YOLOV5_safetyHat

检查人员是否正确佩戴安全帽

项目使用说明：

项目使用分为 6 个步骤

1：首先克隆仓库

git clone https://github.com/daihuidai/YOLOV5_safetyHat.git

2：下载本项目数据集

数据集 VOC2028 压缩包在Release中：地址

3：导入数据集

将压缩包解压后的Annotations 文件夹放入/data目录下, 解压后的JPEGImages文件夹重命名为images后放入/data下

4：预处理数据集

先运行data/makeTxt.py生成包含数据划分的ImageSets文件夹；接着再运行data/voc_label.py生成转化 XML 后的labels文件夹，以及生成data文件夹下包含数据完整路径的 train.txt、test.txt、val.txt 文件。

5：训练数据集

1：可以在命令行通过 python 调用 train.py 执行；2：可以直接在编译器中运行 train.py。完成训练后会在根目录下生成 runs/train/exp 目录，里面包含每次的训练结果以及模型。

6：检测数据集

在 data/detectImg 中放入待检测的图片

1：修改 detect.py 中 --weights的路径为上面第五步得到的模型路径，例如：runs/train/exp5/weights/best.pt。然后在命令行通过 python 调用 detect.py 执行；2：可以直接在编译器中运行 detect.py。完成检测后会在根目录下生成 runs/detect/exp 目录，里面包含每次的训练结果图片。

扩展使用说明：

扩展使用说明包括：更换预训练模型、添加数据集、训练新数据集。（配置文件中路径都以YOLOV5_safetyHat作为根目录）

1：更换预训练模型

本项目中使用的预训练模型为官方提供的 yolov5m.pt 来训练数据集，另外三种模型分别为：yolov5l.pt、yolov5s.pt、yolov5x.pt。可以更换预训练模型来训练数据集。

一：下载对应的模型

下载地址：地址

二：将模型放入weights文件夹下（实际上可以放入任何位置，只需要做相应的路径更改）

三：更改 train.py 下预训练模型的路径以及对应模型cfg配置文件的对应位置

--weights 参数的 default 更改为：例如 weights/yolov5m.pt（使用命令行运行则直接 --weights 指定即可）

--cfg 参数的 default 更改为：例如对应的 models/yolov5m.yaml（使用命令行运行则直接 --cfg 指定即可）

**强调一点：**cfg 官方默认的 4 个 yaml 文件的配置为 coco 数据集的 80 个识别类别。如果你更换了预训练模型，yaml 里面的参数nc也需要修改为对应你自己项目的类别个数，例如本项目中 nc: 2。

四：命令行或者直接运行 train.py 训练

2：添加数据集

可以根据需求添加自己标注的数据，添加的数据集必须满足本项目 VOC2028 中数据集的格式

一：利用标注工具，比如：lableImg、labelme 等，可以标注自己的 VOC 数据集。

二：将标注后的 Annotations 中的 XML 文件复制到 data/Annotations 文件中，将 Images 中的原图片复制到 data/images 文件中。

三：依次运行 makeTxt.py 和 voc_label.py 得到训练数据

3：训练新数据集

如果需要根据新场景训练新的检测目标模型，则需要更改训练数据集

一：准备好新场景的 VOC 格式的数据集（通过标注工具或其它方式下载）

二：将新数据的 Annotations 文件放置到（替换） data 下，Images 中的原图片放置到（替换）data/images 下

三：首先运行 makeTxt.py 生成ImageSets下的划分数据文件，再修改 voc_label.py 文件的参数后再运行生成训练数据信息

voc_label.py 中需要修改对应新数据的信息，以保证给后面模型训练的数据相对应。修改classes = ["hat", "person"]后的列表标签信息为新数据集中的标签信息，也就是标注时每个检测物的名字。（！！这个classes还要用到）

四：修改 data/hatPerson.yaml 文件

因为更换了新数据，所以需要更改项目中关于数据配置的信息。这里你可以新建一个 yaml，也可以直接在里面修改。

train: ./data/train.txt	# 如果没做其它修改，这三个地址不变
val: ./data/val.txt
test: ./data/test.txt 

nc: 2	# 修改，检测目标数量，也就是classes的列表长度

names: ["hat", "person"]	# 修改，和voc_label.py中classes的列表信息一致

五：修改你使用预训练模型所对应的 models 下的 yaml 文件

同样，将 nc: 2 修改为新数据需要检测的类别数量（也就是第三步中 classes 的长度）

六：非命令行使用时，修改 train.py 的配置文件

--weights ：改为你使用的预训练模型路径，例如：weights/yolov5m.pt

--cfg ：改为你使用的预训练模型所对应的配置文件，例如：models/yolov5m.yaml

--data ：改为第四步中得到的项目使用数据配置文件，例如：data/hatPerson.yaml

七：命令行或直接运行 train.py 开始训练

项目优化说明：

本项目中默认 train.py 使用的 epochs=10，batch-size=2，img-size=[640, 640]，默认 detect.py 使用的 img-size=[640, 640]。所以可以根据实际情况来对你的场景做相应的修改。