当前位置： 首页 > news >正文

深度学习口罩识别数据集+GUI+模型

news 2026/6/1 22:56:17

一个基于YoloV5的口罩识别项目+GUI

代码获取 请见文末卡片

使用方式

  1. 安装依赖
pip install -r requirements.txt
  1. 运行PyqtGUI.py文件
python PyqtGUI.py

best1、2、3.pt为模型文件，如有需要自行替换。

注释

如果你不能运行请重新安装pip install -r requirements2.txt的依赖，并手动补齐缺失的库。

目标检测:

目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于无人驾驶、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。 因此，目标检测也就成为了近年来理论和应用的研究热点，它是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，同时目标检测也是泛身份识别领域的一个基础性的算法，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。

YOLOv5简介:

YOLOV4出现之后不久，YOLOv5横空出世。YOLOv5在YOLOv4算法的基础上做了进一步的改进，检测性能得到进一步的提升。YOLOv5在COCO数据集上面的测试效果非常不错。工业界也往往更喜欢使用这些方法，而不是利用一个超级复杂的算法来获得较高的检测精度。
YOLOv5是一种单阶段目标检测算法，速度与精度都得到了极大的性能提升。主要的改进思路如下所示：

  1. 输入端：在模型训练阶段，提出了一些改进思路，主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放。
  2. 基准网络：融合其它检测算法中的一些新思路，主要包括：Focus结构与CSP结构。
  3. Neck网络：目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层，Yolov5中添加了FPN+PAN结构。
  4. Head输出层：输出层的锚框机制与YOLOv4相同，主要改进的是训练时的损失函数GIOU_Loss，以及预测框筛选的DIOU_nms。

YOLOv5S模型的网络架构：

[

Yolov5s网络是Yolov5系列中深度最小，特征图的宽度最小的网络。Yolov5m、Yolov5l、Yolov5x 都是在此基础上不断加深，不断加宽。

YOLOV5目录结构：

下载源码后解压可以看到如下目录：

其中，train.py这个文件也是我们接下来训练yolo模型需要用到的启动文件。
requirement.txt 中有我们所需要的的全部依赖,采用pip安装。

pip install-r requirements.txt#安装完依赖后准备工作完成

每个文件作用:

YOLOv5|detect.py#检测脚本|hubconf.py# PyTorch Hub相关代码|LICENSE# 版权文件|README.md#README markdown 文件|requirements.txt#项目所需的安装包列表|sotabench.py#COCO 数据集测试脚本|test.py#模型测试脚本|train.py#模型训练脚本|tutorial.ipynb#Jupyter Notebook演示代码|--data||coco.yaml#COCO 数据集配置文件||coco128.yaml#COCO128 数据集配置文件||hyp.finetune.yaml#超参数微调配置文件||hyp.scratch.yaml#超参数启始配置文件||voc.yaml#VOC数据集配置文件||---scripts|get_coco.sh# 下载COCO数据集shell命令|get_voc.sh# 下载VOC数据集shell命令|--inference||images#示例图片文件夹|bus.jpg|zidane.jpg|--models||common.py#模型组件定义代码||experimental.py#实验性质的代码||export.py#模型导出脚本||yolo.py# Detect 及 Model构建代码||yolo5l.yaml# yolov5l 网络模型配置文件||yolo5m.yaml# yolov5m 网络模型配置文件||yolo5s.yaml# yolov5s 网络模型配置文件||yolo5x.yaml# yolov5x 网络模型配置文件||__init__.py||---hub|yolov3-spp.yaml|yolov3-fpn.yaml|yolov3-panet.yaml|--runs#训练结果||--exp0|||events.out.tfevents.|||hyp.yaml|||labels.png|||opt.yaml|||precision-recall_curve.png|||results.png|||results.txt|||test_batch0_gt.jpg|||test_batch0_pred.jpg|||test_batch0.jpg|||test_batch1.jpg|||test_batch2.jpg|||--weights||best.pt#所有训练轮次中最好权重||last.pt#最近一轮次训练权重|--utils||activations.py#激活函数定义代码||datasets.py#Dataset 及Dataloader定义代码||evolve.py#超参数进化命令||general.py#项目通用函数代码||google_utils.py# 谷歌云使用相关代码||torch_utils.py# torch工具辅助类代码||__init__.py# torch工具辅助类代码||---google_app_engine|additional_requirements.txt|app.yaml|Dockerfile|--VOC#数据集目录||--images#数据集图片目录|||--train# 训练集图片文件夹|||000005.jpg|||000007.jpg|||000009.jpg|||0000012.jpg|||0000016.jpg|||...|||--val# 验证集图片文件夹|||000001.jpg|||000002.jpg|||000003.jpg|||000004.jpg|||000006.jpg|||...||--labels#数据集标签目录||train.cache||val.cache|||--train# 训练标签文件夹|||000005.txt|||000007.txt|||...|||--val# 验证集图片文件夹|||000001.txt|||000002.txt|||...|--weights dwonload_weights.sh#下载权重文件命令yolov5l.pt#yolov5l 权重文件yolov5m.pt#yolov5m 权重文件yolov5s.mlmodel#yolov5s 权重文件(Core M格式)yolov5s.onnx#yolov5s 权重文件(onnx格式)yolov5s.torchscript#yolov5s 权重文件(torchscript格式)yolov5x.pt#yolov5x 权重文件

模型训练过程：

使用环境：Python3.8+torch1.8.1+cuda11.1+pycharm
（注：cuda的安装版本取决于显卡类型）

1.数据集的标注：

python打开labelimg这个软件进行标注。

python labelimg.py

数据格式建议选择VOC,后期再转换成 yolo格式。
( VOC会生成 xml 文件,可以灵活转变为其他模型所需格式)

本次训练标注两个标签，佩戴口罩为 mask，未佩戴口罩为 face。

在根目录下建立一个VOCData文件夹，再建立两个子文件，其中，jpg文件放置在VOCData/images下，xml放置在VOCData/Annotations中。（这一步根据个人随意，因为在训练时需要创建配置文件指定模型训练集的目录）

2.数据集的训练：

①、在项目根目录下文件夹下新建mask_data.yaml配置文件，添加如下内容：
（根据个人情况修改）

path：项目的根目录
train：训练集与path的相对路径
val：验证集与path的相对路径
nc：类别数量，2个
names：类别名字
(上一步中标注好的训练集，可以按照想要比例划分为训练和验证集，也可以不划分填同一路径。)

②、修改启动文件 train.py：

打开train.py,其相关参数如下：

其中：
weights：权重文件路径
cfg：存储模型结构的配置文件
data：存储训练、测试数据的文件（上一步中自己创建的那个.yaml）
epochs：训练过程中整个数据集的迭代次数
batch-size：训练后权重更新的图片数
img-size：输入图片宽高。
device：选择使用GPU还是CPU
workers：线程数，默认是8

#输入命令开始训练：python train.py--weights data/yolov5s.pt--cfg models/yolov5s.yaml--data data/mask_data.yaml--epoch100--batch-size8--device0

③、等待慢慢跑完

模型结果数据呈现：

1.数据集的分布：

mask的照片约有2000张，face的照片约有2500张。

2.损失函数和准确率：

可以看到随着训练的进行，以不同方式呈现的损失函数呈明显下降趋势，准确率呈上升趋势。

3.置信度与准确率：

置信度在0.6以上时，准确率接近80%。

GUI编程：

编写GUI界面，方便对权重文件进行一个替换，对图片和视频进行一个监测，以及调用摄像头进行实时监测。

呈现效果：

UI代码：

''' ***模型初始化*** '''@torch.no_grad()defmodel_load(self,weights="",# model.pt path(s)device='',# cuda device, i.e. 0 or 0,1,2,3 or cpuhalf=False,# use FP16 half-precision inferencednn=False,# use OpenCV DNN for ONNX inference):device=select_device(device)half&=device.type!='cpu'# half precision only supported on CUDAdevice=select_device(device)model=DetectMultiBackend(weights,device=device,dnn=dnn)stride,names,pt,jit,onnx=model.stride,model.names,model.pt,model.jit,model.onnx# Halfhalf&=ptanddevice.type!='cpu'# half precision only supported by PyTorch on CUDAifpt:model.model.half()ifhalfelsemodel.model.float()print("模型加载完成!")returnmodel''' ***界面初始化*** '''definitUI(self):# 图片检测子界面font_title=QFont('幼圆',16)font_main=QFont('幼圆',20)# 图片识别界面, 两个按钮，上传图片和显示结果img_detection_widget=QWidget()img_detection_layout=QVBoxLayout()img_detection_title=QLabel("图片检测")img_detection_title.setFont(font_title)mid_img_widget=QWidget()mid_img_layout=QHBoxLayout()self.left_img=QLabel()self.right_img=QLabel()self.left_img.setPixmap(QPixmap("images/UI/up.png"))self.right_img.setPixmap(QPixmap("images/UI/right.png"))self.left_img.setAlignment(Qt.AlignCenter)self.right_img.setAlignment(Qt.AlignCenter)mid_img_layout.addWidget(self.left_img)mid_img_layout.addStretch(0)mid_img_layout.addWidget(self.right_img)mid_img_widget.setLayout(mid_img_layout)up_img_button=QPushButton("选择图片")det_img_button=QPushButton("开始检测")up_img_button.clicked.connect(self.upload_img)det_img_button.clicked.connect(self.detect_img)up_img_button.setFont(font_main)det_img_button.setFont(font_main)up_img_button.setStyleSheet("QPushButton{color:white}""QPushButton:hover{background-color: rgb(87,24,138);}""QPushButton{background-color:rgb(46,169,223)}""QPushButton{border:2px}""QPushButton{border-radius:5px}""QPushButton{padding:20px 20px}""QPushButton{margin:15px 150px}")det_img_button.setStyleSheet("QPushButton{color:white}""QPushButton:hover{background-color: rgb(87,24,138);}""QPushButton{background-color:rgb(46,169,223)}""QPushButton{border:2px}""QPushButton{border-radius:5px}""QPushButton{padding:20px 20px}""QPushButton{margin:15px 150px}")img_detection_layout.addWidget(img_detection_title,alignment=Qt.AlignCenter)img_detection_layout.addWidget(mid_img_widget,alignment=Qt.AlignCenter)img_detection_layout.addWidget(up_img_button)img_detection_layout.addWidget(det_img_button)img_detection_widget.setLayout(img_detection_layout)# 视频识别子界面vid_detection_widget=QWidget()vid_detection_layout=QVBoxLayout()vid_title=QLabel("视频检测")vid_title.setFont(font_title)self.vid_img=QLabel()self.vid_img.setPixmap(QPixmap("images/UI/up.png"))vid_title.setAlignment(Qt.AlignCenter)self.vid_img.setAlignment(Qt.AlignCenter)self.webcam_detection_btn=QPushButton("打开摄像头")self.mp4_detection_btn=QPushButton("打开视频文件")self.vid_stop_btn=QPushButton("停止检测")self.webcam_detection_btn.setFont(font_main)self.mp4_detection_btn.setFont(font_main)self.vid_stop_btn.setFont(font_main)self.webcam_detection_btn.setStyleSheet("QPushButton{color:white}""QPushButton:hover{background-color: rgb(87,24,138);}""QPushButton{background-color:rgb(46,169,223)}""QPushButton{border:2px}""QPushButton{border-radius:5px}""QPushButton{padding:15px 5px}""QPushButton{margin:5px 150px}")self.mp4_detection_btn.setStyleSheet("QPushButton{color:white}""QPushButton:hover{background-color: rgb(87,24,138);}""QPushButton{background-color:rgb(46,169,223)}""QPushButton{border:2px}""QPushButton{border-radius:5px}""QPushButton{padding:15px 5px}""QPushButton{margin:5px 150px}")self.vid_stop_btn.setStyleSheet("QPushButton{color:white}""QPushButton:hover{background-color: rgb(87,24,138);}""QPushButton{background-color:rgb(46,169,223)}""QPushButton{border:2px}""QPushButton{border-radius:5px}""QPushButton{padding:15px 5px}""QPushButton{margin:5px 150px}")self.webcam_detection_btn.clicked.connect(self.open_cam)self.mp4_detection_btn.clicked.connect(self.open_mp4)self.vid_stop_btn.clicked.connect(self.close_vid)vid_detection_layout.addWidget(vid_title)vid_detection_layout.addWidget(self.vid_img)vid_detection_layout.addWidget(self.webcam_detection_btn)vid_detection_layout.addWidget(self.mp4_detection_btn)vid_detection_layout.addWidget(self.vid_stop_btn)vid_detection_widget.setLayout(vid_detection_layout)# 选择权重文件子界面about_widget=QWidget()about_layout=QVBoxLayout()self.about_title2=QLabel('当前在使用GPU计算')self.about_title=QLabel('当前的权重文件是：')self.about_title.setFont(QFont('幼圆',18))self.about_title2.setFont(QFont('幼圆',18))path="best2.pt"self.label_patch=QLabel()self.label_patch.setText(path)self.label_patch.setFont(QFont('黑体',16))self.label_patch.setWordWrap(1)self.about_title.setAlignment(Qt.AlignCenter)self.about_title2.setAlignment(Qt.AlignCenter)self.label_patch.setAlignment(Qt.AlignCenter)self.choose_button=QPushButton("选择权重文件")self.choose_button.setFont(font_main)self.choose_button.setStyleSheet("QPushButton{color:white}""QPushButton:hover{background-color: rgb(87,24,138);}""QPushButton{background-color:rgb(46,169,223)}""QPushButton{border:2px}""QPushButton{border-radius:5px}""QPushButton{padding:15px 5px}""QPushButton{margin:150px}""QPushButton{margin-top:25px}")self.choose_button2=QPushButton("点击切换CPU/GPU计算")self.choose_button2.setFont(font_main)self.choose_button2.setStyleSheet("QPushButton{color:white}""QPushButton:hover{background-color: rgb(87,24,138);}""QPushButton{background-color:rgb(46,169,223)}""QPushButton{border:2px}""QPushButton{border-radius:5px}""QPushButton{padding:15px 5px}""QPushButton{margin:150px}""QPushButton{margin-top:5px}")about_layout.addWidget(self.about_title)about_layout.addWidget(self.label_patch)about_layout.addWidget(self.choose_button)mid_img_layout.addStretch(0)about_layout.addWidget(self.about_title2)about_layout.addWidget(self.choose_button2)about_widget.setLayout(about_layout)self.choose_button.clicked.connect(self.chpath)self.choose_button2.clicked.connect(self.chpath2)#设置tab栏self.left_img.setAlignment(Qt.AlignCenter)self.addTab(img_detection_widget,'图片识别')self.addTab(vid_detection_widget,'视频识别')self.addTab(about_widget,'选择权重文件')

代码获取 请见文末卡片

http://www.cnnetsun.cn/news/2593953.html

相关文章：

  • 从 GPT-5 到 Claude 4：API 迁移实战指南
  • 终极指南：使用Cpp2IL逆向分析Unity IL2CPP编译的游戏二进制文件
  • Windows Defender彻底移除指南：2025年专业系统安全组件管理工具详解
  • Node.js 包管理利器：npm 核心功能与操作指南
  • 从单体到多智能体：实战解析AI Agent架构演进与设计原则
  • AI驱动的一小时全栈开发实战：从零构建智能书摘管理工具
  • 抖音无水印视频下载终极指南：如何免费批量保存高清内容
  • 如何用Zotero Style插件打造高效文献管理体验：3大核心优势与5分钟上手教程
  • 跨平台直播聚合应用架构设计：Dart Simple Live的技术实现深度解析
  • Windows Cleaner深度解析：基于PyQt5的现代化Windows系统优化工具架构揭秘
  • Windows Subsystem for Android 终极配置指南：从零到专业级实战
  • 国家中小学智慧教育平台电子课本下载工具：3分钟快速获取官方教材PDF完整指南
  • 保姆级图解：用Wireshark抓包分析PCI总线读写的完整时序（附实战案例）
  • Windows音频处理层级优化：Equalizer APO驱动级均衡技术解析
  • 构建Audio AI Agent Pipeline：从语音识别到自动化任务执行
  • 过半机制如何避免Zookeeper集群脑裂
  • 6天127美元：我用Claude Opus从零打造俄语AI门户全记录
  • 终极指南：Windows Subsystem for Android 完全配置与优化教程
  • 安装libreoffice
  • 告别WebView黑盒调试！手把手教你用Chrome DevTools调试Android混合开发页面（附Androidx-WebKit实战）
  • 深度解析猫抓浏览器扩展：技术架构与流媒体资源嗅探实践
  • 从 Shadow AI 到企业级工作流治理：技术团队怎么落地
  • 百炼多模态全家桶：图像、语音、视频一站式搞定
  • 融合双子系统时滞的智能汽车纵横向运动多模型智能递阶控制【附程序】
  • Embedding 到底是什么：从词向量到句子向量、相似度与局限性
  • JSON驱动PDF生成：GenUI.sh API如何革新动态报告工作流
  • 终极指南：如何快速逆向Wallpaper Engine资源并提取TEX纹理
  • UVa 294 Divisors
  • Tomato-Novel-Downloader：三步构建你的个人小说图书馆
  • 面向AI智能体的API设计：从人类可读到机器可理解的技术演进