YOLO 施工安全帽目标检测模型
建筑工地的工人安全是许多建筑行业日益关注的问题。佩戴安全帽可以减少建筑工地工人的伤害，但由于各种原因，安全帽并不总是正确佩戴。因此，基于计算机视觉的自动安全帽检测系统极为重要。许多研究人员已经开发了基于机器和深度学习的头盔检测系统，但很少有人专注于建筑工地的头盔检测。
在线工具推荐：三维数字孪生场景工具 - GLTF/GLB在线编辑器 - Three.js AI自动纹理化开发 - YOLO 虚幻合成数据生成器 - 3D模型在线转换 - 3D模型预览图生成服务
头盔自动检测基本上是一个物体检测问题，可以使用深度学习和基于计算机视觉的方法来解决。由于深度学习在目标检测领域的计算方法和精度，深度学习及其在计算机视觉中的应用取得了突破性进展。目标识别方法一直是近年来计算机视觉领域的研究热点。目前有两种用于目标检测的先进深度学习方法：基于 R-CNN（卷积神经网络）的目标检测算法，该算法首先生成候选区域，然后执行分类或回归，以及 You Only Look Once（YOLO）和 Single Shot MultiBox Detector（SSD）算法，仅使用一个 CNN 执行分类或回归。基于 R-CNN 的方法实现了相对较高的准确率，但缺点是执行时间较长，因此不适合实时场景。SSD 算法运行速度更快，但在检测小物体方面存在问题，这在头盔自动检测中可能是个问题。因此，本研究使用具有不同架构的 YOLO 来自动检测建筑工地上的安全帽。
本文介绍了一种基于 YOLO 的实时计算机视觉自动安全帽检测系统。YOLO 架构速度快，每秒可处理 45 帧，使基于 YOLO 的架构可用于实时安全帽检测。本研究使用包含 5000 张安全帽图像的基准数据集，分别以 60：20：20 （%） 的比例进一步划分，用于训练、测试和验证。实验结果表明，YOLOv5x 架构实现了 92.44%的最佳平均精度（mAP），即使在弱光条件下也能显示出优异的安全帽检测效果。
在本文章，将使用UnrealSynth虚幻合成数据生成器 来生成训练所需要的数据集，用户只需要将安全帽的 3D 模型导入 UnrealSynth 中，经过简单的配置就可以自动生成数据集，非常的简单方便：
基于 YOLO 的实时计算机视觉自动安全帽检测：
1. 场景准备
将戴有安全帽和未戴安全帽的工人模型导入到场景。
配置场景先关参数，如：生成的图片数据集的图片分辨率、生成的图片的数量等。
2. 生成数据集
设置参数后，点击【确定】后会在本地目录中...\UnrealSynth\Windows\UnrealSynth\Content\UserData 生成本地合成数据集，本地数据包含两个文件夹以及一个 yaml 文件：images、labels、test.yaml 文件；images 中存放着生成的图片数据集，labels 中存放着生成的标注数据集。
images 和 labels 目录下各有两个目录：train 和 val，train 目录表示训练数据目录，val 表示验证数据目录，标注数据的格式如下所示：
synth.yaml 是数据的配置文件，数据格式如下：
3、YOLOv5 模型训练
生成数据集后，下一步就是利用 Yolo 来训练模型，第一步，打开 ultralytics hub 在线训练工具，将刚才生成的数据集上传到 ultralytics hub
将合成数据上传后，选择 YOLO 模型版本，确定好 YOLO 模型版本后，点击【continue】就可以开始使用 ultralytics 来训练集我们的模型了，如下所示：
选择 YOLO 模型后点击下一步将会生成用户 key 值，这个 key 值将在下一步模型训练时用到
复制【step1】中中的内容，点击【step2】进入到 google Colab 页面，如下所示：
首先，先点击 step 中的播放按钮，安装环境依赖，如上图所示；环境安装成功后，接下来将【Start】中的整个内容给都换掉，用在上一步中复制的 key 值整体替换里面原来的信息，如图：
然后点击播放按钮，开始训练模型，如下图所示：
模型训练需要一段时间...
4、训练模型验证
模型训练完成之后，可以用训练好的模型验证一下，用几张工地工人干活的场景图片，导入用图片来验证一下，操作步骤如图所示：
图片验证结果如下：
版权声明: 本文为 InfoQ 作者【3D建模设计】的原创文章。
原文链接:【http://xie.infoq.cn/article/a806b9f0724adbdc9e09335f9】。
本文遵守【CC-BY 4.0】协议，转载请保留原文出处及本版权声明。
还未添加个人签名 2023-04-14 加入
还未添加个人简介
评论