04-28 843
YOLOv4是YOLO系列目标检测模型的最新版本，其性能较之前版本有了显著提升。YOLOv4采用了一系列创新的技术，包括CSPDarknet53作为主干网络、SPP（Spatial Pyramid Pooling）模块、PANet等，以提高检测精度和速度。本文介绍了如何在PyTorch中实现YOLOv4目标检测模型，并展示了模型训练和目标检测的实验结果。虽然我们的实现在一定程度上达到了预期的效果，但仍有改进空间，例如优化模型结构、改进训练策略等。
YOLOV4：目标检测模型在pytorch当中的实现
qaz2wsx1122的博客
04-14 1448
目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。
基于YOLOV4的开关状态检测项目实践与性能分析
YOLOv4开关检测项目是一项基于深度学习目标检测算法YOLOv4（You Only Look Once version 4）的实际工业应用场景开发实践，其核心目标是对电气设备中的“开关”进行精准识别，并进一步判断其“开”或“闭”的状态。...
评论 15
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值