位置: IT常识 - 正文

一文详解Yolov5——基于Yolov5的火灾检测系统(yolov5 入门)

编辑:rootadmin
一文详解Yolov5——基于Yolov5的火灾检测系统

推荐整理分享一文详解Yolov5——基于Yolov5的火灾检测系统(yolov5 入门),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:yolov5s,yolov5l,yolov5m,yolov5l,yolov5tiny,yolov5讲解,yolov5tiny,yolov5讲解,内容如对您有帮助,希望把文章链接给更多的朋友!

✨原创不易,还希望各位大佬支持一下\textcolor{blue}{原创不易,还希望各位大佬支持一下}原创不易,还希望各位大佬支持一下

👍 点赞,你的认可是我创作的动力!\textcolor{green}{点赞,你的认可是我创作的动力!}点赞,你的认可是我创作的动力!

⭐️ 收藏,你的青睐是我努力的方向!\textcolor{green}{收藏,你的青睐是我努力的方向!}收藏,你的青睐是我努力的方向!

✏️ 评论,你的意见是我进步的财富!\textcolor{green}{评论,你的意见是我进步的财富!}评论,你的意见是我进步的财富!

项目效果图:

YOLOv5一、YOLOv5介绍二、模型详解2.1 Input2.2 Backbone2.3 Neck2.4 Prediction三、项目意义四、检测效果五、数据集获取六、模型训练效果七、总结一、YOLOv5介绍

 YOLO(You Only Look Once) 是REDMON等提出的目标检测算法,作为单阶段(one-stage)的代表算法,目前 YOLO已经更新到了YOLOv5。相比于Two stage目标检测算法,YOLO是直接从网络中提取特征,并预测物体的类别和具体位置,一步到位。  此后,REDMON在此基础上提出了YOLO9000等检测算法,使系统的检测性能得到进一步提升。在YOLOv3的基础上继续改进升级,并最终得到 YOLOv4。YOLOv4网络结构主要由CSPDarknet53特征提取网、SPP(空间金字塔池化)模块、PANet特征融合模块、Yolo Head分类器组成。  YOLOv5算法使用CSPDarknet(跨阶段局部网络)作为特征提取网络,从输入图像中提取目标信息。如今,YOLOv5无论是在准确率还是速度上,都已经达到较好的效果。所以,本项目采用YOLOv5训练模型,结合YOLOv5算法构建火灾检测系统。

二、模型详解

上图是yolov5s的网络结构,它是yolov5系列中深度最小、特征图宽度最小的网络。后面的m、l、x都是在此基础上不断加深、加宽的。网络主要分为输入端、Backbone、Neck、Prediction四个部分。它和yolov3主要不同的地方:

输入端:Mosaic数据增强、自适应锚框计算、自适应图片缩放Backbone:Focus结构、CSP结构Neck:FPN+PAN结构Prediction:GIOU_Loss

YOLOv5 模型在输入端(Input)增加了 Mosaic 数据增强、自适应锚框计算、自适应图片缩放等数据预处理技巧来增强数据,防止过拟合;在特征提取网络部分(Backbone)引入了Focus 模块、跨阶段局部融合网络(CrossStage Partial Network, CSPNet)等方法,在减少了计算量的同时可以保证准确率,使特征能够更好的向后传递。下图为cspnet 结构图:

  CSPNet主要目的就是缓解以前需要大量推理计算的问题,它有以下优点:

增强了CNN的学习能力,能够在轻量化的同时保持准确性。降低计算瓶颈。降低内存成本。CSPNet通过将梯度的变化从头到尾地集成到特征图中,在减少了计算量的同时可以保证准确率。一文详解Yolov5——基于Yolov5的火灾检测系统(yolov5 入门)

CSPNet和PRN都是一个思想,将feature map拆成两个部分,一部分进行卷积操作,另一部分和上一部分卷积操作的结果进行concate。在特征融合部分(Neck)借鉴了空间金字塔池化(Spatial Pyramid Pooling, SPP)、特征金字塔(Feature Pyramid Networks, FPN)与路径聚合网络(PathAggregation Network, PAN)等方法,有效的增加主干特征的接收范围,融合后的特征保留了丰富的语义特征和精准的定位特征;同时在预测部分(Prediction)采用了新的定位损失函数,确保定位的精准。通过引入各种高效的网络组件,使得YOLOv5 模型在保持实时目标检测速度的基础上,也实现了精度上SOTA。

2.1 Input

Input 使用了 Mosaic 数据增强、自适应锚框计算、图片尺寸处理。Mosaic 数据增强把 4 张图片,采用随机缩放、随机裁剪、随机排布的方式进行拼接 , 极大地丰富了检测数据集,同时也能提高小目标检测的精度,除此以外,Mosaic数据增强在训练时可一次性对 4 张图片的数据进行计算,降低了 mini-batch 的大小,也减少了 GPU 的使用。YOLOv5 将自适应锚框计算嵌入代码中,通过在初始设定的锚框上输出预测框,然后和真实标签进行比对,计算损失函数,再不断更新,更新锚点框的大小,实现自适应计算并得出最佳锚框值。图片尺寸处理是对输入的各种图片的尺寸进行自适应填充处理,为了提高目标检测的速度,采用了减少灰度边缘的方法。

2.2 Backbone

Backbone 是 YOLOv5 网络的主干部分,包含 Focus 结构、CSP 结构和 SPP 结构。其 中 Focus 结 构: 主 要 进 行 切 片 操 作, 只 存 在 于YOLOv5 算法中,以 YOLOv5s 为例,将原始三通道图像输入 Focus 结构,经过切片操作后,进行拼接,图片尺寸缩小到原来的 1/4、输入通道扩充到原来的 4 倍,经过 32 个卷积核的卷积计算,最终得到含有 32 个通道的特征图。YOLOv5s、YOLOv5m、YOLOv5x 和 YOLOv5l, 使 用 的 卷积核数量依次增加,其中,YOLOv5m 使用了 48 个卷积核。卷积核个数越多 , 特征图的宽度越宽 , 网络提取特征的学习能力也越强。开发者认为,Focus 模块的设计目的是减少层数并降低计算量。

CSP 结构:YOLOv5 中设计了 CSP1_N 和 CSP2_N 两种CSP 结构,CSP1_N 应用于 Backbone 作为主干网络,CSP2_N 应用在 Neck 中,这部分没有残差组件。CSP1_N 结构将基础层的特征映射划分为两个不同的部分,其中之一就是将 N个残差组件进行卷积操作,另一部分则是直接进行卷积操作,两次卷积操作可以使通道数减半,然后通过拼接来进行输出。SPP 结构:在 Backbone 中,采用 SPP(空间向量金字塔 池化)。多尺度融合是通过最大化池来实现的。2.3 Neck

Neck 采用 FPN+PAN 的结构。FPN 结构是自上向下传递强特征,对结构起到增强的作用,然而,FPN 只能增强语义信息,而不能传递位置信息。而 PAN 结构刚好弥补了 FPN结构不能进行定位信息传递的缺陷,PAN 结构自下向上将低层的强定位特征传递上去,两者结合操作,增强网络特征融合的能力。

2.4 Prediction

本文中 Yolov5 采用 GIOU_Loss 作 Bounding box 的损失函数GIOU_Loss 能够区分重叠的预测框和目标框在 IOU 相同时两者相交情况的不同。另外,针对预测过程中会出现多个预测框的情况,需要通过非极大值抑制即 NMS 来处理,Yolov5 使用加权 NMS 来筛选最佳的预测框

三、项目意义

  火灾作为威胁人类生命生产安全的隐患之一,一直是人们关注的重点。传统的火灾监测装置根据温度来检测火灾,不仅灵敏度差,而且反馈时间长,常常会出现消防员收到警报消息时,火室已经无法控制。本文由树莓派、Opencv和蜂鸣器设计了一套火灾检测装置,能够对火灾进行实时灵敏检测,适用于地下停车场、居民楼道、商场等多种场景。

四、检测效果

五、数据集获取

  通过labelImg 标注工具对数据集图像进行标注,并保存为YOLO 系列的 txt 格式。可以在你的虚拟环境中进入labelImg,这是他的界面。左侧open Dir可以打开数据集的文件夹,Change Save Dir是你的保存路径,Next和Prev Image分别是上一张和下一张图片。重点来了:Create RectBox绘制一个矩形框将你需要框选的对象框选出来,并添加标签。这里不懂的同学可以看我之前有一篇很详细的教程链接: Yolov5:强大到你难以想象──新冠疫情下的口罩检测 通过对数据进行乱序排列,随机选出训练集 1442 张,测试集共617 张,验证集共 617 张。通过上千张火灾的图片进行机器学习的训练,对于微小火焰也有这不错的检测效果。数据集的下载地址我贴在这里了:链接:https://pan.baidu.com/s/1ry7o3oJfyHM5rw4nkXL14A?pwd=f5xp 提取码:f5xp

六、模型训练效果

七、总结

  由于大多数设备、算法的实时性较差或检测精确度偏低,而YOLOv5 检测算法拥有轻量级的模型和优良的性能,针对于此,本项目基于 YOLOv5 算法, 着重解决的问题是如何实现准确快速地检测火灾,以减小在复杂环境中的误检率,并提高检测精确率和实时性。

✨原创不易,还希望各位大佬支持一下\textcolor{blue}{原创不易,还希望各位大佬支持一下}原创不易,还希望各位大佬支持一下

👍 点赞,你的认可是我创作的动力!\textcolor{green}{点赞,你的认可是我创作的动力!}点赞,你的认可是我创作的动力!

⭐️ 收藏,你的青睐是我努力的方向!\textcolor{green}{收藏,你的青睐是我努力的方向!}收藏,你的青睐是我努力的方向!

✏️ 评论,你的意见是我进步的财富!\textcolor{green}{评论,你的意见是我进步的财富!}评论,你的意见是我进步的财富!

本文链接地址:https://www.jiuchutong.com/zhishi/293117.html 转载请保留说明!

上一篇:JS如何随机生成一个整数(js如何随机生成字符串)

下一篇:2022.07.25 C++下使用opencv部署yolov7模型(五)(c++~怎么用)

  • 取得的证券投资业绩
  • 工会经费个人绩效计入缴费基数吗
  • 不同月份的发票能抵扣吗
  • 增值税抵扣不够怎么解决
  • 企业注销盈利一定要交个税吗
  • 什么是资本性支出和支出
  • 已认证的发票如何冲红步骤
  • 房地产开发企业土地增值税清算
  • 免税即征即退先征后退
  • 企业会计制准下增值税科目的核算
  • 商业汇票贴现怎么做
  • 车辆买的商业险有家庭包
  • 增值税销项税如何进行处理,有哪些种情况
  • 发行收入要减去股本吗
  • 设备安装增值税适用税率
  • 申报退税金额是0是怎么回事
  • 建筑行业预算
  • 以股权转让名义转让土地使用权
  • 增值税如何确认
  • 母子公司可以汇资金吗
  • 既加工又有安装费的公司
  • 不动产进项税额转出分录
  • 增值税专用发票校验码是哪个位置
  • 电子承兑到期提示付款选择线上还是线下
  • 增值税专用发票丢了怎么补救
  • 企业转让土地使用权交什么税
  • 购买公司付款会计分录
  • 苹果电脑如何查看内存大小
  • 个体户流水过大怎么避税
  • nvcpl.dll是什么
  • 建立无法轻易删除的数据
  • 在建工程完工后结转会计分录
  • win11中文安装包
  • win10点搜索
  • wordpress邮箱怎么配置
  • 浅谈php技术
  • ConquerCam.exe进程的详细介绍 ConquerCam进程信息介绍
  • 低值易耗品现在还用吗
  • 150m迷你型无线路由器怎么用
  • 无形资产相关税费
  • 财务报表没有申报会影响领发票吗
  • 金税盘到上传截止日期
  • 超出python用什么
  • 主营业务收入在哪个报表里面
  • 事业单位成本核算具体指引—公立医院
  • 融资租赁公司的风险资产包括哪些
  • 公司自有房产出租给员工如何处理
  • 网吧相关规定
  • sql server 用法
  • 进项发票还未收到可以认证吗
  • 公司找的第三方代缴社保
  • 利润表中资产减值损失为正数是什么原因
  • 蓝字发票作废流程视频
  • 发放股票股利如何影响计算基本每股收益
  • 公司员工借款后还款收据怎么填
  • 互联网企业招商手册
  • 筹建期的财务费怎么算
  • 服务咨询类合同
  • 报销没有消费凭据怎么办
  • 建筑企业业务招待费
  • sql如何随机抽样
  • win7电脑初始化
  • ubuntu 安装指定位置
  • linux远程登录命令ssh
  • win8怎么关闭电脑
  • perl文件操作
  • ssh连不上centos
  • unity3d速成
  • cdn ajax
  • python的基本数值类型
  • 狗刨教学视频分解动作视频
  • Android自定义控件高级进阶与精彩实例
  • python不同进制的整数之间可以直接运算
  • 广西地方税务网站官网
  • 企业所得税季度申报时间
  • 华为领导班子成员名单
  • 教师资格证认定流程
  • 税务总局在贯彻落实意见任务分工中
  • 苏州市区公司可以在园区买社保吗
  • 新疆房车自驾营地
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设