AI 安防小助手！YOLOv3实现公共场所武器检测

使用Paddle的YOLOv3模型实现公共场所武器检测（危险物品）

AI Studio

254人浏览 · 2023-05-28 11:44:56

AI Studio · 2023-05-28 11:44:56 发布

★★★ 本文源自AlStudio社区精品项目，【点击此处】查看更多精品内容 >>>

1. 前言

手把手教你用PPyolo实现公共场所武器检测

1.1 项目背景：

公共场所存在的危险物品是一个严重的社会问题。这些危险物品包括易燃、易爆、有毒、有害等物质，一旦被不当使用或处理，就可能引发火灾、爆炸、中毒等严重事故，给人们的生命财产安全造成极大的威胁。
针对这一问题，公共场所危险物品检测项目应运而生。本项目旨在通过先进的技术手段，对公共场所存在的危险物品进行快速、准确地检测，以避免事故的发生，保障公众的安全。
公共场所危险物品检测项目具有以下特点：

快速：采用高效的检测技术，能够在短时间内完成检测。
准确：采用先进的检测仪器和技术，能够准确识别危险物品。
全面：能够对多种类型的危险物品进行检测，包括易燃、易爆、有毒、有害等物质。
安全：检测过程严格遵循安全规范，确保检测过程的安全性。

公共场所危险物品检测项目对保障公共安全、维护社会稳定具有重要意义。通过本项目的实施，可以有效预防事故的发生，降低人员伤亡和财产损失，提高公共场所的安全水平。

1.2 数据集简介:

本项目基于公共场所的危险物品以及常见物品，开发危险武器检测项目

数据集介绍：本数据集中的物品分为六类，分别为tarjeta、smartphone、pistol、monedero、billete、knife。由xml（voc）标注，符合PaddleDetection所使用的数据集格式，也可用于EasyDL开发。（数据源于kaggle开源）

English	中文名
tarjeta	卡片
smartphone	智能手机
pistol	手枪
monedero	钱包
billete	钱
knife	刀

2. 用yolov3实现公共场所武器检测

2.1 安装PaddleX & 数据集准备

#paddlex==1.3.10 版本相对稳定 不要用其他的哈，跑不动不怪我
! pip install "paddlex==1.3.10" -i https://mirror.baidu.com/pypi/simple

#第一次运行时执行
#创建一个新的文件夹放解压后的文件
!mkdir /home/aistudio/data/datasets
!unzip data/data219503/Weapon.zip -d /home/aistudio/data/datasets

2.2 模型训练

2.2.1配置GPU

# 设置使用0号GPU卡（如无GPU，执行此代码后仍然会使用CPU训练模型）
import matplotlib
matplotlib.use('Agg') 
import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0'
import paddlex as pdx
import paddle.fluid as fluid

2.2.2 定义图像处理流程transforms

定义数据处理流程，其中训练和测试需分别定义，训练过程包括了部分测试过程中不需要的数据增强操作，如在本示例中，训练过程使用了MixupImage、RandomDistort、RandomExpand、RandomCrop和RandomHorizontalFlip共5种数据增强方式，更多图像预处理流程transforms的使用可参见paddlex.det.transforms。

from paddlex.det import transforms
train_transforms = transforms.Compose([
    transforms.MixupImage(),
    transforms.RandomDistort(),
    transforms.RandomExpand(),
    transforms.RandomCrop(),
    transforms.Resize(),
    transforms.RandomHorizontalFlip(),
    transforms.Normalize(),
])

eval_transforms = transforms.Compose([
    transforms.Resize(),
    transforms.Normalize(),
])

2.2.3 定义数据集Dataset

目标检测可使用VOCDetection格式和COCODetection两种数据集，此处由于数据集为VOC格式，因此采用pdx.datasets.VOCDetection来加载数据集，该接口的介绍可参见文档paddlex.datasets.VOCDetection。

train_dataset = pdx.datasets.VOCDetection(
    data_dir='data/datasets/Weapon',
    file_list='data/datasets/Weapon/train.txt',
    label_list='data/datasets/Weapon/labels.txt',
    transforms=train_transforms,
    shuffle=True)
eval_dataset = pdx.datasets.VOCDetection(
    data_dir='data/datasets/Weapon',
    file_list='data/datasets/Weapon/val.txt',
    label_list='data/datasets/Weapon/labels.txt',
    transforms=eval_transforms)

2.2.4 开始炼丹！

使用本数据集在P40上训练，可自定义epoch和learning rate，根据需要进行调优。更多训练模型的参数可参见文档paddlex.det.YOLOv3。模型训练过程每间隔save_interval_epochs轮会保存一次模型在save_dir目录下，同时在保存的过程中也会在验证数据集上计算相关指标，具体相关日志参见文档。

AIStudio使用VisualDL查看训练过程中的指标变化

点击左边菜单图标的『可视化』；
设置logdir，logdir的路径为训练代码中save_dir指定的目录下的vdl_log目录，例如output/yolov3_darknet53/vdl_log
点击下方『启动VisualDL服务按钮』，再『打开VisualDL』即可

num_classes = len(train_dataset.labels)
model = pdx.det.YOLOv3(num_classes=num_classes, backbone='DarkNet53')
model.train(
    num_epochs=100,
    train_dataset=train_dataset,
    train_batch_size=32,#根据自己的显卡配置，不然会爆炸的哦
    eval_dataset=eval_dataset,
    learning_rate=0.0005,
    lr_decay_epochs=[210, 240],
    save_interval_epochs=10,#每迭代十次保存一次
    save_dir='output/yolov3',
    use_vdl=True)

#转为可训练模型，随时可以用！
!paddlex --export_inference --model_dir=./output/yolov3/best_model --save_dir=./inference_model

2.3 模型预测

使用模型进行预测，同时使用pdx.det.visualize将结果可视化，可视化结果将保存到./output/yolov3_mobilenetv1下，其中threshold代表Box的置信度阈值，将Box置信度低于该阈值的框过滤不进行可视化。

让我们来看看最终的模型效果吧！

#开始预测
import paddlex as pdx
#把预测的图片保存在predict中
!mkdir predict ./
model = pdx.load_model('inference_model')
image_name = '001.jpg'
result = model.predict(image_name)
pdx.det.visualize(image_name, result, threshold=0.5, save_dir='predict')

%matplotlib inline
import matplotlib.pyplot as plt 
import numpy as np
import cv2

# 读取原始图片
origin_pic = cv2.imread('001.jpg')
origin_pic = cv2.cvtColor(origin_pic, cv2.COLOR_BGR2RGB)
plt.imshow(origin_pic)
plt.axis('on') # 显示坐标轴
plt.show()

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-wQveO1wI-1685245379633)(output_17_0.png)]

%matplotlib inline
import matplotlib.pyplot as plt 
import numpy as np
import cv2

# 读取预测图片
origin_pic = cv2.imread('predict/visualize_001.jpg')
origin_pic = cv2.cvtColor(origin_pic, cv2.COLOR_BGR2RGB)
plt.imshow(origin_pic)
plt.axis('on') # 显示坐标轴
print(result)
# 显示坐标轴
print(result)
plt.show()

[{'category_id': 5, 'bbox': [528.0416259765625, 429.2747497558594, 176.86474609375, 212.08224487304688], 'score': 0.6911877989768982, 'category': 'knife'}]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RbEnWzoc-1685245379634)(output_18_1.png)]