商城网站开发公司,免费发布信息平台网,北京文化墙设计制作,传统的网站开发模式#x1f4a1;#x1f4a1;#x1f4a1;本文主要内容:详细介绍了疲劳驾驶行为检测整个过程#xff0c;从数据集到训练模型到结果可视化分析。 博主简介
AI小怪兽#xff0c;YOLO骨灰级玩家#xff0c;1#xff09;YOLOv5、v7、v8优化创新#xff0c;轻松涨点和模型轻量… 本文主要内容:详细介绍了疲劳驾驶行为检测整个过程从数据集到训练模型到结果可视化分析。 博主简介
AI小怪兽YOLO骨灰级玩家1YOLOv5、v7、v8优化创新轻松涨点和模型轻量化2目标检测、语义分割、OCR、分类等技术孵化赋能智能制造工业项目落地经验丰富 原创自研系列 2024年计算机视觉顶会创新点
《YOLOv8原创自研》
《YOLOv5原创自研》
《YOLOv7原创自研》 23年最火系列内涵80优化改进篇涨点小能手助力科研好评率极高
《YOLOv8魔术师》 《YOLOv7魔术师》
《YOLOv5/YOLOv7魔术师》
《RT-DETR魔术师》 应用系列篇
《YOLO小目标检测》
《深度学习工业缺陷检测》
《YOLOv8-Pose关键点检测》
1.疲劳驾驶行为
每一年中国都因交通事故而造成数万人的死亡造成了严重的损失。而其中司机疲劳驾驶是导致事故发生的重要原因之一。但是当司机们陷入疲劳驾驶状态时往往司机本人对此状态并不在意甚至会陷入睡眠状态整治疲劳驾驶行为成为了交通运输行业的首要任务。随着信息技术的日新月异如今我们有机会使用信息技术消除疲劳驾驶的隐患。实现了通过驾驶员的眼部、嘴部动作实时推断疲劳状态使得驾驶员能及时的被本地语音方式提醒避免疲劳驾驶同时后台管理人员能接收到司机疲劳报警信息。
1.1数据集介绍
数据集大小2914张类别[closed_eye,closed_mouth,open_eye,open_mouth] 2.基于YOLOv5的疲劳驾驶行为检测
2.1 修改fatigue.yaml
# PASCAL VOC dataset http://host.robots.ox.ac.uk/pascal/VOC/
# Download command: bash ./data/get_voc.sh
# Train command: python train.py --data voc.yaml
# Dataset should be placed next to yolov5 folder:
# /parent_folder
# /VOC
# /yolov5# train and val datasets (image directory or *.txt file with image paths)
train: ./data/fatigue/train.txt # 16551 images
val: ./data/fatigue/val.txt # 4952 images# number of classes
nc: 4# class names
names: [closed_eye,closed_mouth,open_eye,open_mouth]2.2 修改train.py
def parse_opt(knownFalse):Parses command-line arguments for YOLOv5 training, validation, and testing.parser argparse.ArgumentParser()parser.add_argument(--weights, typestr, defaultROOT / weights/yolov5s.pt, helpinitial weights path)parser.add_argument(--cfg, typestr, defaultmodels/yolov5s.yaml, helpmodel.yaml path)parser.add_argument(--data, typestr, defaultROOT / data/fatigue.yaml, helpdataset.yaml path)parser.add_argument(--hyp, typestr, defaultROOT / data/hyps/hyp.scratch-low.yaml, helphyperparameters path)parser.add_argument(--epochs, typeint, default50, helptotal training epochs)parser.add_argument(--batch-size, typeint, default16, helptotal batch size for all GPUs, -1 for autobatch)parser.add_argument(--imgsz, --img, --img-size, typeint, default640, helptrain, val image size (pixels))parser.add_argument(--rect, actionstore_true, helprectangular training)parser.add_argument(--resume, nargs?, constTrue, defaultFalse, helpresume most recent training)parser.add_argument(--nosave, actionstore_true, helponly save final checkpoint)parser.add_argument(--noval, actionstore_true, helponly validate final epoch)parser.add_argument(--noautoanchor, actionstore_true, helpdisable AutoAnchor)parser.add_argument(--noplots, actionstore_true, helpsave no plot files)parser.add_argument(--evolve, typeint, nargs?, const300, helpevolve hyperparameters for x generations)parser.add_argument(--evolve_population, typestr, defaultROOT / data/hyps, helplocation for loading population) 2.3 结果可视化分析
YOLOv5s summary: 157 layers, 7020913 parameters, 0 gradients, 15.8 GFLOPsClass Images Instances P R mAP50 mAP50-95: 100%|██████████| 25/25 [00:1000:00, 2.38it/s]all 787 2109 0.97 0.982 0.99 0.611closed_eye 787 566 0.953 0.979 0.988 0.54closed_mouth 787 701 0.986 0.997 0.989 0.622open_eye 787 774 0.955 0.967 0.988 0.545open_mouth 787 68 0.985 0.985 0.995 0.736
confusion_matrix.png文件是一个混淆矩阵的可视化图像用于展示模型在不同类别上的分类效果。混淆矩阵是一个n×n的矩阵其中n为分类数目矩阵的每一行代表一个真实类别每一列代表一个预测类别矩阵中的每一个元素表示真实类别为行对应的类别而预测类别为列对应的类别的样本数。 PR_curve.png
PR曲线中的P代表的是precision精准率R代表的是recall召回率其代表的是精准率与召回率的关系一般情况下将recall设置为横坐标precision设置为纵坐标。PR曲线下围成的面积即AP所有类别AP平均值即Map 预测结果
关注下方名片即可获取源码。
