YOLOV5口罩检测实战：从数据集到模型部署

引言

在当前的疫情防控背景下，口罩检测成为了许多应用场景中的重要需求。YOLOV5作为一种高效的目标检测算法，因其速度快、精度高而被广泛应用于各种检测任务中。本文将详细介绍如何使用YOLOV5进行口罩检测，包括数据集的准备、环境的配置、模型的训练以及最终的部署。

一、数据集准备

1. 数据集获取

本次实战我们将使用包含2000张标注好的口罩检测数据集。这些图片已经过精细标注，标明了每个图片中人物的口罩佩戴情况。数据集可以通过以下链接获取：数据集链接（提取码: krjc）。

2. 数据集格式

YOLOV5要求数据集格式为YOLO格式，即每张图片对应的标签文件（通常为TXT文件）中包含了目标的类别ID和边框坐标（x_center, y_center, width, height）。对于口罩检测任务，我们可以将戴好口罩、未戴好口罩和未戴口罩分别设为不同的类别ID。

二、环境配置

1. 安装Anaconda

首先，确保你的计算机上安装了Anaconda。Anaconda是一个开源的Python和R语言的分布版，用于科学计算（数据科学、机器学习应用、视觉化等）。

2. 创建虚拟环境

使用Anaconda创建一个新的Python虚拟环境，并安装YOLOV5所需的依赖包。例如，创建一个名为yolov5的虚拟环境，并安装PyTorch（注意选择与你的CUDA版本相匹配的PyTorch）。

conda create -n yolov5 python=3.8
conda activate yolov5
pip install torch torchvision torchaudio
# 根据你的CUDA版本安装相应版本的PyTorch

3. 克隆YOLOV5仓库

从GitHub上克隆YOLOV5的官方仓库到本地，并安装其他依赖包。

git clone https://github.com/ultralytics/yolov5.git
cd yolov5
pip install -r requirements.txt

三、模型训练

1. 修改配置文件

在YOLOV5的data目录下，创建一个新的配置文件（如mask.yaml），用于指定数据集路径、类别数等。

# mask.yaml
train: path_to_train_images  # 训练图片路径
val: path_to_val_images       # 验证图片路径
# number of classes
nc: 3                       # 类别数，如戴好口罩、未戴好口罩、未戴口罩
names: ['well_masked', 'poorly_masked', 'unmasked'] # 类别名称

2. 开始训练

使用YOLOV5的train.py脚本开始训练模型。可以通过修改命令行参数来调整训练参数，如批次大小（--batch-size）、训练轮数（--epochs）等。

python train.py --img 640 --batch 16 --epochs 50 --data data/mask.yaml --weights yolov5s.pt

四、模型评估与部署

1. 模型评估

训练完成后，使用YOLOV5的val.py脚本来评估模型在验证集上的表现。

python val.py --img 640 --data data/mask.yaml --weights runs/train/exp/weights/best.pt

2. 模型部署

部署模型时，可以使用YOLOV5的detect.py脚本来对图片、视频或实时摄像头数据进行检测。

```bash

检测图片

python detect.py —source path_to_image.jpg —weights runs/train/exp/weights/best.pt

检测视频

python