IT评测·应用市场-qidao123.com

标题: 如何使用YOLOv5来训练——建筑工地安全图像数据集，并附上详细的训练代码和 [打印本页]

---

作者: 石小疯    时间: 2024-12-21 22:46
标题: 如何使用YOLOv5来训练——建筑工地安全图像数据集，并附上详细的训练代码和
如何使用YOLOv5来训练——建筑工地安全图像数据集，并附上详细的训练代码和步调。这个数据集包罗10个类别，标注为YOLO格式。安全帽面罩安全锥等数据集进行检测

建筑工地安全活动图像数据集
yolo格式
0:“安全帽”，1:“面罩”，2:“无安全帽”、3:“无面罩”、4:“无安全背心”、5:“人”、6:“安全锥”、7:“安全背心”，8:“机器”，9:“车辆”
train(2605)val(114)test(82)

如何使用YOLOv5来训练一个包罗建筑工地安全图像的数据集，并附上详细的训练代码和步调。这个数据集包罗10个类别，标注为YOLO格式。
数据集描述

• 数据量：
  
  
  
  • 训练集：2605张图像
    
  • 验证集：114张图像
    
  • 测试集：82张图像
    
  
  
• 类别：
  
  
  
  • 0: 安全帽（Safety Helmet）
    
  • 1: 面罩（Face Mask）
    
  • 2: 无安全帽（No Safety Helmet）
    
  • 3: 无面罩（No Face Mask）
    
  • 4: 无安全背心（No Safety Vest）
    
  • 5: 人（Person）
    
  • 6: 安全锥（Safety Cone）
    
  • 7: 安全背心（Safety Vest）
    
  • 8: 机器（Machine）
    
  • 9: 车辆（Vehicle）
    
  
  
• 标注格式：YOLO格式
  

数据集构造

假设你的数据集目录结构如下：

1. construction_site_safety_dataset/
2. ├── train/
3. │   ├── images/
4. │   └── labels/
5. ├── valid/
6. │   ├── images/
7. │   └── labels/
8. ├── test/
9. │   ├── images/
10. │   └── labels/
11. └── data.yaml  # 数据配置文件

复制代码

此中：

• train/ 包罗训练集的图像和TXT标签文件。
  
• valid/ 包罗验证集的图像和TXT标签文件。
  
• test/ 包罗测试集的图像和TXT标签文件。
  
• data.yaml 包罗数据设置信息。
  

数据设置文件

创建或确认data.yaml文件是否精确设置了数据集路径和类别信息：

1. train: ./train/images/  # 训练集图像路径
2. val: ./valid/images/  # 验证集图像路径
3. test: ./test/images/  # 测试集图像路径
5. # Classes
6. nc: 10  # 类别数量
7. names:
8.   - safety_helmet
9.   - face_mask
10.   - no_safety_helmet
11.   - no_face_mask
12.   - no_safety_vest
13.   - person
14.   - safety_cone
15.   - safety_vest
16.   - machine
17.   - vehicle  # 类别名称列表

复制代码

安装YOLOv5

如果你还没有安装YOLOv5，可以使用以下命令安装：

1. pip install yolov5

复制代码

训练模型

使用YOLOv5训练模型的命令非常简单，你可以直接使用以下命令开始训练：

1. [/code] [code]cd path/to/construction_site_safety_dataset/
3. # 克隆YOLOv5仓库
4. git clone https://github.com/ultralytics/yolov5.git
5. cd yolov5
7. # 下载预训练权重
8. wget https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5s.pt
10. # 开始训练
11. python train.py --img 640 --batch 16 --epochs 100 --data ../data.yaml --weights yolov5s.pt --cache

复制代码

在这个命令中：

• --img 640：输入图像的巨细。
  
• --batch 16：批量巨细。
  
• --epochs 100：训练轮数。
  
• --data ../data.yaml：指定数据设置文件。
  
• --weights yolov5s.pt：指定预训练权重。
  
• --cache：使用缓存以加快训练速度。
  

模型评估

训练完成后，可以使用以下命令评估模型在验证集上的体现：

1. python val.py --data ../data.yaml --weights runs/train/exp/weights/best.pt --img 640

复制代码

这里的runs/train/exp/weights/best.pt是训练过程中产生的最佳模型权重文件。
模型猜测

你可以使用训练好的模型对新图像进行猜测：

1. python detect.py --source path/to/your/image.jpg --weights runs/train/exp/weights/best.pt --img 640 --conf 0.4 --iou 0.5

复制代码

查看训练结果

训练过程中的日志和结果会保存在runs/train/目录下，你可以查看训练过程中的损失、精度等信息。
数据增强

为了进一步提高模型性能，可以使用数据增强技术。以下是一个简单的数据增强示例：

• 安装albumentations库：
  
  1. pip install -U albumentations

  复制代码
• 在train.py中添加数据增强：
  
  1. import albumentations as A
  2. from albumentations.pytorch import ToTensorV2
  3. import cv2
  5. # 定义数据增强
  6. transform = A.Compose([
  7.     A.RandomSizedBBoxSafeCrop(width=640, height=640, erosion_rate=0.2),
  8.     A.HorizontalFlip(p=0.5),
  9.     A.VerticalFlip(p=0.5),
  10.     A.Rotate(limit=10, p=0.5, border_mode=cv2.BORDER_CONSTANT),
  11.     A.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.2, p=0.5),
  12.     A.GaussNoise(var_limit=(10.0, 50.0), p=0.5),
  13.     A.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
  14.     ToTensorV2()
  15. ], bbox_params=A.BboxParams(format='yolo', label_fields=['class_labels']))
  17. # 在数据加载器中应用数据增强
  18. def collate_fn(batch):
  19.     images, targets = zip(*batch)
  20.     transformed_images = []
  21.     transformed_targets = []
  23.     for img, target in zip(images, targets):
  24.         bboxes = target['bboxes']
  25.         class_labels = target['labels']
  26.         augmented = transform(image=img, bboxes=bboxes, class_labels=class_labels)
  27.         transformed_images.append(augmented['image'])
  28.         transformed_targets.append({
  29.             'bboxes': augmented['bboxes'],
  30.             'labels': augmented['class_labels']
  31.         })
  33.     return torch.stack(transformed_images), transformed_targets

  复制代码

留意事项

• 数据集质量：确保数据集的质量，包罗清晰度、标注正确性等。
  
• 模型选择：可以选择更强盛的模型版本（如YOLOv5m、YOLOv5l等）以提高性能。
  
• 超参数调整：根据实际情况调整超参数，如批量巨细（batch-size）、图像巨细（imgsz）等。
  
• 监控性能：训练过程中监控损失函数和mAP指标，确保模型收敛。
  

通过上述步调，你可以使用YOLOv5来训练一个建筑工地安全图像数据集，并使用训练好的模型进行猜测

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

---

欢迎光临 IT评测·应用市场-qidao123.com (https://dis.qidao123.com/)

Powered by Discuz! X3.4