-
项目运行流程
-
登陆 / 注册
-
摄像头检测及身份识别
-
上传个人信息
-
-
项目运行原理
-
口罩检测
-
训练模型
-
预训练模型
-
正式训练
-
-
使用模型进行预测
-
基础检测
-
摄像头实时检测
-
-
-
身份识别
- 人像对比
-
可视化界面
- 建立连接
-
│
├─Functions
│ ├─utils
│ │ └─detect_api.py
│ ├─identify.py
│ └─run_api.py
├─models
├─Qt
│ ├─Dev
│ │ ├─images
│ │ │ ├─icons
│ │ │ └─images
│ │ ├─modules
│ │ └─themes
├─utils
│ ├─aws
│ ├─google_app_engine
│ └─wandb_logging
├─detect.py
├─export.py
├─hubconf.py
├─main.py
├─requirements.txt
├─traced_model.pt
├─train.py
├─train_aux.py
├─train_mask.py
├─yolov7.pt
└─yolov7_mask.pt
- 登陆 / 注册
-
主页（Need a Main LOGO pic or something else）
-
摄像头检测（GUI Need To Be Redesign）
-
上传个人信息（GUI Need To Be Redesign）
-
静态图片检测（ Maybe Will Add This Function）
YOLO（You Only Look Once）是一种实时目标检测算法，它的主要思想是将目标检测问题转换为回归问题，使用单个神经网络预测图像中所有目标的边界框和类别。
下面是YOLO算法的流程：
-
输入图像：将待检测的图像输入神经网络，大小为
$448\times 448$ 。 -
卷积神经网络：采用卷积神经网络对输入图像进行特征提取。
-
边界框预测：将特征图分成
$S\times S$ 个网格（如$7\times 7$ ），每个网格负责检测图像中的一部分区域。对于每个网格，预测$B$ 个边界框（bounding box），每个边界框包含5个信息：$(x, y, w, h, confidence)$，其中$(x, y)$ 表示边界框中心相对于当前网格左上角的偏移量，$(w, h)$ 表示边界框的宽和高，$confidence$ 表示该边界框包含目标的置信度。 -
类别预测：对于每个边界框，预测目标的类别。每个边界框需要预测
$C$ 个类别的概率值，其中$C$ 是目标类别的数量。 -
边界框过滤：根据预测结果，过滤掉置信度低于阈值的边界框。通常阈值设置为0.5。
-
非极大值抑制（NMS）：对于同一类别的多个边界框，采用NMS算法去除冗余的边界框，只保留重叠度最大的那个边界框。
-
输出检测结果：将保留下来的边界框和对应的类别输出作为检测结果。
- 预训练模型
训练的目的是让计算机程序知道“如何进行分类”
预训练模型是指在一个大规模数据集上训练好的模型
在训练YOLO时，使用预训练模型可以提高训练效率和检测精度。这是因为预训练模型已经学习了很多通用特征，比如边缘、纹理、颜色等，可以被用于 YOLO 中的特征提取。这意味着预训练模型可以更快地收敛，因为它们已经学习了通用的图像特征，而且它们可以提供更好的初始化参数，从而使模型更容易地收敛到更好的结果。
-
正式训练
正式训练使用 Yolo 官方的预训练模型
Yolov7.pt，从而使训练更高效
- 数据集准备：准备一个包含物体的图像和每个物体的标签的数据集。标签应该包括物体的类别和边界框的坐标。
- 网络结构设计：选择一个适合的YOLO模型，并根据需要进行修改。
- 模型训练：使用数据集训练YOLO模型。
模型训练结果：
Tip : 训练结果解读 - Click Here
混淆矩阵（ confusion matrix ）
P_Curve
PR_Curve
R_Curve
result
Train_batch
Test_batch
-
使用模型进行预测
检测过程可以分为两个步骤：网络预测和后处理。
网络预测： 在网络预测阶段，YOLO将整张图片输入卷积神经网络（CNN）中，生成一个固定大小的特征图。对于每个格子，YOLO会预测出K个边界框以及这些边界框中包含的物体的概率。每个边界框包含5个参数：x、y、w、h和物体概率。其中，x和y是边界框的中心坐标，w和h是边界框的宽度和高度，物体概率表示这个边界框中是否包含物体。
后处理： 在后处理阶段，YOLO首先会通过阈值过滤掉物体概率较低的边界框。然后，对于每个格子，选择物体概率最高的边界框作为该格子的检测结果，并将其与其他格子的检测结果进行非极大值抑制（NMS）操作，以去除重叠的检测结果。最后，YOLO将剩余的边界框转换为绝对坐标，并输出检测结果。
-
基础预测
使用Yolo官方提供的
Detect.py即可对一张照片进行预测Detect.py详解：Click Here -
使用摄像头预测
要在OpenCV中使用YOLO算法进行实时目标检测，需要进行以下步骤：
-
加载YOLO模型：使用OpenCV的dnn模块加载预先训练好的YOLO模型，并设置模型的参数和配置文件。
-
读取视频帧：使用OpenCV的VideoCapture模块读取视频流中的每一帧图像。
-
图像预处理：将读取到的图像进行预处理，例如缩放到模型需要的尺寸、归一化像素值等。
-
输入模型进行推理：使用OpenCV的dnn模块将预处理后的图像输入到YOLO模型中进行推理，得到目标检测结果。
-
处理检测结果：对于每个检测到的目标，将其位置和类别信息提取出来，并在图像中标注出来。
-
显示结果：将标注后的图像显示出来，可以使用OpenCV的imshow函数进行显示。
-
循环处理：重复执行2-6步骤，直到视频流结束。
-
Face_recognition 详解 - Click Here
-
V1.0.0
点击
身份识别按钮，程序截取实时图像，调用百度云人脸识别接口，与数据库中存在的人脸信息进行对比 -
V2.0.0
每隔一段时间截取实时图像，使用face_recongition，与数据库中存在的人脸信息进行对比
Pyside6是一个用于Python编程语言的GUI（图形用户界面）工具包，它基于Qt软件开发框架，可用于创建跨平台的桌面应用程序。Pyside6支持各种GUI元素，如按钮、文本框、标签、列表、菜单等等。
要将GUI与功能代码连接起来，可以使用信号和槽机制。信号是GUI元素发出的事件，例如按钮被点击、复选框状态更改等。槽是处理信号的函数，例如响应按钮点击事件的函数。
信号和槽机制是一种用于在Qt和PySide6等GUI框架中连接用户界面（UI）元素和相关功能代码的方法。
在这种机制中，UI元素（例如按钮）发出信号（例如按钮点击事件），而功能代码则包含一个或多个槽（即信号的接收器）来处理这些信号。当UI元素发出信号时，它们将被传递到相应的槽，槽将执行相关的功能代码。
信号和槽机制的优点在于，它可以将UI和相关的功能代码分离开来，使得应用程序更易于维护和扩展。此外，由于信号和槽是完全松耦合的，因此可以在应用程序中使用它们进行高度灵活的事件处理。
在PySide6中，可以使用QObject.connect()方法将信号与槽连接起来。在连接过程中，可以指定信号和槽的参数列表，以确保它们具有相同的参数和返回值类型。此外，可以使用disconnect()方法来解除信号和槽的连接。
button.clicked.connect(myFunction)
在这个例子中，button是一个QPushButton对象，clicked是一个信号，myFunction是一个处理函数。当按钮被点击时，clicked信号将触发myFunction函数的执行。