基于PyTorch&YOLOv4的口罩佩戴检测

本项目是利用YOLOv4进行口罩佩戴检测，使用PyTorch实现。虽然现在国内疫情基本得到有效遏制，但防控仍不可过于松懈，在一些公共场合佩戴口罩还是必不可少的。基于此，自己做了该项目，后续打算继续改进，争取将其运行到边缘设备上。希望本项目能给疫情常态化防控出一份力，也希望真正的新年早日到来。

数据集一部分来源于参考部分，另一部分为自己手动收集与标注，共1200张训练集，600张口罩佩戴，600张未佩戴口罩；400张测试集，200张口罩佩戴，200张未佩戴口罩。利用YOLOv4在数据集上冻结backbone训练了25个epoch，解冻后再训练了25个epoch，测试mAP为80.75%。检测效果如下：

在NVIDIA GeForce RTX 2080 Ti上FPS大概能达到13左右。

目录

• 基于PyTorch&YOLOv4的口罩佩戴检测
  • 目录
  • 安装
    • 数据集
    • 依赖库
    • 模型权重
  • 使用
    • 检测图片
    • 检测视频
    • 训练
    • 评估
  • 其他
    • 目前进展
    • 训练&评估结果
  • 参考
  • License

安装

数据集

链接 提取码：cgp1

依赖库

• Python >= 3.7
• PyTorch >= 1.4.0
• opencv-python >= 4.2.0.32
• Pillow >= 7.0.0

模型权重

• COCO数据集预训练模型：链接 提取码：cp4g
• 本项目训练权重：链接 提取码：kk47

使用

检测图片

使用Jupyter Notebook打开predict.ipynb，设置好图片路径后，运行detect_image()函数即可。

检测视频

使用Jupyter Notebook打开predict.ipynb，设置好视频路径后，运行detect_video()函数即可。

训练

下载预训练模型：

• COCO数据集预训练模型：链接 提取码：cp4g
• 本项目训练权重：链接 提取码：kk47

使用Jupyter Notebook打开train.ipynb，设置好数据路径、模型路径以及超参数后，即可进行训练。

评估

使用Jupyter Notebook打开eval.ipynb，设置好测试集路径后，运行即可生成detection-results和ground-truth。

再运行mAP目录下的main.py，即可计算mAP等结果。

其他

目前进展

• CSPDarknet53
• SPP、PAN
• Mosaic数据增强
• Label Smoothing
• CIOU
• 学习率余弦变化
• Mish激活函数

训练&评估结果

参考

• 部分数据集来源：
  • https://github.com/hikariming/virus-mask-dataset
  • https://www.kesci.com/home/dataset/5e958c69e7ec38002d033362
• YOLOv4 PyTorch基于：https://github.com/bubbliiiing/yolov4-pytorch
• mAP计算：https://github.com/Cartucho/mAP

License

GPL © Bil369