关于SSD目标检测模型的人脸口罩识别

最近学习了SSD算法，了解了其基本的实现思路，并通过SSD模型训练自己的模型。

基本环境

• torch1.2.0
• Pillow8.2.0
• torchvision0.4.0
• CUDA版本可查看自己电脑，这里使用CUDA10.0
• visual studio 2019
• scipy1.2.1
• numpy1.17.0
• matplotlib3.1.2
• opencv_python4.1.2.30
• tqdm4.60.0
• h5py2.10.0

安装

建议创建一个虚拟环境，本文使用到的是在Pycharm环境下

打开pytorch的官方安装方法：

http://pytorch.org/get-started/previous-versions/

但是可以先进入：

https://download.pytorch.org/whl/torch_stable.html

找到自己需要下载自己需要的即可。

找到自己的下载路径，然后再命令窗口定位，再使用

pip install +下载好的whl文件即可

再安装相关依赖包需要先激活环境，进行安装。

同时安装CUDA和visual studio 2019可参考网上教程，这里不细讲。

数据集的准备

本文使用VOC格式进行训练，

训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中，文件格式为xml。

图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中，格式为jpg，如下图所示。

数据集处理

整个项目的文件如下（里面包含一些个人测试的代码)：

第一步需要运行voc_annotation.py，并更改其代码里面的一些参数（annotation_mode、classes_path、trainval_percent、train_percent、VOCdevkit_path都可以修改，但也可以只修改以下内容即可)：

需要修改model_data文件里面的voc_classes.txt内容，例如本例中修改如下:

即可生成训练用的2007_train.txt以及2007_val.txt。

图片处理

本例统一输入进来的图片是300*300大小的3通道图片。

• 对输入进来的图片进行判断是否为RGB，如果不是则进行转RGB
• 对图像进行统一大小裁剪，为防止图片失真，在其添加上灰条。
• 对图片进行数据增强，通过翻转，随机选取等操作。

模型训练

训练文件train.py中也要修改部分参数

classes_path一定要对应自己的分类文件，以及自己权重文件的位置。经过多次epochs后，权值会生成在logs文件夹。

在训练开始前还需要更改其他py文件的内容：

在summary.py文件中:

m=SSD300（7，‘vgg’).to(device）中7代表的是分类的个数，这里需要修改为2，因为只本例只分为了2类。

下面（3，300，300)代表输入的是300*300大小的3通道图片。

运行train.py文件进行模型训练，若出现out of memory问题，可以减小每次训练的batch_size的大小。

模型预测

模型预测先要去修改ssd.py文件中的model_path(在自己保存权值的logs文件当中选取一个权值文件，放到model_data文件夹中，并修改下面的路径,其次classes_path也要进行对应的修改：

这里单独调用摄像头进行预测，相关代码如下所示：

import time

import cv2
import numpy as np
from PIL import Image

from ssd import SSD


#口罩识别模型
if __name__ == "__main__":
   ssd = SSD()
   video_path      = 0
   video_save_path = ""
   video_fps       = 25.0
   # 指定测量fps的时候，图片检测的次数
   test_interval = 100
   capture=cv2.VideoCapture(video_path)
   if video_save_path!="":
       fourcc = cv2.VideoWriter_fourcc(*'XVID')
       size = (int(capture.get(cv2.CAP_PROP_FRAME_WIDTH)), int(capture.get(cv2.CAP_PROP_FRAME_HEIGHT)))
       out = cv2.VideoWriter(video_save_path, fourcc, video_fps, size)

   ref, frame = capture.read()
   if not ref:
       raise ValueError("未能正确读取摄像头（视频），请注意是否正确安装摄像头（是否正确填写视频路径）。")

   fps = 0.0
   while(True):
       t1 = time.time()
       # 读取某一帧
       ref, frame = capture.read()
       if not ref:
           break
       # 格式转变，BGRtoRGB
       frame = cv2.cvtColor(frame,cv2.COLOR_BGR2RGB)
       # 转变成Image
       frame = Image.fromarray(np.uint8(frame))
       # 进行检测
       frame = np.array(ssd.detect_image(frame))
       # RGBtoBGR满足opencv显示格式
       frame = cv2.cvtColor(frame,cv2.COLOR_RGB2BGR)
       
       fps  = ( fps + (1./(time.time()-t1)) ) / 2
       print("fps= %.2f"%(fps))
       frame = cv2.putText(frame, "fps= %.2f"%(fps), (0, 40), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
       
       cv2.imshow("video",frame)
       if video_save_path!="":
           out.write(frame)

       if cv2.waitKey(10) & 0xff==ord('q'):
           break
   capture.release()
   cv2.destroyAllWindows()

效果图如下

未戴口罩

戴口罩

整体来说效果还是不错的。

后续

后面我又去找了其他数据集进行训练，对其进行不同的图片处理以及模型的改进，达到的效果还不错。但是图片格式为jpeg的，因此在代码当中添加了对图片类型的判断，但是若不添加代码，则需要更改文件

get_map.py中：

后缀为对应的图片类型，还有在voc_annotation.py代码中有一处也需要修改图片后缀名。

其次自己写了一个简易版的GUI界面，使其输出各坐标，以及害虫的分类

效果图如下:

但在模型对小目标检测方面还是存在一点问题，正在尝试提高其精度。

建议还是要先去学习下SSD模型的基本算法思路，理解起来更加清楚、明白.

以上为个人经验，希望能给大家一个参考，也希望大家多多支持。