基于轻量级YOLOv5s的手持目标检测识别分析系统

提到手持场景，这里很容易就会跟安全挂钩，在之前的一些项目中，有做过持刀检测相关的实践，在我前面的博文中也有做过安全相关的检测识别类的项目，本文主要是立足于手持场景，但是却不仅限于持刀、持枪的检测识别，很多其他的类型的目标在我之前的项目中都被误识别为了刀枪，这里是我们不愿意看到的事情，所以这里将手持物品作为一个单独的场景进行了相关模型的开发，话不多说简单看下效果：

这里一共定义了六种手持物品，如下：

卡片
智能手机
手枪
钱包
钞票
刀

简单看下数据集：

 VOC格式数据标注文件如下：

 实例标注内容如下：

<annotation>
	<folder>images</folder>
	<filename>0b9fe9cc-3682-4f6d-a72e-b0db0d0cd42b.jpg</filename>
	<path>0b9fe9cc-3682-4f6d-a72e-b0db0d0cd42b.jpg</path>
	<source>
		<database>Unknown</database>
	</source>
	<size>
		<width>1920</width>
		<height>1090</height>
		<depth>3</depth>
	</size>
	<segmented>0</segmented>
	<object>
		<name>knife</name>
		<pose>Unspecified</pose>
		<truncated>0</truncated>
		<difficult>0</difficult>
		<bndbox>
			<xmin>1070</xmin>
			<ymin>608</ymin>
			<xmax>1192</xmax>
			<ymax>726</ymax>
		</bndbox>
	</object>
</annotation>

YOLO格式数据标注文件如下：

扫描二维码关注公众号，回复： 15244063 查看本文章

 实例标注内容如下：

5 0.475781 0.880556 0.140625 0.091667

同样：

 这里是基于yolov5s系列模型开发构建的，图像尺寸指定的是416x416尺寸的，默认会执行100次epoch的迭代计算。

简单看下结果：
【F1值曲线】

 【精确率曲线】

 【召回率曲线】

 【PR曲线】

 【训练可视化】

 【batch实例】

 【混淆矩阵】

 更多详情共建共创。

简单看下实例推理效果：

还是蛮不错的。