基于深度學習yolov3的安全帽檢測以及安全帽檢測資料集

資料集和代碼下載下傳位址：下載下傳位址

資料可視化：

模型訓練

模型訓練

根目錄下運作指令： python train.py (注意腳本内相關參數配置 )

注意：加載訓練的配置參數的關鍵代碼段如下，cfg/transport.data為訓練coco交通工具資料集的配置參數檔案。

if __name__ == '__main__':
    train(data_cfg = "cfg/transport.data")
           

cfg檔案夾下的 "*.data"檔案包含了重要的配置資訊，以"cfg/transport.data"為例如下：

cfg_model=yolo # 模型選擇：yolo  / yolo tiny
classes=8 # 資料集的類别
gpus = 0 # GPU 的選擇
num_workers = 8 # 訓練時資料疊代（增強）器的程序數
batch_size = 8 # 訓練時每一個批次的圖檔量設定，該例子是8張圖檔
img_size = 416 # 模型的預設輸入圖檔尺寸是 416*416
multi_scale = True # 是否在訓練中采用多尺度增強方式，該例子為使用
epochs = 100 # 訓練總周期，完整周遊一次資料集為一個周期
train=./yolo_transport_train/anno/train.txt # 訓練集的train.txt路徑
valid=./yolo_transport_train/anno/train.txt # 驗證集的train.txt路徑，目前訓練代碼中并沒有加入驗證功能代碼
names=./cfg/transport.names # 該資料集對應的具體分類名字，需要與其标簽對應
finetune_model = ./weights-yolov3-transport/latest_416.pt # 采用的預訓練模型
lr_step = 10,20,30 # 訓練時對應的特定epoch時更新學習率
lr0 = 0.001 # 訓練時的初始化學習率

           

模型推理

根目錄下運作指令： python predict.py (注意腳本内相關參數配置 )