卖建材的网站,这么自己建设网站,高校网站建设,阜宁县住房与城乡建设局网站疲劳驾驶检测和识别2#xff1a;Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)
目录
疲劳驾驶检测和识别2#xff1a;Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)
1.疲劳驾驶检测和识别方法
2.疲劳驾驶数据集 #xff08;1#xff09;疲…疲劳驾驶检测和识别2Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)
目录
疲劳驾驶检测和识别2Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)
1.疲劳驾驶检测和识别方法
2.疲劳驾驶数据集 1疲劳驾驶数据集说明 2自定义数据集
3.人脸检测模型
4.疲劳驾驶分类模型训练
1项目安装
2准备数据
3疲劳驾驶识别分类模型训练(Pytorch)
4 可视化训练过程
5 疲劳驾驶识别效果
6 一些优化建议
7 一些运行错误处理方法
5.项目源码下载Python版
6. C实现疲劳驾驶检测识别
7. Android实现疲劳驾驶检测识别 这是项目《疲劳驾驶检测和识别》系列之《Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)》项目基于深度学习框架Pytorch开发一个高精度可实时疲劳驾驶检测和识别算法项目源码支持模型有resnet18,resnet34,resnet50, mobilenet_v2以及googlenet等常见的深度学习模型用户也可以自定义自己的模型进行训练项目源码配套了完整的训练代码和数据集配置好开发环境即可开始训练。 准确率还挺高的采用轻量级mobilenet_v2模型的疲劳驾驶识别准确率也可以高达97.8682%左右满足业务性能需求。
模型input sizeTest准确率mobilenet_v2112×11297.8682googlenet112×11298.4496resnet18112×11298.2558
先展示一下Python版本的疲劳驾驶检测和识别Demo效果 【尊重原创转载请注明出处】https://blog.csdn.net/guyuealian/article/details/131834946 更多项目《疲劳驾驶检测和识别》系列文章请参考
疲劳驾驶检测和识别1 疲劳驾驶检测和识别数据集(含下载链接)https://blog.csdn.net/guyuealian/article/details/131718648疲劳驾驶检测和识别2Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)https://blog.csdn.net/guyuealian/article/details/131834946 疲劳驾驶检测和识别3Android实现疲劳驾驶检测和识别(含源码可实时检测)https://blog.csdn.net/guyuealian/article/details/131834970 疲劳驾驶检测和识别4C实现疲劳驾驶检测和识别(含源码可实时检测)https://panjinquan.blog.csdn.net/article/details/131834980 1.疲劳驾驶检测和识别方法
疲劳驾驶检测和识别方法有多种实现方案这里采用最常规的方法基于人脸检测疲劳驾驶分类识别方法即先采用通用的人脸检测模型进行人脸检测定位人体区域然后按照一定规则裁剪人脸检测区域再训练一个疲劳驾驶行为识别分类器完成疲劳驾驶检测和识别任务
这样做的好处是可以利用现有的人脸检测模型进行人脸检测而无需重新标注疲劳驾驶的人脸检测框可减少人工标注成本低而疲劳驾驶分类数据相对而言比较容易采集分类模型可针对性进行优化。 当然也可以直接基于目标检测的方法直接检测疲劳驾驶和非疲劳驾驶项目也提供了疲劳驾驶目标检测的数据集 2.疲劳驾驶数据集 1疲劳驾驶数据集说明
在疲劳驾驶检测和识别算法开发中我们需要定义疲劳驾驶的行为状态项目将疲劳驾驶状态分为两个状态分别为疲劳(drowsy)不疲劳(undrowsy)为了便于大家理解这里给出这两个状态的图示说明 疲劳(drowsy) 如果驾驶过程中出现闭眼打哈欠等疲劳困倦等表情动作则认为是疲劳驾驶(drowsy)不疲劳(undrowsy)正常情况下没有出现闭眼打哈欠的表情动作则认为是清醒状态即非疲劳状态undrowsy 关于疲劳驾驶数据集的使用说明请参考我的一篇博客 https://blog.csdn.net/guyuealian/article/details/131718648
项目提供了疲劳驾驶检测数据集和疲劳驾驶分类数据集由于我们的实现方案采用基于人脸检测疲劳驾驶分类识别方法因此模型训练只使用了疲劳驾驶分类数据集Drowsy-Driving-Cls1Drowsy-Driving-Cls2疲劳驾驶检测数据集并未使用。 2自定义数据集
如果需要新增类别数据或者需要自定数据集进行训练可参考如下进行处理
建立Train和Test数据集要求相同类别的图片放在同一个文件夹下且子目录文件夹命名为类别名称如
类别文件一行一个列表class_name.txt (最后一行,请多回车一行)
A
B
C
D
修改配置文件的数据路径configs/config.yaml
train_data: # 可添加多个数据集- data/dataset/train1 - data/dataset/train2
test_data: data/dataset/test
class_name: data/dataset/class_name.txt
...
... 3.人脸检测模型
本项目人脸检测训练代码请参考https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB
这是一个基于SSD改进且轻量化后人脸检测模型很slim整个模型仅仅1.7M左右在普通Android手机都可以实时检测。人脸检测方法在网上有一大堆现成的方法可以使用完全可以不局限我这个方法。 当然可以基于YOLOv5训练一个人脸检测模型人脸检测和行人检测2YOLOv5实现人脸检测和行人检测(含数据集和训练代码) 4.疲劳驾驶分类模型训练
准备好疲劳驾驶识别数据后接下来就可以开始训练疲劳驾驶识别分类模型了项目模型支持resnet18,resnet34,resnet50, mobilenet_v2以及googlenet等常见的深度学习模型考虑到后续我们需要将疲劳驾驶识别模型部署到Android平台中因此项目选择计算量比较小的轻量化模型mobilenet_v2如果不用端上部署完全可以使用参数量更大的模型如resnet50等模型。 整套工程项目基本结构如下
.
├── classifier # 训练模型相关工具
├── configs # 训练配置文件
├── data # 训练数据
├── libs
│ ├── convert # 将模型转换为ONNX工具
│ ├── light_detector # 人脸检测
│ ├── detector.py # 人脸检测demo
│ └── README.md
├── demo.py # demo
├── README.md # 项目工程说明文档
├── requirements.txt # 项目相关依赖包
└── train.py # 训练文件
1项目安装 项目依赖python包请参考requirements.txt使用pip安装即可
numpy1.16.3
matplotlib3.1.0
Pillow6.0.0
easydict1.9
opencv-contrib-python4.5.2.52
opencv-python4.5.1.48
pandas1.1.5
PyYAML5.3.1
scikit-image0.17.2
scikit-learn0.24.0
scipy1.5.4
seaborn0.11.2
tensorboard2.5.0
tensorboardX2.1
torch1.7.1cu110
torchvision0.8.2cu110
tqdm4.55.1
xmltodict0.12.0
basetrainer
pybaseutils0.6.5
项目安装教程请参考初学者入门麻烦先看完下面教程配置好开发环境 项目开发使用教程和常见问题和解决方法视频教程1 手把手教你安装CUDA和cuDNN(1)视频教程2 手把手教你安装CUDA和cuDNN(2)视频教程3 如何用Anaconda创建pycharm环境视频教程4 如何在pycharm中使用Anaconda创建的python环境 2准备数据
下载疲劳驾驶分类数据集Drowsy-Driving-Cls1Drowsy-Driving-Cls2然后解压 关于疲劳驾驶数据集的使用说明请参考我的一篇博客 https://blog.csdn.net/guyuealian/article/details/131718648 3疲劳驾驶识别分类模型训练(Pytorch)
项目在《Pytorch基础训练库Pytorch-Base-Trainer(支持模型剪枝 分布式训练)》基础上实现了疲劳驾驶识别分类模型训练和测试整套训练代码非常简单操作用户只需要将相同类别的图片数据放在同一个目录下并填写好对应的数据路径即可开始训练了。
训练框架采用Pytorch整套训练代码支持的内容主要有 目前支持的backbone有googlenet,resnet[18,34,50], ,mobilenet_v2等 其他backbone可以自定义添加训练参数可以通过(configs/config.yaml)配置文件进行设置 修改配置文件的数据路径configs/config.yaml
train_data和test_data修改为自己的数据路径注意数据路径分隔符使用【/】,不是【\】项目不要出现含有中文字符的目录文件或路径否则会出现很多异常
# 训练数据集可支持多个数据集(不要出现中文路径)
train_data:- path/to/Drowsy-Driving-Cls1/trainval- path/to/Drowsy-Driving-Cls2/trainval
# 测试数据集(不要出现中文路径)
test_data:- path/to/Drowsy-Driving-Cls1/test# 类别文件
class_name: data/class_name.txt
train_transform: train # 训练使用的数据增强方法
test_transform: val # 测试使用的数据增强方法
work_dir: work_space/ # 保存输出模型的目录
net_type: mobilenet_v2 # 骨干网络,支持resnet18/50,mobilenet_v2,googlenet,inception_v3
width_mult: 1.0 # 模型宽度因子
input_size: [ 112,112 ] # 模型输入大小
rgb_mean: [ 0.5, 0.5, 0.5 ] # for normalize inputs to [-1, 1],Sequence of means for each channel.
rgb_std: [ 0.5, 0.5, 0.5 ] # for normalize,Sequence of standard deviations for each channel.
batch_size: 128 # batch_size
lr: 0.01 # 初始学习率
optim_type: SGD # 选择优化器SGD,Adam
loss_type: CrossEntropyLoss # 选择损失函数支持CrossEntropyLoss,LabelSmooth
momentum: 0.9 # SGD momentum
num_epochs: 120 # 训练循环次数
num_warn_up: 0 # warn-up次数
num_workers: 8 # 加载数据工作进程数
weight_decay: 0.0005 # weight_decay默认5e-4
scheduler: multi-step # 学习率调整策略
milestones: [ 30,60,100 ] # 下调学习率方式
gpu_id: [ 2 ] # GPU ID
log_freq: 50 # LOG打印频率
progress: True # 是否显示进度条
pretrained: True # 是否使用pretrained模型
finetune: False # 是否进行finetune
开始训练在终端输入
python train.py -c configs/config.yaml 训练完成后训练集的Accuracy在98.0%以上测试集的Accuracy在97.5%左右 4 可视化训练过程
训练过程可视化工具是使用Tensorboard在终端(Terminal)输入命令使用教程请参考项目开发使用教程和常见问题和解决方法 # 需要安装tensorboard2.5.0和tensorboardX2.1
# 基本方法
tensorboard --logdirpath/to/log/
# 例如
tensorboard --logdirtensorboard --logdirdata/pretrained/mobilenet_v2_1.0_112_112_CrossEntropyLoss_20230720174004/log可视化效果
5 疲劳驾驶识别效果
训练完成后训练集的Accuracy在99%以上测试集的Accuracy在97.5%左右下表给出已经训练好的三个模型其中mobilenet_v2的测试集准确率可以达到97.8682%googlenet的准确率可以达到98.4496%resnet18的准确率可以达到98.2558%
模型input sizeTest准确率mobilenet_v2112×11297.8682googlenet112×11298.4496resnet18112×11298.2558 测试图片文件
# 测试图片Linux系统
image_dirdata/test_image # 测试图片的目录
model_filedata/pretrained/mobilenet_v2_1.0_112_112_CrossEntropyLoss_20230720174004/model/best_model_095_97.8682.pth # 模型文件
out_diroutput/ # 保存检测结果
python demo.py --image_dir $image_dir --model_file $model_file --out_dir $out_dir
Windows系统请将$image_dir $model_file $out_dir等变量代替为对应的变量值即可如
# 测试图片Windows系统
python demo.py --image_dir data/test_image --model_file data/pretrained/mobilenet_v2_1.0_112_112_CrossEntropyLoss_20230720174004/model/best_model_095_97.8682.pth --out_dir output/ 测试视频文件
# 测试视频文件Linux系统
video_filedata/video-test.mp4 # 测试视频文件如*.mp4,*.avi等
model_filedata/pretrained/mobilenet_v2_1.0_112_112_CrossEntropyLoss_20230720174004/model/best_model_095_97.8682.pth # 模型文件
out_diroutput/ # 保存检测结果
python demo.py --video_file $video_file --model_file $model_file --out_dir $out_dir# 测试视频文件Windows系统
python demo.py --video_file data/video-test.mp4 --model_file data/pretrained/mobilenet_v2_1.0_112_112_CrossEntropyLoss_20230720174004/model/best_model_095_97.8682.pth --out_dir output/ 测试摄像头
# 测试摄像头Linux系统
video_file0 # 测试摄像头ID
model_filedata/pretrained/mobilenet_v2_1.0_112_112_CrossEntropyLoss_20230720174004/model/best_model_095_97.8682.pth # 模型文件
out_diroutput/ # 保存检测结果
python demo.py --video_file $video_file --model_file $model_file --out_dir $out_dir# 测试摄像头Windows系统
python demo.py --video_file 0 --model_file data/pretrained/mobilenet_v2_1.0_112_112_CrossEntropyLoss_20230720174004/model/best_model_095_97.8682.pth --out_dir output/下面是疲劳驾驶检测和识别的效果展示 6 一些优化建议 如果想进一步提高模型的性能可以尝试 增加训练的样本数据 建议根据自己的业务场景采集相关数据比如采集多个人的疲劳驾驶的数据提高模型泛化能力使用参数量更大的模型 本教程使用的是mobilenet_v2模型属于比较轻量级的分类模型采用更大的模型如resnet50理论上其精度更高但推理速度也较慢。尝试不同数据增强的组合进行训练增加数据增强 已经支持 随机裁剪随机翻转随机旋转颜色变换等数据增强方式可以尝试诸如mixupCutMix等更复杂的数据增强方式样本均衡 原始数据疲劳驾驶识别类别数据并不均衡类别notsmoking的样本数据偏多而smoking数据偏少这会导致训练的模型会偏向于样本数较多的类别。建议进行样本均衡处理。清洗数据集原始数据已经进行人工清洗了但依然存在一些模糊的低质的模棱两可的样本建议你在训练前再次清洗数据集不然会影响模型的识别的准确率。调超参 比如学习率调整策略优化器SGD,Adam等损失函数 目前训练代码已经支持交叉熵LabelSmoothing可以尝试FocalLoss等损失函数 7 一些运行错误处理方法 项目不要出现含有中文字符的目录文件或路径否则会出现很多异常 cannot import name load_state_dict_from_url 由于一些版本升级会导致部分接口函数不能使用请确保版本对应 torch1.7.1 torchvision0.8.2 或者将对应python文件将
from torchvision.models.resnet import model_urls, load_state_dict_from_url修改为
from torch.hub import load_state_dict_from_url
model_urls {mobilenet_v2: https://download.pytorch.org/models/mobilenet_v2-b0353104.pth,resnet18: https://download.pytorch.org/models/resnet18-5c106cde.pth,resnet34: https://download.pytorch.org/models/resnet34-333f7ec4.pth,resnet50: https://download.pytorch.org/models/resnet50-19c8e357.pth,resnet101: https://download.pytorch.org/models/resnet101-5d3b4d8f.pth,resnet152: https://download.pytorch.org/models/resnet152-b121ed2d.pth,resnext50_32x4d: https://download.pytorch.org/models/resnext50_32x4d-7cdf4587.pth,resnext101_32x8d: https://download.pytorch.org/models/resnext101_32x8d-8ba56ff5.pth,wide_resnet50_2: https://download.pytorch.org/models/wide_resnet50_2-95faca4d.pth,wide_resnet101_2: https://download.pytorch.org/models/wide_resnet101_2-32ee1156.pth,
}5.项目源码下载Python版
项目源码下载地址疲劳驾驶检测和识别2Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)
整套项目源码内容包含 提供疲劳驾驶检测数据集包含Drowsy-Driving-Det1和Drowsy-Driving-Det1总共13000张图片标注格式统一转换为VOC数据格式其中人脸框标注了的两个状态drowsy(疲劳)undrowsy(非疲劳)可用于深度学习疲劳驾驶目标检测模型算法开发。本项目并未使用这个两个数据集 提供疲劳驾驶分类数据集包含Drowsy-Driving-Cls1Drowsy-Driving-Cls2和Drowsy-Driving-Cls3总共50000张图片所有人脸图片都已经按照其所属类别存放于各自的文件夹下可用于深度学习疲劳驾驶分类识别模型算法开发。本项目主要使用Drowsy-Driving-Cls1Drowsy-Driving-Cls2两个数据集 提供疲劳驾驶分类模型训练代码train.py提供疲劳驾驶分类模型测试代码demo.pyDemo支持图片视频和摄像头测试支持自定义数据集进行训练项目支持模型resnet18,resnet34,resnet50, mobilenet_v2以及googlenet等常见的深度学习模型项目源码自带训练好的模型文件无需重新训练可直接运行测试: python demo.py在普通电脑CPU/GPU上可以实时检测和识别 6. C实现疲劳驾驶检测识别
参考文章疲劳驾驶检测和识别4C实现疲劳驾驶检测和识别(含源码可实时检测)https://panjinquan.blog.csdn.net/article/details/131834980 7. Android实现疲劳驾驶检测识别
参考文章疲劳驾驶检测和识别3Android实现疲劳驾驶检测和识别(含源码可实时检测)https://blog.csdn.net/guyuealian/article/details/131834970
