基于YOLOv5的教室人数检测统计系统可以有效地用于监控教室内的学生数量，适用于多种应用场景，比如
- 自动考勤、安全监控或空间利用分析
以下是如何构建这样一个系统的概述，包括环境准备、数据集创建、模型训练以及如何处理不同类型的媒体输入。
代码布置
.
├── dataset # 数据集
│ ├── annotations # XML 标签
│ ├── images # 图片
│ └── labels # txt 标签
├── detect.sh # detect shell 脚本
├── hellodata.py # 数据探索、预处理
├── LICENSE
├── README.md
├── res
│ ├── demo_picture1.png # 样例图片
│ └── demo_picture2.png
├── runs
│ ├── detect # 训练后的文件结果
│ └── train # 训练后的权重
├── train.sh # train shell 脚本
├── xml2txt.py # 将 XML 转换为 txt 标签
└── yolov5 # 从 @ultralytics/yolov5 clone
├── data
│ ├── coco.yaml
│ ├── headset.yaml # 自定义训练集
│ ├── hyp.scratch.yaml
│ ├── images # 存放 detect 输入数据
│ │ ├── bus.jpg
│ │ └── zidane.jpg
│ └── videos # 存放 detect 输入数据
├── detect.py
├── Dockerfile
├── hubconf.py
├── models # 预训练模型 YAML 文件
├── requirements.txt # Python 依赖库
├── test.py
├── train.py
├── utils
└── weights # 预训练权重
数据排布
目标检测 (Object Detection) 在教室人数统计上的应用尝试
先借助 YOLOv5 预训练模型对图片数据集进行训练，再测试多种输入流
数据集下载：Classroom Monitoring Dataset - kaggle
images 图片
partA 2000张，格式： [PartA_num].jpg
partB 2405张，格式：[PartB_num].jpg
annotations 标签，标注了图片中 目标的类别和坐标位置
partA 2000条，格式：[PartA_num].xml
partB 2405条，格式：[PartB_num].xml
主要工具包版本为 PyTorch 1.7.1+cu110 和 Python 3.8.5
代码运行
安装 Python 库依赖：pip3 install -r yolov5/requirements.txt
下载预训练权重，把下载的 .pt 文件部署在 yolov5/weights/ 路径下
代码训练
为了方便执行，编写了脚本 detect.sh 和 train.sh，分别进行训练与预测测试
根据训练效果调整 train.sh 文件中常用参数：
-epochs # 训练的 epoch，默认值 300
--batch-size # 默认值 16
--cfg yolov5s.yaml --weights '' # 从头开始训练
--cfg yolov5s.yaml --weights yolov5s.pt # 从预训练模型开始训练
--data # 数据集的配置文件，默认为 data/coco128.yaml
--resume # 是否从最新的 last.pt 中恢复训练，布尔值
--evolve # 进化超参数 (Evolve Hyperparameters)，布尔值
--cache-images # 缓存图片可以更快的开始训练，布尔值
--weights # 初始化参数路径，默认值 ''
--adam # 使用 adam 优化器，布尔值
一般只需改动这两个脚本文件就可，如需训练自定义的数据集，请参考官方文档：Train Custom Data - YOLOv5 Documentation
其他
自定义数据集
观察数据
数据集大小
数据集样本
图像分辨率
数据预处理
数据清洗，观察发现，有一些图像的 label 存在缺失，在 XML 转换 TXT 的过程中一并丢弃
YOLOv5 原生预处理
搭建模型，可视化分析
分析与调整训练，提高模型泛化能力
结果
多视角 稳定识别！
demo 的 detect 结果：
最后
计算机视觉、图像处理、毕业辅导、作业帮助、代码获取，远程协助，代码定制，私聊会回复!
