• 基于yolov4的口罩识别
• • 一、项目简介
  • 二、详细说明
  • 三、结果展示
  • 四、运行细节
  • • 启智平台选用：
    • 数据集路径
    • • 数据集下载：
      • 昇思大模型网站下载
      • 启智平台
    • 数据集结构
    • 配置路径
    • 训练
    • 推理
    • 计算mAP
    • 可视化
  • 五、总结

基于yolov4的口罩识别

一、项目简介

本项目通过使用mindspore框架、公开的口罩数据集，从头开始训练yolov4模型，复现口罩识别原理，上手简单易懂。使用自己训练好的模型也可以对自己的的数据进行口罩识别。

[插入口罩识别图像]

二、详细说明

1. 想法来源：
   随着2023年的到来，世界也已经进入了后疫情时代，估计恢复到前疫情时代的管控也不远了。为了纪念疫情时代勤奋带口罩的自己，于是想用国产的mindspore进行口罩识别项目的开发，也顺便学习目标检测算法的使用。

2. 目前的相关项目：

3. 项目具体实现步骤：

• 数据预处理
• 网络架构代码的实现
• 训练网络得到训练精度和训练好的网络模型
• 对自定义数据进行口罩检测

三、结果展示

输入图片：

输出图片：

四、运行细节

由于数据集比较小，直接使用启智平台的调试模式，单卡昇腾910只要2小时即可完成训练。又或者使用本人上传的模型进行预测也可。

启智平台选用：

• 镜像 : mindspore1.8.1
• 规格 : NPU: 1*Ascend 910, CPU: 24, 显存: 32GB, 内存: 256GB

git clone https://openi.pcl.ac.cn/skyous/skyou202302021644323.git
cd ./基于yolov4的口罩识别

数据集路径

数据集下载：

数据集大小只有10M，一下提供昇思大模型链接和启智平台链接，任选一个即可

昇思大模型网站下载

git clone https://source-xihe.mindspore.cn/skyous/coco_mask.git
cd ./coco_mask
tar -xf coco_mask.tar.gz

解压出coco_dataset文件夹。

启智平台

下载页面
下载得到coco_mask.tar.gz,解压即可得到coco_dataset文件夹

tar -xf coco_mask.tar.gz

解压出coco_dataset文件夹。

数据集结构

.
├── coco_dataset
│ ├── annotations
│ │ ├── train.json
│ │ └── val.json
│ ├── test_coco
│ │ ├── b059_1580797702173.jpg
│ │ ├── ...
│ │ └── d150_1580791063974.jpg
│ ├── train_coco
│ │ ├── b012_1580797660271.jpg
│ │ ├── ...
│ │ └── d90_1580791027740.jpg
│ └── val_coco
│ ├── b059_1580797702173.jpg
│ ├── ...
│ └── d150_1580791063974.jpg
请务必清除coco_dataset的路径，下面步骤在训练和推理过程中需要用到！鄙人的数据集路径为../coco_dataset。

配置路径

涉及文件：./default_config.yaml，如果你不知道如何配置，默认即可。

训练

从头开始训练：

python ./train.py --data_dir ../coco_dataset

如果你不想从头开始训练，可以直接下载已经训练过的模型，对图片进行推理即可，下载链接

推理

python test.py --test_data_dir ../coco_dataset/test_coco/ --pretrained ./outputs/2023-02-02_time_17_19_19/ckpt_0/best_map.ckpt --test_ignore_threshold 0.20

• test_data_dir：待检测图片路径
• pretrained：模型路径
• test_ignore_threshold：nms阈值

输出结果

2023-02-03 09:56:07,046:INFO:Creating Network....
2023-02-03 09:56:09,132:INFO:./outputs/2023-02-02_time_17_19_19/ckpt_0/best_map.ckpt
2023-02-03 09:56:11,196:INFO:load_model ./outputs/2023-02-02_time_17_19_19/ckpt_0/best_map.ckpt success
2023-02-03 09:56:11,210:INFO:testing shape : [608, 608]
2023-02-03 09:56:11,211:INFO:totol 26 images to eval
2023-02-03 09:56:11,221:INFO:Start inference....
[WARNING] ME(131213:281473401502400,MainProcess):2023-02-03-09:56:57.830.991 [mindspore/parallel/_utils.py:210] You are suggested to use mindspore.context.set_auto_parallel_context(parameter_broadcast=True) or mindspore.common.set_seed() to share parameters among multi-devices.
2023-02-03 09:56:59,017:INFO:Processing... 0.00% 
2023-02-03 09:57:00,626:INFO:Calculating mAP...
2023-02-03 09:57:00,644:INFO:result file path: ./outputs/2023-02-03_time_09_56_07/predict_2023_02_03_09_57_00.json

计算mAP

python eval.py --pretrained ./outputs/2023-02-02_time_17_19_19/ckpt_0/best_map.ckpt --data_dir ../coco_dataset

• pretrained: 模型路径
• data_dir： 数据集路径

结果输出：

=============coco eval reulst=========
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.540
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.829
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.682
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.696
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.602
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.396
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.278
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.596
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.596
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.713
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.662
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.441

2023-02-03 11:09:22,802:INFO:testing cost time 0.02 h

可视化

python show_image.py --imgs_path ../coco_dataset/test_coco/ --json_path ./outputs/2023-02-03_time_09_37_55/predict_2023_02_03_09_38_51.json --outpath ./predict_img

• imgs_path: 待检测图片路径
• json_path: 推理得到的json标注文件
• outpath: 图片可视化保存路径

五、总结

难点主要在数据如何进行预处理。
mindspore在model zoo上面有许多模型代码可以直接采用，直接跑通后再进行二次开发能够走少很多弯路。
为什么使用yolov4而不是yolov5：完全是由于鄙人学识太浅，当初连yolov4和yolov5的区别还不清楚就做了这个项目，按道理来说，yolov5和yolov4在此项目的开发应该基本没有太大差别。
鄙人由于一个比赛的兴趣，刚入门目标检测不到一个月，所以有些细节上面说的不对的，请多多包含。