README
MaskDetect
基于深度学习的口罩佩戴检测，Keras-YOLOv3 实现。
Preview
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-A2rDUwnJ-1651304219361)(VOC_data/VOC_mask/test_img/01_out_show.png)]
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xSC3mjLa-1651304219363)(VOC_data/VOC_mask/test_img/02_out.jpg)]
测试
下载模型文件
模型文件存储在百度云上：MaskDetect_model（提取码: yphs）
模型文件对应说明如下：
| 模型文件 | 说明 |
|---|---|
| trained_weights_final_12385.h5 | 在大数据集上训练的模型 |
| trained_weights_final_147.h5 | 在初代数据集上训练的模型 * |
| yolo_weights.h5 | YOLO 官方预训练模型 |
下载后，请将模型文件放在 model_data 目录下。
* 使用初代模型，请注意修改 voc_annotation.py 及 model_data/voc_classes.txt 中类名为 rightmask wrongmask nomask。
开始测试
对于图片：python3 yolo_video.py [OPTIONS...] --image
对于视频：python3 yolo_video.py [video_path] [output_path (optional)]
yolo_video.py 完整的选项可以通过 python3 yolo_video.py --help 查看。
训练
准备数据集
你需要按照 VOC 数据集的格式准备数据集，VOC_data/VOC_mask 目录用于存放数据。
VOC_mask
├─data_list # 存放数据集列表文件，建议由 create_dataset.py 生成
├─img # 存放图片文件
├─label # 存放图片标签，xml 格式
└─test_img # 存放了两个样例，与训练无关。
修改类名
修改根目录下的 voc_annotation.py 中第 7 行的 classes 数组为数据对应类别。
修改 model_data 目录下的 voc_classes.txt 为数据对应类别。
处理数据并生成索引
VOC_data/VOC_mask 目录下的 data_proc.py 可以帮助处理数据集，完成统一命名和数据对应，如果数据集格式本身就规范，则没有必要使用它。
将图片放入 img 目录，将标签放入 label 目录之后，运行 VOC_data/VOC_mask 目录下的 create_dataset.py，该程序将在 data_list 目录下生成 test.txt train.txt trainval.txt val.txt 这四个列表文件。
在根目录下，运行 voc_annotation.py，程序将在根目录下生成用于训练的数据列表。
开始训练
在根目录下，运行 train.py 进行训练。可以根据情况修改 train.py 中的参数。
细节
环境
训练及测试的环境如下：
- Python: 3.6.9
- Keras: 2.2.0
- TensorFlow: 1.6.0
数据集
更新数据集（12385 张）
我们使用了新的更大的数据集进行训练，新的数据集的组成如下：
| 人脸样本类别 | 数量 |
|---|---|
| 有口罩人脸样本 | 7056 个 |
| 无口罩人脸样本 | 20318 个 |
| 共计 | 27374 个 |
| 图片类别 | 数量 |
|---|---|
| 仅包含有口罩样本的图片 | 3943 张 |
| 仅包含无口罩样本的图片 | 8110 张 |
| 包含有口罩、无口罩样本的图片 | 329 张 |
| 共计 * | 12385 张 |
* 包含 3 张未处理的无效样本（03580 05301 06124）
新的数据集是下面三个开源数据集的联合数据集，在这里向他们的贡献表示感谢：
- 更新版的 hikariming/virus-mask-dataset
- AIZOO 开源的口罩数据集
- hamlinzheng 开源的口罩数据集
初代数据集（147 张）
训练使用的数据集：hikariming/virus-mask-dataset
数据集分为三个类：正确佩戴口罩（rightmask）、错误佩戴口罩（wrongmask）、未佩戴口罩（nomask）。经过数据清洗后，剩余 147 个有效样本用于训练和评估。
训练
考虑正负样本不均衡的问题，应用了 oversampling。
考虑迁移学习，在 YOLO 官方预训练的权重上继续训练 100 轮，loss 降至 22 左右。
不足
实测对于单张照片存在漏测的现象。
引用及致谢
训练使用了 hikariming, AIZOO, hamlinzheng 公开的口罩检测数据集
Keras-YOLOv3 框架来自：qqwweee/keras-yolo3
在此表示感谢！