深度学习目标检测算法如何训练自己的数据集之—智慧化生产工地检测数据集 对工地中工人、材料、机器和环境等对象类别分别为人，板，砖，切割机，挂钩，反光背心，木头，脚手架，电箱，护栏，安全帽 等进行检测。
深度学习目标检测算法如何训练自己的数据集之—智慧化生产工地检测数据集 对工地中工人、材料、机器和环境等对象类别分别为人，板，砖，切割机，挂钩，反光背心，木头，脚手架，电箱，护栏，安全帽 等进行检测。
@[toc]
智慧工地检测数据集，基础生产要素篇，采用voc标注（可提供yolo方式标注），无人机，监控摄像，手持拍照等方式，对工地中工人、材料、机器和环境等共计15类对象类别（分别为人，板，砖，切割机，挂钩，反光背心，木头，脚手架，电箱，护栏，安全帽，钢筋，手推车，漏斗，宣传横幅标语）进行标注。从多个建筑工地收集了超过20,000张图像，涵盖了不同情况、天气条件和建设阶段，覆盖了不同的角度和视角。共24GB数据量
，基础生产要素，voc标注，无人机，监控摄像，手持拍照等方式，对工地中工人、材料、机器和环境等共计15类对象类别标注，过20,000张图像，不同情况、天气条件和建设阶段24G数据
- 智慧工地检测数据集（基础生产要素篇）
- 规模：超过20,000张图像，数据量约24GB
- 类别：15类检测目标
- 人
- 板
- 砖
- 切割机
- 挂钩
- 反光背心
- 木头
- 脚手架
- 电箱
- 护栏
- 安全帽
- 钢筋
- 手推车
- 漏斗
- 宣传横幅标语
- 标注格式：支持VOC格式标注，同时提供YOLO格式标注
数据集特点
- 高质量影像：所有图像均为高分辨率的图像，适合用于精确的目标检测。
- 详细标注：每张图像都有详细的边界框标注，采用VOC和YOLO格式。这些标注可以用于训练模型来识别工地中的工人、材料、机器和环境等。
- 多样性：包含多种环境下拍摄的图像，如不同的建筑工地、不同的天气条件、不同的建设阶段等，适用于各种应用场景。
- 广泛适用性：支持多种深度学习框架，特别是VOC和YOLO系列模型。
数据集统计
| 目标类别 | 图片张数 | 标注个数 |
|---|---|---|
| 人 | ||
| 板 | ||
| 砖 | ||
| 切割机 | ||
| 挂钩 | ||
| 反光背心 | ||
| 木头 | ||
| 脚手架 | ||
| 电箱 | ||
| 护栏 | ||
| 安全帽 | ||
| 钢筋 | ||
| 手推车 | ||
| 漏斗 | ||
| 宣传横幅标语 | ||
| 总计 | >20,000 |
数据集结构
ConstructionSiteDetectionDataset/
├── images/ # 图像文件
│ ├── train/ # 训练集图像
│ │ ├── image_00001.jpg
│ │ ├── image_00002.jpg
│ │ └── ...
│ ├── val/ # 验证集图像
│ │ ├── image_00001.jpg
│ │ ├── image_00002.jpg
│ │ └── ...
│ └── test/ # 测试集图像
│ ├── image_00001.jpg
│ ├── image_00002.jpg
│ └── ...
├── annotations/ # VOC格式标签
│ ├── train/ # 训练集标签
│ │ ├── image_00001.xml
│ │ ├── image_00002.xml
│ │ └── ...
│ ├── val/ # 验证集标签
│ │ ├── image_00001.xml
│ │ ├── image_00002.xml
│ │ └── ...
│ └── test/ # 测试集标签
│ ├── image_00001.xml
│ ├── image_00002.xml
│ └── ...
├── labels/ # YOLO格式标签
│ ├── train/ # 训练集标签
│ │ ├── image_00001.txt
│ │ ├── image_00002.txt
│ │ └── ...
│ ├── val/ # 验证集标签
│ │ ├── image_00001.txt
│ │ ├── image_00002.txt
│ │ └── ...
│ └── test/ # 测试集标签
│ ├── image_00001.txt
│ ├── image_00002.txt
│ └── ...
└── data.yaml # 数据配置文件标注格式示例
每行表示一个物体的边界框和类别：
YOLO格式
class_id cx cy w hclass_id：类别ID（从0开始编号）- 0:
人 - 1:
板 - 2:
砖 - 3:
切割机 - 4:
挂钩 - 5:
反光背心 - 6:
木头 - 7:
脚手架 - 8:
电箱 - 9:
护栏 - 10:
安全帽 - 11:
钢筋 - 12:
手推车 - 13:
漏斗 - 14:
宣传横幅标语
- 0:
cx：目标框中心点x坐标 / 图像宽度。cy：目标框中心点y坐标 / 图像高度。w：目标框宽度 / 图像宽度。h：目标框高度 / 图像高度。
例如：
0 0.453646 0.623148 0.234375 0.461111VOC格式
train
image_00001.jpg
/path/to/dataset/train/image_00001.jpg
Unknown
640
480
3
0
使用该数据集进行模型训练
1. 数据预处理与加载
首先，我们需要加载数据并将其转换为适合YOLOv5等模型使用的格式。假设你已经安装了PyTorch和YOLOv5。
import os
from PIL import Image
import torch
from torch.utils.data import Dataset, DataLoader
from torchvision import transforms
class ConstructionSiteDetectionDataset(Dataset):
def __init__(self, image_dir, label_dir, transform=None):
self.image_dir = image_dir
self.label_dir = label_dir
self.transform = transform
self.image_files = [f for f in os.listdir(image_dir) if f.endswith('.jpg')]
def __len__(self):
return len(self.image_files)
def __getitem__(self, idx):
img_name = self.image_files[idx]
img_path = os.path.join(self.image_dir, img_name)
label_path = os.path.join(self.label_dir, img_name.replace('.jpg', '.txt'))
# 加载图像
image = Image.open(img_path).convert('RGB')
if self.transform:
image = self.transform(image)
# 加载标注
with open(label_path, 'r') as f:
lines = f.readlines()
boxes = []
labels = []
for line in lines:
class_id, cx, cy, w, h = map(float, line.strip().split())
boxes.append([cx, cy, w, h])
labels.append(int(class_id))
boxes = torch.tensor(boxes, dtype=torch.float32)
labels = torch.tensor(labels, dtype=torch.int64)
return image, boxes, labels
# 数据增强
transform = transforms.Compose([
transforms.Resize((640, 640)),
transforms.ToTensor(),
])
# 创建数据集
train_dataset = ConstructionSiteDetectionDataset(image_dir='ConstructionSiteDetectionDataset/images/train/', label_dir='ConstructionSiteDetectionDataset/labels/train/', transform=transform)
val_dataset = ConstructionSiteDetectionDataset(image_dir='ConstructionSiteDetectionDataset/images/val/', label_dir='ConstructionSiteDetectionDataset/labels/val/', transform=transform)
test_dataset = ConstructionSiteDetectionDataset(image_dir='ConstructionSiteDetectionDataset/images/test/', label_dir='ConstructionSiteDetectionDataset/labels/test/', transform=transform)
train_loader = DataLoader(train_dataset, batch_size=4, shuffle=True, num_workers=4)
val_loader = DataLoader(val_dataset, batch_size=4, shuffle=False, num_workers=4)
test_loader = DataLoader(test_dataset, batch_size=4, shuffle=False, num_workers=4)2. 构建模型
我们可以使用YOLOv5模型进行目标检测任务。假设你已经克隆了YOLOv5仓库，并按照其文档进行了环境设置。
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt创建数据配置文件 data/construction_site_detection.yaml：
train: path/to/ConstructionSiteDetectionDataset/images/train
val: path/to/ConstructionSiteDetectionDataset/images/val
test: path/to/ConstructionSiteDetectionDataset/images/test
nc: 15 # 类别数
names: ['人', '板', '砖', '切割机', '挂钩', '反光背心', '木头', '脚手架', '电箱', '护栏', '安全帽', '钢筋', '手推车', '漏斗', '宣传横幅标语']3. 训练模型
使用YOLOv5进行训练。
python train.py --img 640 --batch 16 --epochs 100 --data data/construction_site_detection.yaml --weights yolov5s.pt --cache4. 评估模型
在验证集上评估模型性能。
python val.py --img 640 --batch 16 --data data/construction_site_detection.yaml --weights runs/train/exp/weights/best.pt --task test5. 推理
使用训练好的模型进行推理。
python detect.py --source path/to/test/image.jpg --weights runs/train/exp/weights/best.pt --conf 0.5实验报告
实验报告应包括以下内容：
- 项目简介：简要描述项目的背景、目标和意义。
- 数据集介绍：详细介绍数据集的来源、规模、标注格式等。
- 模型选择与配置：说明选择的模型及其配置参数。
- 训练过程：记录训练过程中的损失变化、学习率调整等。
- 评估结果：展示模型在验证集上的性能指标（如mAP、准确率）。
- 可视化结果：提供一些典型样本的检测结果可视化图。
- 结论与讨论：总结实验结果，讨论可能的改进方向。
- 附录：包含代码片段、图表等补充材料。
依赖库
确保安装了以下依赖库：
pip install torch torchvision
pip install -r yolov5/requirements.txt总结
这个智慧工地检测数据集提供了丰富的标注数据，非常适合用于训练和评估目标检测模型。通过YOLOv5框架，可以方便地构建和训练高性能的目标检测模型。实验报告可以帮助你更好地理解和分析模型的表现，并为进一步的研究提供参考。