YOLOv5项目实现口罩检测、目标检测（免费提供数据集2000+图片和标注以及所有代码）可以在多种平台上运行（pycharm+CUDA、colab、国内GPU云平台）图片形式、rstp形式、视频形式等_口罩检测数据集

一、目标检测概述

相信很多朋友最近想入门计算机视觉方面，但是对于怎么入门还不是很了解，在这个过程中会遇到很多的问题，例如：找不到学习资源、软件不会安装等等。目标检测只是计算机视觉的一个方面，但是目前仍处于热门的研究话题。而目标检测的方法分为one-stage和two-stage方法，其中两种方法包括的方法和结果如下图所示

 在这篇文章中，我不会讲关于YOLOv5的一些算法细节，我会手把手教大家实现这个项目

注意：

1、本文章的内容将包含代码运行的多种平台，大家可以根据自己电脑的配置选择合适的运行平台，有：

①pycharm IDE+CUDA+anaconda   自己电脑的配置较高，显存较大的兄弟选择！！！

②colab   很方便！！不太稳定！谷歌的免费的GPU资源，需要外网和Google账户才能使用！！！

③AutoDL    很方便！！稳定！唯一的缺点是按小时收费！！

2、手把手教你怎么训练，同时也提供训练后的模型，可以直接使用（也是手把手教哦）

3、利用训练后的模型：

①检测图片

②检测视频

③通过摄像实时检测

 二、项目实战（以口罩检测为例）

项目源码和数据集以及数据标注位于文章末尾！！！

2.1目标检测概述

写这一部分的目的是对于深度学习中的一些监督学习方法进行概述，让大家对于目标检测有一个清楚的认识，了解进行目标检测的一系列步骤，便于大家在自己的电脑上实操。

1、我们要选择数据集（当然，在这篇博客中我演示的是口罩数据集）

这时候会有一个问题——什么是数据集？它有什么用？数据集在目标检测中就是很多很多张图片，图片中有一些人、动物、物品等等（这些叫做前景，也就是我们需要检测的目标），同时会有对于这些图片中物体的标注（标注用来确定物体的位置信息）。与此同时，还会有具体是哪一类物体（这叫做标签，例如：有狗、猫、人等等）

将以上的概念迁移到我们今天的项目中，我们的标签一共就有3种：戴口罩、未戴口罩、没有戴好口罩；我们同时用标注工具标注图片中目标的位置，用记事本保存。

 如上图所示的一张图片中显然有两个人是戴好口罩的我们用0标注，没有带好口罩的我们用1标注，未戴口罩的用2标注，对于上面一张图片，我们生成的标注信息可以保存在TXT记事本中

如上图中，TXT文件中一共有两条记录，代表2个目标，每一条记录有5个参数，作用如上图红色文字所示。

2、划分训练集和验证集

在我的上一篇文章中讲了关于机器学习的本质，里面详细介绍了训练集和测试集怎么划分以及为什么要训练？在这里我就不再赘述，只是说明在目标检测中我们在划分训练集和测试集时候的注意事项

首先我们的图片以及标注放在了一个文件夹中 

  

  图片和标注文件夹下面都有两个子文件夹，都包含了训练集和验证集，训练集中的图片共有600张，测试集中的图片有178张。如下图所示

 

3、一些文件的作用

2.2 模型训练

模型的训练我们就使用云平台，例如：Google的colab或者国内收费的云平台等GPU租用，考虑到许多兄弟无法访问外网，我这次的演示就以国内GPU平台为例。

1、百度搜索AutoDL

进入AutoDL官网，注册一个账号，选择合适的配置的GPU，点击创建实例即可

①如上图所示，这个就是你创建的实例，我们选择的显卡的显存为40G，算是比较大的显存了（也可以选择小的显存，只不过训练的时间久一点）。

②接着我们点击图中所示的JupyterLab工具进入编辑窗口 按下图中的要求操作。

 ③在代码行输入以下代码，解压压缩文件（注意这一步的操作一定要在上传成功后操作！！！）

import zipfile
f = zipfile.ZipFile("./yolov5-mask-master.zip",'r')
for file in f.namelist():
    f.extract(file)               
f.close()

④然后输入以下代码进入文件夹目录下，安装配置文件（这也是选择云GPU的一点好处，避免了自己安装的各种错）

%cd yolov5-mask-master/
%pip install -qr requirements.txt

2、正式开始训练！！！

继续输入下面的代码，开始训练

!python train.py --batch-size 16

注意后面的训练参数可以自己设置，如果你用的GPU显存足够大，可以定义64（我用的是40G显存），如果你的显存10G左右，参数改为8就可以。

接下来会出现整个YOLOv5模型的结构框架，每一层的定义，以及参数量的多少，见下图。 

 以及下面图中的参数信息等等

 稍等一段时间，模型就开始训练了，我设置默认训练100轮，如果大家想修改训练轮数的话，可以在上面添加参数，代码如下：

!python train.py --batch-size 16 --epoch 200

上面的代码就是训练200轮，大家根据需要自己修改。

最后就是漫长的等待了，大家如果不想等太久，可以适当将训练轮数设置的小一点；或者选择GPU的时候选择显存大的，然后batchsize可以设置的大一点这样也可以提高训练速度；再者就是数据集图片数量少一点。当然最终的训练结果也会根据你的选择有所不同。

3、训练结果展示

训练后的结果保存在run路径下，我们可以将所有的结果都下载到本地的电脑上，方便后面在自己的机子上测试（当然也可以线上测试）。

①best.pt该文件是训练之后的在验证集上达到最好效果的模型文件，用于实际的检测。

②训练100轮之后的结果——精度，召回率，mAP等等

从上面的结果中我们可以看出，经过100轮的训练，对戴了口罩的mAP达到了97.3%，对不戴口罩的mAP为88.5%，但是好像对没有戴好口罩的检测精度不是很高，这可能是由于样本数据中的没有戴好口罩的样本数量较少。

③验证过程中的检测结果

 

 左边的图是利用我们训练的模型检测得到的结果

右边的图是我们标注的标签

可以看出，检测的总体结果还是比较OK的！！

④更多的结果见下表

2.3测试模型效果

在上面的一小节中，讲了模型的训练过程以及训练的结果，在这一小节中，我们根据上一小节中训练得到的模型进行现实中的测试，主要涵盖一下方面：

1、正常的图片检测

!python detect.py --sourse 'data/images'

2、视频检测

!python detect.py --sourse 'video.mp4'

3、rstp流（IP摄像头软件需要在手机上下载）

!python detect.py --source 'rtsp://192.168.43.1:8554/live'

结果

 实际中的检测结果如上图所示，成功的检测出了未佩戴口罩、没有戴好口罩、和戴口罩三种类型，虽然在某些方面模型还不够完善，证明有可能是训练轮数不够，训练集和验证集图片设置不合理，还有可能是选择的训练集中的特征信息不突出等等。

结果和源码以及数据集链接提取！！！

链接：https://pan.baidu.com/s/1Ba82PlF1BTFkzwTEdJ5W_g 
提取码：krjc

大家需要把图片的两个文件夹复制到newmask目录下（具体操作看下图）