YOLO V3
物体检测，包括手部检测、人脸检测、人检测、安全帽检测，交通工具检测，因为数据集的独立所以分别为5个独立模型。
项目介绍
1、手部检测
手部检测示例如下 ：
-
图片示例：
-
视频示例：
-
相关拓展应用的手的21关键点检测回归的项目地址：https://codechina.csdn.net/EricLee/handpose_x
-
手部检测+21点手关键点完整pipeline的项目地址：https://codechina.csdn.net/EricLee/dpcas
2、脸部检测
脸部检测示例如下 ：
- 视频示例：
3、人检测
人检测示例如下 ：
- 视频示例：
4、安全帽检测
安全帽检测示例如下 ：
- 视频示例：
5、交通工具检测
包括：bicycle，car，motorcycle，airplane，bus，train，truck，boat
安全帽检测示例如下 ：
- 视频示例：
项目配置
- 作者开发环境：
- Python 3.7
- PyTorch >= 1.5.1
数据集
1、手部检测数据集
该项目数据集采用 TV-Hand 和 COCO-Hand (COCO-Hand-Big 部分) 进行制作。
TV-Hand 和 COCO-Hand数据集官网地址 http://vision.cs.stonybrook.edu/~supreeth/
感谢数据集贡献者。
Paper：
Contextual Attention for Hand Detection in the Wild. S. Narasimhaswamy, Z. Wei, Y. Wang, J. Zhang, and M. Hoai, IEEE International Conference on Computer Vision, ICCV 2019. 2、脸部检测数据集
该项目采用的是开源数据集 WIDERFACE，其地址为 http://shuoyang1213.me/WIDERFACE/
@inproceedings{yang2016wider,
Author = {Yang, Shuo and Luo, Ping and Loy, Chen Change and Tang, Xiaoou},
Booktitle = {IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
Title = {WIDER FACE: A Face Detection Benchmark},
Year = {2016}}3、人检测数据集
该项目采用的是开源数据集 COCO ，其地址为 https://cocodataset.org/
4、安全帽检测数据集
该项目采用的是数据集 VOC2028 ，其地址为 https://github.com/njvisionpower/Safety-Helmet-Wearing-Dataset
5、交通工具数据集
该项目采用的是开源数据集 COCO ，其地址为 https://cocodataset.org/
-
该项目制作的训练集的数据集下载地址(百度网盘 Password: pz64 )
该项目制作数据集类型及对应的实例数量如下所示：
bicycle : 4955
car : 30785
motorcycle : 6021
airplane : 3833
bus : 4327
train : 3159
truck : 7050
boat : 75906、DeepFashion2数据集
- 数据集的描述和申请地址：https://github.com/switchablenorms/DeepFashion2
所有数据集的数据格式
size是全图分辨率， (x，y) 是目标物体中心对于全图的归一化坐标，w,h是目标物体边界框对于全图的归一化宽、高。
dw = 1./(size[0])
dh = 1./(size[1])
x = (box[0] + box[1])/2.0 - 1
y = (box[2] + box[3])/2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x*dw
w = w*dw
y = y*dh
h = h*dh 为了更好了解标注数据格式，可以通过运行 show_yolo_anno.py 脚本进行制作数据集的格式。注意配置脚本里的path和path_voc_names，path为标注数据集的相关文件路径，path_voc_names为数据集配置文件。
制作自己的训练数据集
- 如下所示,每一行代表一个物体实例，第一列是标签，后面是归一化的中心坐标(x,y),和归一化的宽(w)和高(h)，且每一列信息空格间隔。归一化公式如上，同时可以通过show_yolo_anno.py进行参数适配后，可视化验证其正确性。
label x y w h
0 0.6200393316313977 0.5939000244140625 0.17241466452130497 0.14608001708984375
0 0.38552491996544863 0.5855700073242187 0.14937006832733554 0.1258599853515625
0 0.32889763138738515 0.701989990234375 0.031338589085055775 0.0671400146484375
0 0.760577424617577 0.69422998046875 0.028556443261975064 0.0548599853515625
0 0.5107086662232406 0.6921500244140625 0.018792660530470802 0.04682000732421875
0 0.9295538153861138 0.67602001953125 0.03884511231750328 0.01844000244140625预训练模型
1、COCO 预训练模型
2、手部检测预训练模型
- 包括yolo预训练模型图像输入尺寸416，yolo-tiny预训练模型图像输入尺寸为512。
- 预训练模型下载地址(百度网盘 Password: 7mk0 )
3、脸部检测预训练模型
4、人检测预训练模型
5、安全帽检测预训练模型
6、交通工具预训练模型
7、DeepFashion2预训练模型
- 预训练模型下载地址(百度网盘 Password: )
- DeepFashion2 包括13类物体，具体cfg分类如下，该预训练模型对应的标签编号从上到下为 ( 0~12 ) ：
short_sleeve_top
long_sleeve_top
short_sleeve_outwear
long_sleeve_outwear
vest
sling
shorts
trousers
skirt
short_sleeve_dress
long_sleeve_dress
vest_dress
sling_dress项目使用方法
数据集可视化
- 根目录下运行命令： show_yolo_anno.py (注意脚本内相关参数配置 )
模型训练
-
根目录下运行命令： python train.py (注意脚本内相关参数配置 )
-
注意：加载训练的配置参数的关键代码段如下，cfg/transport.data为训练coco交通工具数据集的配置参数文件。
if __name__ == '__main__':
train(data_cfg = "cfg/transport.data")- cfg文件夹下的 "*.data"文件包含了重要的配置信息，以"cfg/transport.data"为例如下：
cfg_model=yolo # 模型选择：yolo / yolo tiny
classes=8 # 数据集的类别
gpus = 0 # GPU 的选择
num_workers = 8 # 训练时数据迭代（增强）器的进程数
batch_size = 8 # 训练时每一个批次的图片量设定，该例子是8张图片
img_size = 416 # 模型的默认输入图片尺寸是 416*416
multi_scale = True # 是否在训练中采用多尺度增强方式，该例子为使用
epochs = 100 # 训练总周期，完整遍历一次数据集为一个周期
train=./yolo_transport_train/anno/train.txt # 训练集的train.txt路径
valid=./yolo_transport_train/anno/train.txt # 验证集的train.txt路径，目前训练代码中并没有加入验证功能代码
names=./cfg/transport.names # 该数据集对应的具体分类名字，需要与其标签对应
finetune_model = ./weights-yolov3-transport/latest_416.pt # 采用的预训练模型
lr_step = 10,20,30 # 训练时对应的特定epoch时更新学习率
lr0 = 0.001 # 训练时的初始化学习率
模型推理
- 根目录下运行命令： python predict.py (注意脚本内相关参数配置 )