Star一下：不断更新如下模型+数据+标注文件+教程

本项目长期更新旨在完成校园异常行为的实时精准检测。直到集成+N开发+优化（不限于调整），以下模型+数据+标注文件+教程将在近期持续更新。关注博主star和github，一起开启精彩的目标检测之路吧~~

文章目录

首先：附上Github入口：，然后根据本文配置环境+训练数据，或者使用我训练的模型。用yolov5s训练的都放进去了，用大模型训练的都是因为size的原因。有需要的可以戳底部的微信私聊我，免费。蟒蛇

1、项目展示

左图为原图，右图为推理后的图。它以图片的形式显示。视频流和实时流也可以达到这个效果。由于视频的大小，暂时不会上传。有兴趣的朋友会仔细往下看。看，跟着我！混蛋

测试配置：GTX1050ti，难看，但实验效果还不错，在这么弱的配置下，使用YOLOv5s、YOlov5m等都能达到30fps。 github

2、项目资源分享1：培训图片：抽烟图片+抽烟手势+抽烟

烟图：我写了个爬虫，爬了1w条，筛选后有近1000条，暂时一共5k条，以后会越来越多。需要跟进的可以私聊我。现在先放出5k张图片，加上自己辛辛苦苦用Labelimg标注的上千张图片的XML文件，一起发。可以检查香烟图片的质量。传送门：链接：

提取码：n2wr：下图网页

吸烟手势的图片：算法

Fire + Smoke 数据集：微信

我在这个数据集上已经有大约 100,000 个数据，其中一些是朋友。不知道能不能开源。我可以发送我收集的数以万计的数据集。传送门：框架

项目框架：YOLOV5-Pytorch实现dom

发送作者源码入口：，虽然也可以直接使用个人：。想法

标记工具：Labelimgsvg

附带windows工具：上面我的github里有：下载放置桌面更方便。

3、实践教学3.1环境配置

本例中使用YOLov5作者源码的步骤：

Cython
numpy==1.17
opencv-python
torch>=1.4
matplotlib
pillow
tensorboard
PyYAML>=5.3
torchvision
scipy
tqdm

个人是torch1.5 gpu版

作者在git clone下v5源码后：将目录剪切到requirements.txt然后

pip install -U -r requirements.txt

如果您需要使用混合精度模型进行训练：安装 Apex

git clone https://github.com/NVIDIA/apex && cd apex 而后切换至目录下
pip install -v --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" . --user && cd .. && rm -rf apex

3.2 数据标注与预处理

以吸烟数据集为例：

在百度网盘下载个人数据集和XML

如果你想再次训练

3.2.1 附上Lablimg简单教学：

标记后会生成一个XML文件：XML包含四个点的坐标以及图片的名称和大小。

然后在data下创建几个文件夹：

将我们的 XML 文件放入 Annotations

把我们的照片放在图片中

在 ImageSets 中创建一个新的 Main 和 test.txt 和 train.txt

创建新标签以存储下一个生成的标签

3.2.2 几个自己写的脚本，用来转换数据集，训练前准备

第一个：将 XML 文件转换为 label.txt 文件

先写一个os操作读取data/images中的图片：这几行就搞定了，请注意像我这样写（不需要生成.jpg）然后通过split('.')复制到ImageXML

然后运行 ​​voc_label.py 脚本：

# 坐标xml转txt
import os
import xml.etree.ElementTree as ET
classes = ["smoke"]  # 输入名称，必须与xml标注名称一致
def convert(size, box):
    print(size, box)
    dw = 1. / size[0]
    dh = 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)
def convert_annotation(image_id):
    print(image_id)
    in_file = open(r'./data/Annotations/%s.xml' % (image_id), 'rb')  # 读取xml文件路径
    out_file = open('./data/labels/%s.txt' % (image_id), 'w')  # 须要保存的txt格式文件路径
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    for obj in root.iter('object'):
        cls = obj.find('name').text
        if cls not in classes:  # 检索xml中的名称
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
image_ids_train = open('./ImageXML.txt').read().strip().split()  # 读取xml文件名索引
for image_id in image_ids_train:
    print(image_id)
    convert_annotation(image_id)

注意，如果有中文路径，请这样读取文件：

 open(r'./data/Annotations/%s.xml' % (image_id), 'rb')

接下来，您将在 data/labels 中看到：所有 txt 标签

每个txt文本一共会生成5个数字：第一个是整数测试教案怎么写，表示类别：0表示第一个类别，依此类推，接下来的四个数字是归一化坐标。

3.2.3 拆分训练集和测试集：

执行train_test_split.py

import os
import random
trainval_percent = 1  # 可自行进行调节
train_percent = 1
xmlfilepath = './data/Annotations'
txtsavepath = './data/ImageSets\Main'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
# ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('./data/ImageSets/Main/test.txt', 'w')
ftrain = open('./data/ImageSets/Main/train.txt', 'w')
# fval = open('ImageSets/Main/val.txt', 'w')
for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        # ftrainval.write(name)
        if i in train:
            ftest.write(name)
        # else:
        # fval.write(name)
    else:
        ftrain.write(name)
# ftrainval.close()
ftrain.close()
# fval.close()
ftest.close()

其中 trainval_percent = 1 表示验证集的比例，1 表示 1:9 如果有 5000 张图片，则将其切割为 4500 个训练集和 500 个验证集。

trainval_percent = 1  # 可自行进行调节

运行path_trans完成路径并写入train.txt

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets = ['train', 'test']
classes = ['smoke']  # 本身训练的类别
def convert(size, box):
    dw = 1. / size[0]
    dh = 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)
def convert_annotation(image_id):
    in_file = open('data/Annotations/%s.xml' % (image_id), 'rb')
    out_file = open('data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write('data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()