Advertisement

Yolov5_FaceMask：识别佩戴口罩或未佩戴口罩的人员。 使用YOLOv5进行训练（包含源码）。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
Yolov5_FaceMask模型专注于识别佩戴口罩或未佩戴口罩的人员。该模型利用YOLOv5进行训练，旨在实现对面部掩码的精准检测。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Yolov5_FaceMask：使用YOLOv5训练的戴口罩与未戴口罩人脸检测-源码
    优质
    Yolov5_FaceMask是一个基于YOLOv5的人脸是否佩戴口罩检测项目，提供详细的源代码和模型训练过程，适用于各类人脸识别应用场景。 yolov5_FaceMask：用于检测戴口罩或没戴口罩的人。该模型基于YOLOv5训练而成。
     
  • 关于佩戴口罩、未佩戴口罩和不规范佩戴口罩的数据及对应的.xml标签
    优质
    本资料分析了在不同情境下人们佩戴口罩的行为情况，并提供了对应于佩戴、未佩戴以及不规范佩戴口罩的相关数据及其XML标签，便于进一步的数据处理与应用。 我们有一个包含约3000张图片的数据集，这些图片展示了佩戴口罩、未佩戴口罩以及不规范佩戴口罩的情况，并且每张图片都配有对应的.xml标签文件。
     
  • 口罩佩戴识别-MATLAB代码.zip
    优质
    本资源提供了一套基于MATLAB开发的口罩佩戴情况识别系统源代码。这套代码利用计算机视觉技术检测人脸并判断是否正确佩戴口罩，适用于公共场所监控及疫情防控场景。 在MATLAB中进行口罩穿戴识别的过程包括先定位人脸并分割图像，然后检测口罩，并对相关部分进行分割和预处理等工作。此项目需要一定的编程基础，且属于一个新兴的研究课题。
     
  • 口罩佩戴识别数据集.rar
    优质
    该数据集包含大量关于人们佩戴和未正确佩戴口罩的照片及标签信息，适用于训练机器学习模型进行人脸与口罩佩戴状态的识别。 口罩佩戴检测数据集包含两种类别：戴口罩与不带口罩。总共有1165个数据样本，其中戴口罩的有500多个，不带口罩的有600多个，并且每个样本都附带有标注好的标签信息。对于希望使用该数据集进行相关研究或检测的朋友来说，可以直接采用这些已标记的数据，无需自行花费时间来标注新的数据。
     
  • 基于MATLAB的口罩佩戴识别.zip
    优质
    本资源提供了一个利用MATLAB开发的系统，用于自动检测和识别图像中的人脸是否正确佩戴了口罩。该工具集成了先进的机器学习算法，并附带详细的文档与示例代码，旨在促进对疫情期间面部遮盖物有效性的研究及监控应用。 自疫情以来，“人脸检测与形态学结合的口罩识别系统”是一个较为新颖的研究课题。本设计通过运用人脸检测技术和形态学知识相结合的方法来实现目标。首先进行精确的人脸定位，将面部区域单独分割出来，并利用形态学处理去除干扰因素，最终判断是否佩戴了口罩。
     
  • 口罩正确佩戴的数据集（正确/错误/未佩戴）
    优质
    本数据集包含关于口罩正确、错误佩戴及未佩戴状态的图像资料，旨在通过机器学习模型识别不同佩戴方式，提升公共卫生活动中的安全性与有效性。 口罩规范佩戴数据集包括三类：规范佩戴、不规范佩戴和未戴口罩。
     
  • 口罩佩戴检测软件（实时识别）
    优质
    本软件是一款专为公共安全设计的口罩佩戴检测工具，采用先进的人脸识别技术，能够实现实时、准确地判断用户是否正确佩戴口罩。 开源Halcon联合C#的口罩佩戴识别软件在某些情况下识别度不够，请自行调整“口罩佩戴识别软件\HalconTestCS\bin\x64\Debug目录下的classifier_minist.hdl文件”。关于详细使用方法，可以参考相关文档或主页上的文章。如果运行出现问题，请确保环境配置正确。
     
  • 人体佩戴口罩检测实战
    优质
    本项目专注于研究和开发高效的算法模型，用于准确识别并分析人类在公共场合佩戴口罩的情况，旨在提高公共卫生安全水平。 《人体口罩佩戴检测实战》 本教程主要探讨如何运用深度学习模型YOLOv3来实现对人体是否正确佩戴口罩的检测，在2020年全球爆发新型冠状病毒背景下，这一技术对于公共场所防疫工作具有重要意义。我们将详细介绍从数据集准备、模型训练到实际应用的全过程。 首先明确使用的开发环境。项目基于Python 3.7.4版本，并利用Tensorflow-GPU 1.14.0和Keras 2.2.4这两个深度学习库进行开发。本教程采用一个包含约1k张图片的数据集，这些数据是从互联网收集并整理的。 在准备训练所需的数据过程中，需要按照PASCAL VOC的标准格式组织数据集，包括ImageSets、Annotations以及JPEGImages三个子目录。其中，ImageSets用于存放数据列表文件；Annotations保存每一张图像对应的XML标签信息；JPEGImages则存储实际图片内容。为了生成这些必要的文件和结构，可以使用voc2yolo3.py脚本。 接下来是准备YOLOv3训练所需的数据集格式。在项目根目录下运行python voc_annotation.py命令来创建所需的标注文件。此步骤会输出包含图像信息及其口罩佩戴标签的文件，这是训练模型不可或缺的部分。 开始训练YOLOv3时，首先需要下载预训练权重，并通过convert.py脚本将darknet配置与权重转换为Keras可读取的h5格式。完成转换后运行train.py启动正式训练流程，在此期间可以根据实际情况调整如学习率和批次大小等参数以优化模型性能。 在训练结束后进行验证测试环节，对于单张图片检测任务，需要修改yolo.py中的模型路径指向已训练好的权重文件，并执行predict_img.py脚本。若要实现摄像头输入的实时口罩佩戴监控，则运行predict_video.py即可实现在电脑上对视频流中的人脸是否佩戴口罩情况进行识别。 通过此教程不仅掌握了YOLOv3在人体口罩检测的应用，还学习到了数据预处理、模型训练及测试的整体流程，这对于开展其他目标检测任务也具有重要的参考价值。