基於yolo的口罩識別(開原始碼和資料集)
阿新 • • 發佈：2022-05-11
2020年開頭真的很人意外，開年爆發了疫情。此次疫情牽動了各行各業，在這裡衷心的感謝奮鬥在一線的醫療工作者：您們辛苦了。作為一名非醫專業的學生，在這樣情況下，除了不亂跑以外，我也想以另一種方式去致敬那些保護著全國人民安全的工作人員。接下來就來介紹本專案的開發過程。
1. 開發環境
筆者的開發環境如下：
ubuntu16.04
PyTorch 1.1.0
anaconda
opencv-python
tqdm
matplotlib
pycocotools
2. 收集資料集
本專案的資料集是筆者花了一個晚上通過網路爬蟲的方式收集的（ps:沒有違反爬蟲協定）。筆者通過使用python寫了一個小爬蟲，爬蟲的程式碼如下：
import re import requests from urllib import error from bs4 import BeautifulSoup import os num = 0 numPicture = 0 file = '' List = [] def Find(url): global List print('正在檢測圖片總數，請稍等.....') t = 0 i = 1 s = 0 while t < 1000: Url = url + str(t) try: Result = requests.get(Url, timeout=7) except BaseException: t = t + 60 continue else: result = Result.text pic_url = re.findall('"objURL":"(.*?)",', result, re.S) # 先利用正則表示式找到圖片url s += len(pic_url) if len(pic_url) == 0: break else: List.append(pic_url) t = t + 60 return s def recommend(url): Re = [] try: html = requests.get(url) except error.HTTPError as e: return else: html.encoding = 'utf-8' bsObj = BeautifulSoup(html.text, 'html.parser') div = bsObj.find('div', id='topRS') if div is not None: listA = div.findAll('a') for i in listA: if i is not None: Re.append(i.get_text()) return Re def dowmloadPicture(html, keyword): global num # t =0 pic_url = re.findall('"objURL":"(.*?)",', html, re.S) # 先利用正則表示式找到圖片url print('找到關鍵詞:' + keyword + '的圖片，即將開始下載圖片...') for each in pic_url: print('正在下載第' + str(num + 1) + '張圖片，圖片地址:' + str(each)) try: if each is not None: pic = requests.get(each, timeout=7) else: continue except BaseException: print('錯誤，當前圖片無法下載') continue else: string = file + r'\\' + keyword + '_' + str(num) + '.jpg' fp = open(string, 'wb') fp.write(pic.content) fp.close() num += 1 if num >= numPicture: return if __name__ == '__main__': # 主函式入口 tm = int(input('請輸入每類圖片的下載數量 ')) numPicture = tm line_list = [] with open('./name.txt', encoding='utf-8') as file: line_list = [k.strip() for k in file.readlines()] # 用 strip()移除末尾的空格 for word in line_list: url = 'http://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=' + word + '&pn=' tot = Find(url) Recommend = recommend(url) # 記錄相關推薦 print('經過檢測%s類圖片共有%d張' % (word, tot)) file = word y = os.path.exists(file) if y == 1: print('該檔案已存在，請重新輸入') file = word os.mkdir(file) else: os.mkdir(file) t = 0 tmp = url while t < numPicture: try: url = tmp + str(t) result = requests.get(url, timeout=10) print(url) except error.HTTPError as e: print('網路錯誤，請調整網路後重試') t = t + 60 else: dowmloadPicture(result.text, word) t = t + 60 numPicture = numPicture + tm print('任務完成')
執行此爬蟲需要配以一個name.txt,在其中寫下所需要爬取的資訊即可。，rename.py是對獲取的資料進行命名整理的。程式碼如下：
import os path_name='./JPEGImages' #path_name :表示你需要批量改的資料夾 i=0 for item in os.listdir(path_name):#進入到資料夾內，對每個檔案進行迴圈遍歷 os.rename(os.path.join(path_name,item),os.path.join(path_name,('masks_'+'00'+str(i)+'.jpg')))#os.path.join(path_name,item)表示找到每個檔案的絕對路徑並進行拼接操作 i+=1
檔案結構如下：
3.資料的清洗
這裡筆者採用的資料清洗就比較的笨了，就是人為一個一個的篩選，整理了一個晚上，請原諒筆者的愚蠢。
4. 標註資料集
標註資料集同資料的清洗而言就比較簡單了，比較的機械化。這裡筆者使用labelImg這個標註工具進行標註。這裡做的是簡單的二分類任務，即：Mask和unMasked.標註比資料清洗要快一點。
5. 相關準備
準備工作的話就是使用一個版本的大體框架，這裡使用的是yolov3，yolov3框架。下載後可以重新命名，當然也可不命名，這個隨性就可以了。
6. 資料裝載
申明一下最後會將資料集提供給大家。
我們需要將資料集Annotations、JPEGImages複製到YOLOV3工程目錄下的data檔案下；同時新建兩個資料夾，分別命名為ImageSets和labels，最後我們將JPEGImages資料夾複製貼上一下，並將資料夾重新命名為images
7. 程式碼的構建
這裡需要在專案的根目錄下新建連個python檔案：makeTxt.py和voc_label.py 其中makeTxt.py是用於生成data/ImageSets下的test.txt、train.txt、trainval.txt以及val.txt的;而voc_label.py是將Annotations裡資料集的標註檔案轉為data/label下txt格式的。
makeTxt.py的程式碼如下：
import os
import random
trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')
for i in list:
name = total_xml[i][:-4] + '\n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftest.write(name)
else:
fval.write(name)
else:
ftrain.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()
voc_label.py的程式碼如下：
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets = ['train', 'test','val']
classes = ["mask","unmask"] #我們只是檢測細胞，因此只有一個類別
def convert(size, box):
dw = 1. / size[0]
dh = 1. / size[1]
x = (box[0] + box[1]) / 2.0
y = (box[2] + box[3]) / 2.0
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return (x, y, w, h)
def convert_annotation(image_id):
in_file = open('data/Annotations/%s.xml' % (image_id))
out_file = open('data/labels/%s.txt' % (image_id), 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
print(wd)
for image_set in sets:
if not os.path.exists('data/labels/'):
os.makedirs('data/labels/')
image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
list_file = open('data/%s.txt' % (image_set), 'w')
for image_id in image_ids:
list_file.write('data/images/%s.jpg\n' % (image_id))
convert_annotation(image_id)
list_file.close()
分別執行makeTxt.py和voc_label.py會在data/ImageSets的四個檔案中出現如下變化
再執行voc_label.py會在label資料夾下產生如下的變化。
接著還要配置兩個檔案
在data檔案下新建rbc.data，配置內容如下：
classes=2
train=data/train.txt
valid=data/test.txt
names=data/rbc.names
backup=backup/
eval=coco
值得注意的是這裡是對人是否佩戴口罩進行識別的，即分為兩類佩戴口罩和為佩戴口罩。所以這裡需要將classes設定為2.
再在data檔案下新建rbc.names，配置內容如下：
Masking
unMasked
8. 修改配置檔案
這裡需要將cfg下的yolov3-tiny.cfg檔案進行修改，修改內容如下：
[net]
# Testing
batch=1
subdivisions=1
# Training
# batch=64
# subdivisions=2
width=416
height=416
channels=3
momentum=0.9
decay=0.005
angle=0
saturation = 1.5
exposure = 1.5
hue=.1
learning_rate=0.005
burn_in=1000
max_batches = 500200
policy=steps
steps=400000,450000
scales=.1,.1
[convolutional]
batch_normalize=1
filters=16
size=3
stride=1
pad=1
activation=leaky
[maxpool]
size=2
stride=2
[convolutional]
batch_normalize=1
filters=32
size=3
stride=1
pad=1
activation=leaky
[maxpool]
size=2
stride=2
[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky
[maxpool]
size=2
stride=2
[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky
[maxpool]
size=2
stride=2
[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky
[maxpool]
size=2
stride=2
[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky
[maxpool]
size=2
stride=1
[convolutional]
batch_normalize=1
filters=1024
size=3
stride=1
pad=1
activation=leaky
###########
[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky
[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky
[convolutional]
size=1
stride=1
pad=1
filters=21 ####因為這裡是二分類，根據論文中的介紹這裡需要根據3*(5+classnum),應此為21
activation=linear
[yolo]
mask = 3,4,5
anchors = 10,14, 23,27, 37,58, 81,82, 135,169, 344,319
classes=2 ### 這裡因為是二分類，所以改為2
num=6
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1
[route]
layers = -4
[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky
[upsample]
stride=2
[route]
layers = -1, 8
[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky
[convolutional]
size=1
stride=1
pad=1
filters=21 ### 因為這裡是二分類，根據論文中的介紹這裡需要根據3*(5+classnum),應此為21
activation=linear
[yolo]
mask = 0,1,2
anchors = 10,14, 23,27, 37,58, 81,82, 135,169, 344,319
classes=2 ### 這裡因為是二分類，所以改為2
num=10
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1
9. 訓練資料集
完成了上述操作後，即可進行資料集的訓練操作了。
在根目錄下開啟命令列，輸入如下命令：
python train.py --data-cfg data/rbc.data --cfg cfg/yolov3-tiny.cfg --epochs 100
引數說明：
rbc.data 是data資料夾下
yolov3-tiny.cfg 是cfg中的yolov3的預訓練引數
epochs 100 迭代訓練資料集的次數
訓練完成後會在weights資料夾下產生訓練的模型，包括最好的訓練模型和最後一次訓練得到的模型還有每個每10次迭代產生的模型。這裡我只保留了最好的以及最後一次的訓練模型。
10. 測試模型
在完成了訓練後，即可對訓練的模型進行測試了，看一下這個其對佩戴口罩和未佩戴口罩者的預測效果
將要預測的實際照片放在data/sample資料夾下
在根目錄下開啟命令列，在其中輸入如下命令：
python detect.py --data-cfg data/rbc.data --cfg cfg/yolov3-tiny.cfg --weights weights/best.pt
預測的結果如下：
如果需要對視訊進行檢測的話，則可以輸入如下命令：
python detect.py --source file.mp4
11. 可能出現的bug
在操作的過程中難免會出現一些小毛病，這裡呢，筆者已經為這個專案總結了幾個容易出現的問題，請參考筆者的另一篇部落格：專案可能出現的問題及其解決方法
專案原始碼和資料集
這裡筆者將本專案的原始碼和資料集都已經上傳到github上，歡迎大家擴充套件，為保護我們的工作者減少工作壓力。
連結： 原始碼和資料集
總結：
由於筆者知識能力有限，在描述上可能存在不準確的地方，還請諒解。
如遇到什麼問題歡迎新增筆者qq:1017190168
進行討論。
最後對一線的工作者們說一聲你們辛苦了！！！！
祝願疫情早日結束，祝祖國繁榮富強。