【深度学习】【目标检测】【Ultralytics-YOLO系列】Windows11下YOLOV5口罩检测

已于 2025-03-20 16:14:08 修改
阅读量1.5k 收藏 13
点赞数 19
分类专栏： 深度学习 文章标签： 目标检测 YOLO 人工智能
于 2024-11-13 11:54:11 首次发布
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。
本文链接：https://blog.youkuaiyun.com/yangyu0515/article/details/143644957
版权

【深度学习】【目标检测】【Ultralytics-YOLO系列】Windows11下YOLOV5口罩检测

文章目录

前言

Ultralytics YOLO 是一系列基于 YOLO（You Only Look Once）算法的检测、分割、分类、跟踪和姿势估计模型，由 Ultralytics 公司开发和维护，YOLO 算法以其快速和准确的目标检测能力而闻名。从最初的YOLOv1到最新的YOLOv11，每一代版本都在特征提取、边界框预测和优化技术等方面引入了重要的创新。这些改进特别是在骨干网络（backbone）、颈部（neck）和头部（head）组件上的进步，使得YOLO成为实时目标检测领域的领先解决方案。
【YOLO的发展历程参考】，本博文将通过口罩检测项目简要介绍Ultralytics–YOLOv5的使用。【官方源码】

YOLOV5模型运行环境搭建

在win11环境下装anaconda环境，方便搭建专用于YOLOV5模型的虚拟环境。

  • 查看主机支持的cuda版本(最高)
    # 打开cmd,执行下面的指令查看CUDA版本号
nvidia-smi
  • 安装GPU版本的torch【官网】
    博主的cuda版本是12.2，博主选的11.8也没问题。

    其他cuda版本的torch在【以前版本】找对应的安装命令。
  • 博主安装环境参考
    # 创建虚拟环境
conda create -n yolov5 python=3.10
# 查看新环境是否安装成功
conda env list
# 激活环境
activate yolov5
# cd到合适的位置下载yolov5源码 
git clone https://github.com/ultralytics/yolov5 
cd yolov5
# 切换到一个特定的v7.0版本
git checkout tags/v7.0
# 安装pytorch和torchvision,否则容易自动安装成CPU版本(不知原因)
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
# 安装运行所需的包,修改requirements,删除torch和torchvision部分,增加onnx(博主需要导出onnx)
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
# 查看所有安装的包
pip list
conda list

注意，这里博主的代码是YOLOV5算法的v7.0版本，假如git下载经常失败，也可以直接在【官方源码】直接下载。

YOLO系列的每个大版本算法都是有迭代优化的，不是每次迭代都是一个新的大版本，不要理解错了。

YOLOV5模型运行

数据集准备

  1. 数据集下载：口罩目标检测数据集WIDER_MASK_VOC2007.zip【百度云下载，提取码：4awg 】，以下是下载的数据集格式

     VOC2007
   └── Annotations		标签	
       ├── mask_withoutmask0.xml
       ├── mask_withoutmask1.xml
       ├── ...
   └── JPEGImages		图片
       ├── mask_withoutmask0.jpg
       ├── mask_withoutmask1.jpg
       ├── ...

  2. 数据集格式转化：将原始标签的xml格式转化Ultralytics-YOLO的txt格式。

    每幅图像对应一个txt文件，如果图像中没有检测对象则不需要txt文件。
    每个对象占一行，每一行中包含的内容为：类别(class )、中心X坐标(x_center)、中心Y坐标(y_center)、图像宽度(width)和图像高度(height)。
    中心坐标已经宽高都做了归一化处理，从0到 1；类别编号从0开始。

    这里博主提供了转化的python代码，博主个人推荐在yolov5工程下新建datasetsTool目录，用于放置额外需要的辅助代码，将xml2txt.py代码放置到datasetsTool目录下。

    	import os
import xml.etree.ElementTree as ET

def parse_xml(xml_file):
    # 解析XML文件
    tree = ET.parse(xml_file)
    root = tree.getroot()

    # 获取图像尺寸
    size = root.find('size')
    width = int(size.find('width').text)
    height = int(size.find('height').text)

    # 初始化结果列表
    objects = []

    # 遍历所有的object标签
    for obj in root.findall('object'):
        name = obj.find('name').text
        difficult = int(obj.find('difficult').text)

        # 只处理name为'without-mask'或者'mask'且difficult为0的对象
        if name == 'without-mask' and difficult == 0:
            bndbox = obj.find('bndbox')
            xmin = int(bndbox.find('xmin').text)
            ymin = int(bndbox.find('ymin').text)
            xmax = int(bndbox.find('xmax').text)
            ymax = int(bndbox.find('ymax').text)

            # 计算中心点坐标和宽高
            x_center = (xmin + xmax) / 2.0
            y_center = (ymin + ymax) / 2.0
            box_width = xmax - xmin
            box_height = ymax - ymin

            # 归一化处理
            x_center /= width
            y_center /= height
            box_width /= width
            box_height /= height

            # 添加到结果列表
            objects.append((0, x_center, y_center, box_width, box_height))
        elif name == 'mask'and difficult == 0:
            bndbox = obj.find('bndbox')
            xmin = int(bndbox.find('xmin').text)
            ymin = int(bndbox.find('ymin').text)
            xmax = int(bndbox.find('xmax').text)
            ymax = int(bndbox.find('ymax').text)

            # 计算中心点坐标和宽高
            x_center = (xmin + xmax) / 2.0
            y_center = (ymin + ymax) / 2.0
            box_width = xmax - xmin
            box_height = ymax - ymin

            # 归一化处理
            x_center /= width
            y_center /= height
            box_width /= width
            box_height /= height

            # 添加到结果列表
            objects.append((1, x_center, y_center, box_width, box_height))

    return objects


def save_to_txt(objects, txt_file):
    with open(txt_file, 'w') as f:
        for obj in objects:
            line = ' '.join([str(x) for x in obj]) + '\n'
            f.write(line)


def process_directory(input_directory, output_directory):
    # 确保输出目录存在
    if not os.path.exists(output_directory):
        os.makedirs(output_directory)

    # 遍历输入目录下的所有XML文件
    for filename in os.listdir(input_directory):
        if filename.endswith('.xml'):
            xml_file = os.path.join(input_directory, filename)
            txt_file = os.path.join(output_directory, filename.replace('.xml', '.txt'))

            # 解析XML并获取所需信息
            objects = parse_xml(xml_file)

            # 将结果保存到TXT文件
            save_to_txt(objects, txt_file)

if __name__ == "__main__":
    input_directory = r'Annotations'    # 替换为你的XML文件所在目录
    output_directory = r'labels'         # 建议与Annotations在同一级
    '''
    eg:
    input_directory = r'E:\BaiduNetdiskDownload\VOC2007\Annotations'
    output_directory = r'E:\BaiduNetdiskDownload\VOC2007\labels'
    '''
    process_directory(input_directory, output_directory)

  3. 数据集组织结构：将原始数据划分成训练集和测试集，博主个人推荐在yolov5工程下新建datasets目录，用于放置所需的数据集，并新建口罩检测数据集maskdetection，将train和val数据集放到maskdetection目录下。

     maskdetection
   └── train
           ├── images
           |   ├── mask_withoutmask0.jpg
           |   ├── mask_withoutmask2.jpg
           |   ├── ...
           ├── labels
           |   ├── mask_withoutmask0.txt
           |   ├── mask_withoutmask2.txt
           |   ├── ...
   └── val
           ├── images
           |   ├── mask_withoutmask1.jpg
           |   ├── mask_withoutmask3.jpg
           |   ├── ...
           ├── labels
           |   ├── mask_withoutmask1.txt
           |   ├── mask_withoutmask3.txt
           |   ├── ...

    这里博主提供了转化的python代码，将split_train_val.py代码放置到datasetsTool目录下。

    import os
import shutil
import random

image_dir = r'JPEGImages'	# 替换为你的图像文件所在目录
label_dir = r'labels'		# 刚才生成的txt文件
'''
eg:
image_dir = r'E:\BaiduNetdiskDownload\VOC2007\JPEGImages'
label_dir = r'E:\BaiduNetdiskDownload\VOC2007\labels'
'''
train_dir = r'datasets/maskdetection/train'		# 口罩数据集的存放位置
val_dir = r'datasets/maskdetection/val'
'''
eg:
train_dir = r'E:\Ultralytics-YOLO\yolov5\datasets\maskdetection\train'
val_dir = r'E:\Ultralytics-YOLO\yolov5\datasets\maskdetection\val'
'''

# 创建新的文件夹
os.makedirs(os.path.join(train_dir, 'images'), exist_ok=True)
os.makedirs(os.path.join(train_dir, 'labels'), exist_ok=True)
os.makedirs(os.path.join(val_dir, 'images'), exist_ok=True)
os.makedirs(os.path.join(val_dir, 'labels'), exist_ok=True)

# 获取所有图像文件名
image_files = [f for f in os.listdir(image_dir) if f.endswith('.jpg')]

# 设置随机种子以保证结果可复现
random.seed(42)

# 打乱文件列表
random.shuffle(image_files)

# 计算训练集和验证集的数量
split_index = int(0.8 * len(image_files))
train_files = image_files[:split_index]
val_files = image_files[split_index:]

# 复制训练集文件
for file_name in train_files:
    image_path = os.path.join(image_dir, file_name)
    label_path = os.path.join(label_dir, os.path.splitext(file_name)[0] + '.txt')

    # 复制图像文件
    shutil.copy(image_path, os.path.join(train_dir, 'images', file_name))

    # 复制标签文件
    shutil.copy(label_path, os.path.join(train_dir, 'labels', os.path.splitext(file_name)[0] + '.txt'))

# 复制验证集文件
for file_name in val_files:
    image_path = os.path.join(image_dir, file_name)
    label_path = os.path.join(label_dir, os.path.splitext(file_name)[0] + '.txt')

    # 复制图像文件
    shutil.copy(image_path, os.path.join(val_dir, 'images', file_name))

    # 复制标签文件
    shutil.copy(label_path, os.path.join(val_dir, 'labels', os.path.splitext(file_name)[0] + '.txt'))

print("数据集划分完成")

  4. 配置maskdetection.yaml：博主根据data/coco128.yaml文件，在data目录下同样配置了口罩目标检测的数据集配置文件maskdetection.yaml。

    path: datasets/maskdetection	# 数据集路径
train: train/images             # 训练集
val: val/images                 # 验证集
nc: 2                           # 类别数量
names:							# 类别名:避免用中文
	0: without-mask
	1: mask

  5. 配置yolov5s-mask.yaml：博主根据models/yolov5s.yaml文件，在models目录下同样配置了口罩目标检测的网络配置文件yolov5s-mask.yaml。

    # 复制yolov5s.yaml只需修改类别数量
nc: 2                           # 类别数量

YOLOV5运行

运行yolov5，建议增加虚拟内存！！！！不然内存不足会导致很多错误！！！

模型训练

train.py配置训练参数：在有标注的者训练集进行模型的训练，并在验证集上评估。

常用参数含义
weights：指定预训练模型的权重文件；
cfg：存储模型结构的配置文件；
data：存储训练、测试数据的配置文件;
batch-size：一次训练的图片数量；
img：输入图片宽高,根据需求和硬件条件修改;
device：模型运行的设备,cuda 0,1,2,3或者cpu.
其他参数在后续讲解具体代码的过程中再去解释。

训练运行以下命令：

python train.py --img 640 --epochs 300 --data data/maskdetection.yaml --batch-size 16 --weights yolov5s.pt --cfg yolov5s-mask.yaml --device 0

weights 参数和 cfg 参数对应的模型有冲突，以 cfg 指定的模型为基准。


可能出现的问题：
1.问题：“_pickle.UnpicklingError: Weights only load failed. This file can still be loaded, to do so you have two options, do those steps only if you trust the source of the checkpoint.”

解决方式：

# 修改前
ckpt = torch.load(weights, map_location='cpu')  # load checkpoint to CPU to avoid CUDA memory leak
# 修改后
ckpt = torch.load(weights, map_location='cpu', weights_only=False)  # load checkpoint to CPU to avoid CUDA memory leak

2.问题：“AttributeError: ‘FreeTypeFont’ object has no attribute ‘getsize.’”
解决方式：

# 修改前
w, h = self.font.getsize(label)  # text width, height
w, h = self.font.getsize(text)  # text width, height
# 修改后
w, h = self.font.getbbox(label)[2:4]     # text width, height
w, h = self.font.getbbox(text)[2:4]  # text width, height

模型验证

val.py参数验证配置：在有标注的者验证集上进行模型效果的评估模型好坏，目标检测中最常使用的评估指标为mAP。

常用参数含义
data：存储训练、测试数据的配置文件;
weights：指定训练好的模型权重文件；
batch-size：一次验证的图片数量；
img：输入图片宽高,根据需求和硬件条件修改;
device：模型运行的设备,cuda 0,1,2,3或者cpu;
augment：额外的数据增强.
其他参数在后续讲解具体代码的过程中再去解释。

验证运行以下命令：

python val.py --img 640  --data data/maskdetection.yaml --batch-size 16 --weights runs/train/exp/weights/best.pt  --device 0 --augment

这里博主随便找了一次训练过程中的中间训练权重进行演示，所以精度不是很高。

模型推理

detect.py配置推理参数：在没有标注的数据集上进行推理。

常用参数含义
weights：指定训练好的模型权重文件；
source：测试图片的保存路径;
device：模型运行的设备,cuda 0,1,2,3或者cpu;
–conf-thres：指定置信度阈值;
–iou-thres：非极大值抑制IoU 阈值;
其他参数在后续讲解具体代码的过程中再去解释。

推理运行以下命令：

python detect.py --weights runs/train/exp/weights/best.pt --source data/images --device 0 --conf-thres 0.7 --iou-thres 0.3


在runs/detect/exp获得输出：

部分读者可能需要博文中训练好的权重文件best.pt(此前的人脸检测)【百度云下载，提取码: meqc 】。

导出onnx模型

export.py配置推理参数：

常用参数含义
weights：指定训练好的模型权重文件；
include：导出的模型类型;
其他参数在后续讲解具体代码的过程中再去解释。

导出运行以下命令：

python export.py --weights runs/train/exp/weights/best.pt --include onnx

总结

尽可能简单、详细的介绍了YOLOV5的安装流程以及YOLOV5的使用方法。后续会根据自己学到的知识结合个人理解讲解YOLOV5的原理和代码。

基于YOLOv8的厨师帽佩戴检测告警系统源码(部署教程+训练好的模型+各项评估指标曲线).zip
08-22
ultralytics-main为YOLOv8源代码，里面涵盖基于yolov8分类、目标检测额、姿态估计、图像分割四部分代码，我们使用的是detect部分，也就是目标检测代码 2、搭建环境 安装anaconda 和 pycharm windows系统、mac系统...
YOLO-v5的本地部署和解决python库的冲突（包括anaconda的安装以及更换盘）
LuckWinnn的博客
12-10 1010
Yolo-v5是一个轻量化的视觉识别模型，Yolo（You Only Look Once）更说明了其识别速度迅速的优点，同时也使得其特点突出，适用于迅速，轻量的场景，在打比赛时部署过程遇到了不少困难，特地总结这篇文档，介绍如何部署yolo-v5模型以及处理anaconda和python占满C盘的问题。
ultralytics / yolov5，官方预训练权重yolov5s.pt
06-13
ultralytics / yolov5，官方预训练权重yolov5s.pt，从drive.google下载下来的
YOLOv12保姆级教程（win系统和ubuntu系统均可使用）
最新发布
许济江
02-20 7833
YOLOv12 是由纽约大学、中国科学院大学和布法罗大学联合研发的实时物体检测模型。相比传统的 CNN 架构，YOLOv12 引入了 注意力机制，突破了在捕捉全局依赖和提升精度方面的局限。其创新包括： 区域注意力模块（A2）：提高推理速度，减少计算复杂度。 残差高效层聚合网络（R-ELAN）：增强特征聚合，优化训练效率。 架构优化：采用 FlashAttention 解决内存访问问题，调整 MLP 比率，进一步提升性能。
windows11下Yolov5训练模型环境搭建
liukeying55的专栏
04-07 3094
安装anaconda 下载anaconda 双击Anaconda3-2021.11-Windows-x86_64.exe文件进行安装，如下图： 安装Pytorch 打开anaconda的 Anaconda Prompt(Anaconda3)，如下图： 创建PyTorch虚拟环境: conda create -n PyTorch python=3.9 切换到PyTorch虚拟环境：conda activate PyTorch 登录pytorch官网，选中要安装的pytorch环境，如下
yolov5-pytorch-Ultralytics教程，涵盖 训练+预测+报错处理
weixin_42179685的博客
05-03 2512
本篇使用的yolo5模型大小为yolov5l由于需要识别一图片些细小的物体，我在Ultralytics的yolov5添加了一些注意力机制，但本次不会展开说，因为添加注意力前后对我们训练和预测的操作流程都没有任何影响。训练+预测至此结束咯~~
ultralytics / yolov5，官方预训练权重yolov5x.pt
06-16
ultralytics / yolov5，官方预训练权重yolov5x.pt，从drive.google下载下来的
搭建Windows11下yolov5环境
LoongEmbedded的专栏
10-27 3366
Windows11下yolov5环境配置
基于深度学习的面部口罩检测识别系统：YOLOv5与UI界面
m0_52343631的博客
11-27 841
本项目的主要目标是构建一个面部口罩检测系统，能够识别图像或视频中的人脸并判断是否佩戴口罩。口罩检测与识别：检测图像或视频中的人脸，并判断其是否佩戴口罩。图像上传与处理：用户可以上传一张图片，系统自动识别并返回结果。实时视频检测：通过摄像头实时捕捉视频流，系统实时进行面部口罩检测。UI界面设计：提供用户友好的图形界面，让用户能够方便地上传图像、启动视频流等。为了训练YOLOv5模型，我们需要一个包含佩戴口罩和不佩戴口罩的人脸图像数据集。
用YOLOv5训练自己的目标检测数据集（以口罩检测为例）
cxzgood的博客
05-07 1万+
运行YOLOv5首先需要安装深度学习环境，教程请看安装pytorch深度学习环境（GPU版）。 YOLOv5的代码在GitHub上是开源的GitHub - ultralytics/yolov5，利用其代码实现自己的目标检测需求，需要2个步骤：1.准备数据集；2.配置代码参数，训练模型；3.预测。以下笔者将带大家一步步实现自己的目标检测模型训练。 一、准备数据集 1.1 收集图片 我们根据自己的需求收集相关图片，在这里以口罩识别为例。我们从网上收集到一些...
机器学习笔记 - 使用 YOLOv5、O​​penCV、Python 和 C++ 检测物体
学以致用 知行合一
08-03 4323
YOLO v5虽然已经不是最先进的对象检测器，但是YOLOv5 使用了一个简单的卷积神经网络 CNN架构（相对YOLO v8来讲，不过v8精度是更高了一些），更易理解。这里主要介绍如何轻松使用 YOLO v5来识别图像中的对象。将使用 OpenCV、Python 和 C++ 来加载和调用我们的 YOLO v5 模型。目标检测是最重要的计算机视觉任务之一。对于每个对象，对象检测算法分配一个值，表示该检测的确定性。另外我们可以自己训练 YOLOv5，以便教它检测其他类型的物体。
[YOLO专题-11]：YOLO V5 - ultralytics/train基于自定义图片数据集重新训练网络, 完成自己的目标检测
热门推荐
文火冰糖（王文兵）的博客
01-03 1万+
作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_优快云博客 本文网址：https://blog.youkuaiyun.com/HiWangWenBing/article/details/122150460 目录 前言： 步骤1：下载对应版本的YOLO开源代码 1.1 github链接 1.2 下载 1.3 拷贝到Pycharm工程目录中 步骤2： 为新数据集创建新配置文件或修改已有配置文件：xxxdataset.yaml 步骤3： 下载或创建自定义数据集 3.1
ultralytics / yolov5 官方预训练权重yolov5m.pt
06-16
ultralytics / yolov5，官方预训练权重yolov5m.pt，从drive.google下载下来的
快速入门 YOLOv5(ultralytics)
W1995S的博客
08-02 7847
YOLOv5 是一系列在 COCO 数据集上预训练的对象检测架构和模型，代表Ultralytics 对未来视觉 AI 方法的开源研究，结合了在数千小时的研究和开发中获得的经验教训和最佳实践。 https://github.com/OlafenwaMoses/FireNET/releases/download/v1.0/fire-dataset.zip 文档 有关训练、测试和部署的完整文档，请参阅YOLOv5 文档。 快速入门示例 安装 Python>=3.6.0需要安装所有 requirement
win11 yolov5环境配置及踩过的坑（适合小白）
LW_12345的博客
11-18 989
软件安装与激活
yolov5篇---官方ultralytics / yolov5代码复现，训练自己的数据集
心惠天意
08-31 1万+
yolov5篇---官方ultralytics / yolov5代码复现，训练自己的数据集
Ultralytics YOLOv5简介
09-13 1007
目标检测模型YOLOv5代码仓
ultralytics/yolov5网络模型代码解读
Strange_Gu的博客
10-18 3672
先附上yolov5代码地址：ultralytics/yolov5 网络上已经有很多关于yolov5代码解析，为什么还要写一篇？ 因为关于模型的代码一直看的半懂，再不动手写下，可能代码都看下去了。。。(【注】代码中的有些注释，有一开始学习yolov5代码时学习博主的代码剖析文章添加的。链接放上，多向大佬学习！！！）yolov5深度剖析+源码debug级讲解系列（二）backbone构建)YOLOV5训练代码train.py注释与解析 有关构建yolov5网络模型的代码主要由在models文件夹下的com
[YOLO专题-14]：YOLO V5 - ultralytics在自定义数据集上获得高性能的常见关键项
文火冰糖（王文兵）的博客
01-04 1万+
作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_优快云博客 本文网址： 目录 前言： 第1步：数据集的优化 （1）图像的数量 （2）标签的目标实例的数量 （3）图片的变化性 （4）标签的一致性 （5）标签准确性 （6）背景图片的添加 第2步：模型的选择 第3步：模型训练过程的优化 3.1 情形1：从预训练模型（权重文件）开始 3.2 情形2：从头开始训练 3.3 模型训练超参数的选择 前言： YOLO V5官方提供的性能指标，是在YOLO V
利用YOLOv5实现高效戴口罩检测系统
YOLOv5是YOLO系列中的一种目标检测算法，全称为You Only Look Once version 5，它由Ultralytics公司开发。YOLO系列算法因其高速度和高准确度而广受欢迎，能够实现实时的对象检测。YOLOv5进一步优化了之前的版本，...
评论
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