当前位置： 首页 > article >正文

【数据集】【YOLO】【目标检测】抽烟识别数据集 6953 张，YOLO/VOC格式标注，吸烟检测！

article 2024/11/8 12:27:05

数据集介绍

【数据集】抽烟识别数据集 6953 张，目标检测，包含YOLO/VOC格式标注。数据集中包含1种分类：“smoking”。数据集来自国内外图片网站和视频截图。检测范围园区吸烟检测、禁烟区吸烟检测、监控吸烟检测、无人机吸烟检测等。

主页私聊~主页私聊~

一、数据概述

抽烟识别的重要性

  1. 公共场所管理：在公共场所如商场、车站、机场等，抽烟行为不仅影响空气质量，还可能引发火灾等安全隐患。通过抽烟识别算法，可以实时监控并制止抽烟行为，维护公共秩序和卫生。

  2. 工业生产安全：在工厂车间、矿山等高危环境中，抽烟行为可能引发严重的安全事故。因此，通过抽烟识别算法的应用，可以有效保障生产安全，降低事故风险。

  3. 特殊场所监管：如学校、医院等场所，抽烟行为可能对学生和患者的健康造成不良影响。通过抽烟识别算法，可以及时发现并制止抽烟行为，保护特殊群体的健康

实际应用效果：

  1. 高效性：抽烟识别算法能够自动化处理大量数据，提高监测效率。

  2. 准确性：基于深度学习的算法能够从复杂的背景中准确识别出抽烟行为，降低误报率。

  3. 实时性：算法支持实时数据处理和分析，能够快速响应抽烟事件，及时采取措施。

  4. 灵活性：系统可以根据实际需求进行灵活部署，适用于不同规模和类型的监测场景。

该数据集含有6953张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试园区吸烟检测、禁烟区吸烟检测、监控视角下吸烟检测、无人机视角下吸烟检测。图片格式为jpg格式，标注格式分别为：

YOLO：txt

VOC：xml

数据集均为手工标注，保证标注精确度。

二、数据集文件结构

person_smoke/

——Annotations/

——images/

——labels/

——data.yaml

Annotations文件夹为Pascal VOC格式的XML文件 ，images文件夹为jpg格式的数据样本，labels文件夹是YOLO格式的TXT文件，data.yaml是数据集配置文件，包含抽烟识别的目标分类和加载路径。

三、数据集适用范围 

  • 目标检测场景
  • yolo训练模型或其他模型
  • 园区吸烟检测、禁烟区吸烟检测、监控视角下吸烟检测、无人机视角下吸烟检测
  • 智慧园区、火情预警、消防安全预警

四、数据集标注结果 

​​

1、数据集内容 

  1. 多角度场景：包含行人视角、俯视视角；
  2. 标注内容：names: ['smoking']，总计1个分类。
  3. 图片总量：6953张图片数据；
  4. 标注类型：含有Pascal VOC XML格式和yolo TXT格式；

五、训练过程

1、导入训练数据

下载YOLOv8项目压缩包，解压在任意本地workspace文件夹中。

下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。

​

在ultralytics-main项目根目录下，创建data文件夹，并在data文件夹下创建子文件夹：Annotations、images、imageSets、labels，其中，将pascal VOC格式的XML文件手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中，imageSets和labels两个文件夹不导入数据。

data目录结构如下：

data/

——Annotations/   //存放xml文件

——images/          //存放jpg图像

——imageSets/

——labels/

2、数据分割

首先在ultralytics-main目录下创建一个split_train_val.py文件，运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称。

import os
import random

trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
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('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

3、数据集格式化处理

这段代码是用于处理图像标注数据，将其从XML格式（通常用于Pascal VOC数据集）转换为YOLO格式。

convert_annotation函数

  • 这个函数读取一个图像的XML标注文件，将其转换为YOLO格式的文本文件。

  • 它打开XML文件，解析树结构，提取图像的宽度和高度。

  • 然后，它遍历每个目标对象（object），检查其类别是否在classes列表中，并忽略标注为困难（difficult）的对象。

  • 对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用convert函数将坐标转换为YOLO格式。

  • 最后，它将类别ID和归一化后的边界框坐标写入一个新的文本文件。

import xml.etree.ElementTree as ET
import os
from os import getcwd

sets = ['train', 'val', 'test']
classes = ['smoking'] # 根据标签名称填写类别
abs_path = os.getcwd()
print(abs_path)


def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    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), encoding='UTF-8')
    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))
        b1, b2, b3, b4 = b
        # 标注越界修正
        if b2 > w:
            b2 = w
        if b4 > h:
            b4 = h
        b = (b1, b2, b3, b4)
        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/%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(abs_path + '/data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

4、修改数据集配置文件

train: ../train/images
val: ../valid/images
test: ../test/images

nc: 1
names: ['smoking']

5、执行命令

执行train.py

model = YOLO('yolov8s.pt')
results = model.train(data='data.yaml', epochs=200, imgsz=640, batch=16, workers=0)

也可以在终端执行下述命令：

yolo train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=0

六、获取数据集 

戳我头像获取数据，或者主页私聊博主哈~

基于QT的目标检测可视化界面

一、环境配置

# 安装torch环境
pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装PySide6依赖项
pip install PySide6 -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装opencv-python依赖项
pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

二、使用说明

​​

界面功能介绍：

  • 原视频/图片区：上半部分左边区域为原视频/图片展示区；
  • 检测区：上半部分右边区域为检测结果输出展示区；
  • 文本框：打印输出操作日志；
  • 加载模型：下拉框绑定本地文件路径，按钮加载路径下的模型文件；
  • 置信度阈值：自定义检测区的置信度阈值；
  • 文件上传：选择目标文件；
  • 开始检测：执行检测程序；
  • 停止：终止检测程序；

 三、预测效果展示

1、图片检测

​​

切换置信度再次执行：

​​

2、视频检测 

​​

四、前端代码 

class MyWindow(QtWidgets.QMainWindow):
    def __init__(self):
        super().__init__()

        self.init_gui()
        self.model = None
        self.timer = QtCore.QTimer()
        self.timer1 = QtCore.QTimer()
        self.cap = None
        self.video = None
        self.file_path = None
        self.base_name = None
        self.timer1.timeout.connect(self.video_show)

    def init_gui(self):
        self.folder_path = "model_file"  # 自定义修改：设置文件夹路径
        self.setFixedSize(1300, 650)
        self.setWindowTitle('目标检测')  # 自定义修改：设置窗口名称
        self.setWindowIcon(QIcon("111.jpg"))  # 自定义修改：设置窗口图标
        central_widget = QtWidgets.QWidget(self)
        self.setCentralWidget(central_widget)
        main_layout = QtWidgets.QVBoxLayout(central_widget)

        # 界面上半部分： 视频框
        topLayout = QtWidgets.QHBoxLayout()
        self.oriVideoLabel = QtWidgets.QLabel(self)
        self.detectlabel = QtWidgets.QLabel(self)
        self.oriVideoLabel.setFixedSize(530, 400)
        self.detectlabel.setFixedSize(530, 400)
        self.oriVideoLabel.setStyleSheet('border: 2px solid #ccc; border-radius: 10px; margin-top:75px;')
        self.detectlabel.setStyleSheet('border: 2px solid #ccc; border-radius: 10px; margin-top: 75px;')
        # 960 540  1920 960
        topLayout.addWidget(self.oriVideoLabel)
        topLayout.addWidget(self.detectlabel)
        main_layout.addLayout(topLayout)

五、代码获取

YOLO可视化界面

戳我头像获取数据，或者主页私聊博主哈~

注：以上均为原创内容，转载请私聊！！！


http://www.kler.cn/a/384382.html

相关文章：

  • creo toolkit二次开发学习之获取父对象
  • 安卓智能指针sp、wp、RefBase浅析
  • 基于航片的玉米异常情况识别赛题正在报名中 | CCF BDCI进行时
  • 常见的排序算法（二）
  • blender导入的图片渲染看不见，图片预览正常，但渲染不出
  • 【Linux内存泄漏】自创pamp 内存快照比对定位内存泄漏【2024-11-07】
  • 如何将现有VUE项目所有包更新到最新稳定版
  • 信息安全建设方案，网络安全等保测评方案，等保技术解决方案，等保总体实施方案（Word原件）
  • 解决Postman一直在转圈加载无法打开问题的方法
  • 修改sql server 数据库的排序规则Chinese_PRC_CI_AS（字符集+排序）
  • Redis - 渐进式遍历
  • 03-Dubbo的负载均衡及高性能RPC调用
  • Kafka 源码 KRaft 模式本地运行
  • 读取json文件并解析
  • 【taro react】 ---- 常用自定义 React Hooks 的实现【六】之类渐入动画效果的轮播
  • 初学者指南：用例图——开启您的软件工程之旅
  • 完整版Java类型
  • LInux基础 （一）：Linux 系统重要命令拾遗
  • 在本地运行大模型：以Ollama为例
  • 2024最新版JavaScript逆向爬虫教程-------基础篇之Chrome开发者工具学习
  • 架构师：如何提高web网站的请求并发响应量？
  • Python中pandas组件学习总结
  • 【Linux】进程间通信(匿/命名管道、共享内存、消息队列、信号量)
  • 【go从零单排】实现枚举类型(Enum)
  • PyCharm中 argparse 库 的使用方法
  • jenkins流水线pipeline