https://github.com/lunarwhite/yolo-student-counter
Monitor in classroom headcount, support image/video/live streaming as input. 教室人数检测统计
https://github.com/lunarwhite/yolo-student-counter
deep-learning object-detection python pytorch yolov5
Last synced: about 1 year ago
JSON representation
Monitor in classroom headcount, support image/video/live streaming as input. 教室人数检测统计
- Host: GitHub
- URL: https://github.com/lunarwhite/yolo-student-counter
- Owner: lunarwhite
- License: mit
- Created: 2021-06-15T01:37:08.000Z (about 5 years ago)
- Default Branch: main
- Last Pushed: 2025-03-22T03:33:11.000Z (over 1 year ago)
- Last Synced: 2025-03-22T04:24:16.006Z (over 1 year ago)
- Topics: deep-learning, object-detection, python, pytorch, yolov5
- Language: Python
- Homepage:
- Size: 3.18 MB
- Stars: 39
- Watchers: 1
- Forks: 5
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# yolo-student-counter
Monitor in classroom headcount, support image/video/live streaming as input. 基于YOLOv5的教室人数检测统计，支持图片、视频和直播流等多种媒体输入格式
```
.
├── dataset # 数据集
│ ├── annotations # XML 标签
│ ├── images # 图片
│ └── labels # txt 标签
├── detect.sh # detect shell 脚本
├── hellodata.py # 数据探索、预处理
├── LICENSE
├── README.md
├── res
│ ├── demo_picture1.png # 样例图片
│ └── demo_picture2.png
├── runs
│ ├── detect # 训练后的文件结果
│ └── train # 训练后的权重
├── train.sh # train shell 脚本
├── xml2txt.py # 将 XML 转换为 txt 标签
└── yolov5 # 从 @ultralytics/yolov5 clone
├── data
│ ├── coco.yaml
│ ├── headset.yaml # 自定义训练集
│ ├── hyp.scratch.yaml
│ ├── images # 存放 detect 输入数据
│ │ ├── bus.jpg
│ │ └── zidane.jpg
│ └── videos # 存放 detect 输入数据
├── detect.py
├── Dockerfile
├── hubconf.py
├── models # 预训练模型 YAML 文件
├── requirements.txt # Python 依赖库
├── test.py
├── train.py
├── utils
└── weights # 预训练权重
```
## 1 Overview
- 目标检测 (Object Detection) 在教室人数统计上的应用尝试
- 先借助 [YOLOv5](https://github.com/ultralytics/yolov5) 预训练模型对图片数据集进行训练，再测试多种输入流
- 数据集下载：[Classroom Monitoring Dataset - kaggle](https://www.kaggle.com/lunarwhite/classroom-monitoring-dataset)
- images 图片
- partA 2000张，格式： `[PartA_num].jpg`
- partB 2405张，格式：`[PartB_num].jpg`
- annotations 标签，标注了图片中 目标的类别和坐标位置
- partA 2000条，格式：`[PartA_num].xml`
- partB 2405条，格式：`[PartB_num].xml`
- 主要工具包版本为 PyTorch `1.7.1+cu110` 和 Python `3.8.5`
## 2 Setup
- clone repo：`git clone https://github.com/lunarwhite/yolo-student-counter.git`
- 更新 pip：`pip3 install --upgrade pip`
- 为项目创建虚拟环境：`conda create --name python=3.8`
- 激活 env：`conda activate `
- 安装 Python 库依赖：`pip3 install -r yolov5/requirements.txt`
- [下载](https://github.com/ultralytics/yolov5/releases)预训练权重，把下载的 `.pt` 文件部署在 `yolov5/weights/` 路径下
## 3 Train
- 为了方便执行，编写了脚本 [detect.sh](./detect.sh) 和 [train.sh](./train.sh)，分别进行训练与预测测试
- 根据训练效果调整 `train.sh` 文件中常用参数：
```python
--epochs # 训练的 epoch，默认值 300
--batch-size # 默认值 16
--cfg yolov5s.yaml --weights '' # 从头开始训练
--cfg yolov5s.yaml --weights yolov5s.pt # 从预训练模型开始训练
--data # 数据集的配置文件，默认为 data/coco128.yaml
--resume # 是否从最新的 last.pt 中恢复训练，布尔值
--evolve # 进化超参数 (Evolve Hyperparameters)，布尔值
--cache-images # 缓存图片可以更快的开始训练，布尔值
--weights # 初始化参数路径，默认值 ''
--adam # 使用 adam 优化器，布尔值
```
- 一般只需改动这两个脚本文件就可，如需训练自定义的数据集，请参考官方文档：[Train Custom Data - YOLOv5 Documentation](https://docs.ultralytics.com/yolov5/tutorials/train_custom_data/)
## 4 Workflow
- 自定义数据集
- 观察数据
- 数据集大小
- 数据集样本
- 图像分辨率
- 数据预处理
- 数据清洗，观察发现，有一些图像的 label 存在缺失，在 `XML` 转换 `TXT` 的过程中一并丢弃
- YOLOv5 原生预处理
- 搭建模型，可视化分析
- 分析与调整训练，提高模型泛化能力
- demo 的 detect 结果：
- 改进模型
- 可视化图形界面 [TODO]
- 优化目录结构，提高封装性 [TODO]
## 5 Reference
- [Getting Started - YOLOv5 Documentation](https://docs.ultralytics.com/yolov5/quickstart_tutorial/)
- [Train Custom Data - YOLOv5 Documentation](https://docs.ultralytics.com/yolov5/tutorials/train_custom_data/)
- [Tips for Best Training Results - YOLOv5 Documentation]( https://github.com/ultralytics/yolov5/wiki/Tips-for-Best-Training-Results)
- [Transfer Learning with Frozen Layers - YOLOv5 Documentation](https://github.com/ultralytics/yolov5/issues/1314)