人工智能安全：原理与实践 课件 第15章 视频分析原理与实践(15.2基于YOLOv5的安全帽识别).pptx

李剑博士，教授，博士生导师网络空间安全学院lijian@January23,2025第15章视频分析原理与实践实践15-1基于YOLOv5的安全帽识别

实践介绍本实践基于YOLOv5模型开发的自动化目标检测项目，旨在通过实时分析图像或视频流来确保工地人员正确佩戴安全帽。

1.实践内容本编程实践通过一系列预定义的步骤，包括数据集的准备、预处理、模型训练和检测，实现了对安全帽佩戴情况的高精度监控。图为YOLOv5网络结构图。

2.实践目的理解视频目标检测技术。YOLOv5模型架构理解。模型训练与超参数调整。模型性能分析与优化。

3.实践环境python版本：3.8.5或以上版本所需安装库：numpy1.18.5，tensorboard2.2，Torch1.6.0，torchvision0.7.0，matplotlib3.2.2，opencv-python4.1.2预训练模型：yolov5m.pt

4.实践过程第1步：通过以下链接下载项目代码。将压缩包解压后，用Pycharm打开。链接:/s/1liTgVRYVaQIEUiomchl58g?pwd=g3cu提取码:g3cu。在Pycharm中打开项目代码，如图所示。

4.实践过程第2步：安装实践环境,打开PyCharm的终端界面。输入命令`pipinstall-rrequirements.txt`并按回车键执行。系统将根据requirements.txt文件中的列表自动下载并安装所有必要的依赖项。等待安装过程完成，这可能需要一些时间，具体取决于实际网络速度。然后安装实践环境。

4.实践过程第3步：下载本项目数据集并导入。在链接:将VOC2028数据集解压,并将压缩包解压后的Annotations文件夹放入/data目录下,解压后的JPEGImages文件夹重命名为images后放入/data下。images里面存放着图片文件,Annotations里面存放着xml格式的标签。

4.实践过程第5步，训练数据集。在编译器中运行train.py。完成训练后会在根目录下生成runs/train/exp目录，里面包含每次的训练结果以及模型。首次运行train.py时可能会进行yolov5m.pt的下载，下载后放入weights文件夹

4.实践过程第6步，检测数据集。修改detect.py中--weights的路径为上面第五步得到的模型路径，例如：runs/train/exp18/weights/best.pt。注意项目中任何路径不能有中文。

4.实践过程第7步，拓展使用YOLOv5框架。（1）更换预先训练模型本项目中使用的预训练模型为官方提供的yolov5m.pt来训练数据集，另外三种模型分别为：yolov5l.pt、yolov5s.pt、yolov5x.pt。可以更换预训练模型来训练数据集。（2）添加数据集可以根据需求添加自己标注的数据，添加的数据集必须满足本项目VOC2028中数据集的格式

5.实践结果如图所示为编程实践的结果，可以看到单个图片中是否正确佩戴安全帽。

5.实践结果如图所示为编程实践的结果，可以看到单个图片中是否正确佩戴安全帽。

7.参考代码本节实践内容的Python语言参考源代码见本教材的网盘。注意：如果项目训练时间过长，或者使用的电脑运算能力不够，可以使用作者训练好的模型来运行项目。如图所示，为网盘里作者训练好的模型。

小结本实践主要讲述了基于YOLOv5的安全帽识别。本实践需要有算力支持，训练的时间可能较长。

祝同学们学习进步！致谢