基于YoloV5+目标追踪算法的越界识别项目——从数据清洗到边缘设备部署，全面掌握项目流程

本文内容主要来源于江大白老师主讲的《AidLux智慧安防实战训练营》。

对于很多算法初学者而言，很多困惑于“一个项目该如何落地”，“没有GPU的情况下如何去训练模型”，“如何看到模型训练后在边缘设备上的效果”等问题。而本次训练营全程“硬菜”，保姆式教学，以“基于YoloV5+目标追踪算法的越界识别项目”，图文并茂讲述了如何从开始的数据清洗到边缘设备部署。所谓“实践出真知”，“工欲善其事，必先利其器”，本次活动让人享受到了学习算法的快乐，了解了算法开发中会用到哪些工具，如何去做项目，简直是初学者的福音。以下为本次项目活动的主要内容。

越界识别检测在智慧消防、智慧园区方面都可以落地使用，本次项目主要做的就是基于YoloV5+目标追踪算法的越界识别项目，其项目效果如视频所示，同时会将检测结果通过“喵提醒”公众号发到个人微信信息中进行提示。

人流量统计视频

一、AI项目的整体开发流程

由上图可知，在实际项目中，一般先由数据工程师对于数据标注，再由算法工程师进行算法训练。

（比如对于人体框进行标注，由算法工程师训练人体检测模型）

因为用到不同的算法设备上，再由嵌入式工程师进行算法适配，和视频结构化平台的开发。

针对不同的图像进行算法处理，得到结构化的数据信息。（比如在Nvidia边缘设备使用，将人体检测模型在设备上适配，并开发视频结构化平台，对于视频流进行检测处理，得到人体检测框的Box信息）。

再将算法处理后的数据，对接到系统软件工程师，进行业务平台业务功能的处理。（比如将人体检测的检测框信息，对接给数据中台上，设置一些业务功能，例如越界识别等）。

最后对接到客户系统中，并交给运维工程师进行现场落地部署。（比如将越界人员的信息，对接到客户大屏上，进行展示）。

这里的数据处理和算法开发，很多算法岗的同学都会比较了解，因为平时工作中，都是使用Python来进行开发的。而在模型移植、视频结构化部分，目前市面上基本都是采用C++的方式。

不过本次项目主要采用一种更便捷的方式，Aidlux平台，即模型移植也采用Python的方式。且大家可以基于一台安卓手机，也可以基于一台AidBox边缘设备都可以进行开发，并且无缝衔接。

二、环境配置

本项目需要用到Aidlux作为边缘设备进行效果展示，VSCode软件进行远程调试，其具体安装及使用可参见我的另一篇详细指南文章《Aidlux&VScode编程调试及AI案例测试》，链接：Aidlux&VScode编程调试及AI案例测试

三、数据集下载及处理

因为需要人体检测的模型，所以需要下载一个数据集。人体检测的数据集有很多，这里大白主要采用旷视开源的Crowdhuman的数据集。官网是：CrowdHuman Dataset

Crowdhuman数据集，总共包含三个方面：15000张的训练数据集，4370张的验证数据集，5000张的测试数据集。其中训练集和验证集都是有标注信息的，测试集没有标注信息。

编写程序，分别对数据进行清洗和格式处理，得到自己所需要的数据集文件夹。

另外，本次项目使用的是labellmg文件标注方式。

四、云服务器训练人体检测模型

有了人体数据集，我们就可以训练检测模型了。本次训练营中，目标检测算法的训练，我们采用最常用的Yolov5算法。

当然考虑到有些同学有GPU服务器，有些同学没有GPU服务器。针对有GPU服务器的同学，大家可以直接用自己的电脑训练，也可以尝试本次训练营云服务器的训练，因为注册就会有优惠券，所以可以直接使用。

针对没有GPU服务器的同学，为了让大家可以测试一整套的流程，大白也尝试了一些云端算力的训练平台。

大家在身边没有GPU服务器，或者算力不够的情况下，也可以采用这些云端算力平台进行使用。本次课程采用的算力平台主要是AutoDL AI算力云，官网链接是：AutoDL-品质GPU租用平台-租GPU就上AutoDL。

通过云服务端进行训练，具体操作方式见本人另一篇文章链接通过云服务器租用GPU进行基于YOLOV5的人体检测模型训练

五、本次推理及项目实现

通过对人体检测和追踪算法进行训练，就可以得到相关参数。

再将模型部署在Aidlux上，完美实现了从数据到部署的项目流程。