吸烟(抽烟)检测和识别2：Pytorch实现吸烟(抽烟)检测和识别(含吸烟(抽烟)数据集和训练代码)-Toy模板网

这篇具有很好参考价值的文章主要介绍了吸烟(抽烟)检测和识别2：Pytorch实现吸烟(抽烟)检测和识别(含吸烟(抽烟)数据集和训练代码)。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

吸烟(抽烟)检测和识别2：Pytorch实现吸烟(抽烟)检测和识别(含吸烟(抽烟)数据集和训练代码)

1.吸烟(抽烟)检测和识别

2.吸烟(抽烟)数据集

（1）吸烟(抽烟)数据集说明

（2）自定义数据集

3.人体检测模型

4.吸烟(抽烟)分类模型训练

（1）项目安装

（2）准备数据

（3）吸烟(抽烟)识别分类模型训练(Pytorch)

（4）可视化训练过程

（5）吸烟(抽烟)识别效果

（6）一些优化建议

（7）一些运行错误处理方法

5.项目源码下载（Python版）

吸烟(抽烟)检测和识别2：Pytorch实现吸烟(抽烟)检测和识别(含吸烟(抽烟)数据集和训练代码),深度学习,吸烟检测识别,抽烟检测识别,pytorch,吸烟行为识别,吸烟识别

这是项目《吸烟(抽烟)检测和识别》系列之《Pytorch实现吸烟(抽烟)检测和识别(含吸烟(抽烟)数据集和训练代码)》；项目基于深度学习框架Pytorch开发一个高精度，可实时吸烟检测和识别算法；项目源码支持模型有resnet18,resnet34,resnet50, mobilenet_v2以及googlenet等常见的深度学习模型，用户可自定义进行训练；准确率还挺高的，采用轻量级mobilenet_v2模型的吸烟识别准确率也可以高达95.5607%左右，满足业务性能需求。

模型	input size	Test准确率
mobilenet_v2	224×224	95.5607%
googlenet	224×224	96.7290%
resnet18	224×224	95.7944%

先展示一下，Python版本的吸烟(抽烟)检测和识别Demo效果

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/131521338

更多项目《吸烟(抽烟)检测和识别》系列文章请参考：

吸烟(抽烟)检测和识别1：吸烟(抽烟)数据集说明(含下载链接):https://blog.csdn.net/guyuealian/article/details/130337263
吸烟(抽烟)检测和识别2：Pytorch实现吸烟(抽烟)检测和识别(含吸烟(抽烟)数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/131521338
吸烟(抽烟)检测和识别3：Android实现吸烟(抽烟)检测和识别(含源码，可实时检测)：https://blog.csdn.net/guyuealian/article/details/131521347
吸烟(抽烟)检测和识别4：C++实现吸烟(抽烟)检测和识别(含源码，可实时检测)：https://blog.csdn.net/guyuealian/article/details/131521352

1.吸烟(抽烟)检测和识别

吸烟(抽烟)检测和识别方法有多种实现方案，这里采用最常规的方法：基于人体检测+吸烟分类识别方法，即先采用通用的人体检测模型，进行人体检测定位人体区域，然后按照一定规则裁剪吸烟检测区域，再训练一个吸烟行为识别分类器，完成吸烟(抽烟)检测和识别任务；

这样做的好处，是可以利用现有的人体检测模型，无需重新标注吸烟和未吸烟的检测框，可减少人工标注成本低；而吸烟分类数据相对而言比较容易采集，分类模型可针对性进行优化。

2.吸烟(抽烟)数据集

（1）吸烟(抽烟)数据集说明

本项目主要使用两个吸烟(抽烟)数据集：smoking-dataset和smoking-video，总共15000+张图片。数据质量较高，可用于深度学习吸烟(抽烟)识别的项目分类模型算法开发。项目将吸烟(抽烟)状态分为两种情况，分别为：smoking(吸烟)，notsmokint(未吸烟)，为了便于大家理解，下面给出这吸烟(抽烟)的行为类别定义：

notsmoking：在吸烟检测区内无烟只，则定义为无吸烟行为（notsmoking）；若主体存在吸烟行为，但烟只不在吸烟检测区内，受算法局限性，这时依然定义无吸烟（notsmoking）
smoking：在吸烟检测区内有烟只，则定义为有吸烟行为（smoking）；受算法局限性，只要吸烟区内存在烟只，不管是否吸烟，都定义为有吸烟行为（smoking）

关于吸烟(抽烟)数据集的使用说明请参考我的一篇博客：https://blog.csdn.net/guyuealian/article/details/130337263

（2）自定义数据集

如果需要新增类别数据，或者需要自定数据集进行训练，可参考如下进行处理：

建立Train和Test数据集，要求相同类别的图片，放在同一个文件夹下；且子目录文件夹命名为类别名称，如

类别文件：一行一个列表：class_name.txt
```
 (最后一行,请多回车一行)
```

A
B
C
D

修改配置文件的数据路径：configs/config.yaml

train_data: # 可添加多个数据集
  - 'data/dataset/train1' 
  - 'data/dataset/train2'
test_data: 'data/dataset/test'
class_name: 'data/dataset/class_name.txt'
...
...

3.人体检测模型

本项目人体检测训练代码请参考：行人检测(人体检测)2：YOLOv5实现人体检测(含人体检测数据集和训练代码)

4.吸烟(抽烟)分类模型训练

准备好吸烟(抽烟)识别数据后，接下来就可以开始训练吸烟识别分类模型了；项目模型支持resnet18,resnet34,resnet50, mobilenet_v2以及googlenet等常见的深度学习模型，考虑到后续我们需要将吸烟(抽烟)识别模型部署到Android平台中，因此项目选择计算量比较小的轻量化模型mobilenet_v2；如果不用端上部署，完全可以使用参数量更大的模型，如resnet50等模型。

整套工程项目基本结构如下：

.
├── classifier                 # 训练模型相关工具
├── configs                    # 训练配置文件
├── data                       # 训练数据
├── libs           
│   ├── convert                # 将模型转换为ONNX工具
│   ├── yolov5                 # 人体检测
│   ├── detector.py            # 人体检测demo
│   └── README.md               
├── demo.py              # demo
├── README.md            # 项目工程说明文档
├── requirements.txt     # 项目相关依赖包
└── train.py             # 训练文件

（1）项目安装

推荐使用Python3.8或Python3.7，更高版本可能存在版本差异问题，项目依赖python包请参考requirements.txt，使用pip安装即可：

numpy==1.16.3
matplotlib==3.1.0
Pillow==6.0.0
easydict==1.9
opencv-contrib-python==4.5.2.52
opencv-python==4.5.1.48
pandas==1.1.5
PyYAML==5.3.1
scikit-image==0.17.2
scikit-learn==0.24.0
scipy==1.5.4
seaborn==0.11.2
tensorboard==2.5.0
tensorboardX==2.1
torch==1.7.1+cu110
torchvision==0.8.2+cu110
tqdm==4.55.1
xmltodict==0.12.0
basetrainer
pybaseutils==0.6.5

项目安装教程请参考（初学者入门，麻烦先看完下面教程，配置好开发环境）：

项目开发使用教程和常见问题和解决方法

视频教程：1 手把手教你安装CUDA和cuDNN(1)

视频教程：2 手把手教你安装CUDA和cuDNN(2)

视频教程：3 如何用Anaconda创建pycharm环境

视频教程：4 如何在pycharm中使用Anaconda创建的python环境

推荐使用Python3.8或Python3.7，更高版本可能存在版本差异问题

（2）准备数据

下载吸烟(抽烟)识别数据集：smoking-dataset和smoking-video，https://blog.csdn.net/guyuealian/article/details/130337263

（3）吸烟(抽烟)识别分类模型训练(Pytorch)

项目在《Pytorch基础训练库Pytorch-Base-Trainer(支持模型剪枝分布式训练)》基础上实现了吸烟(抽烟)识别分类模型训练和测试，整套训练代码非常简单操作，用户只需要将相同类别的图片数据放在同一个目录下，并填写好对应的数据路径，即可开始训练了。

训练框架采用Pytorch，整套训练代码支持的内容主要有：

目前支持的backbone有：googlenet,resnet[18,34,50], ,mobilenet_v2等，其他backbone可以自定义添加

训练参数可以通过(configs/config.yaml)配置文件进行设置

修改配置文件的数据路径：configs/config.yaml：

train_data和test_data修改为自己的数据路径
注意数据路径分隔符使用【/】,不是【\】
项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！

# 训练数据集，可支持多个数据集(不要出现中文路径)
train_data:
  - 'path/to/smoking/smoking-person/smoking-dataset/trainval'
  - 'path/to/smoking/smoking-person/smoking-video'
# 测试数据集(不要出现中文路径)
test_data:
  - 'path/to/smoking/smoking-person/smoking-dataset/test'

# 类别文件
class_name: 'data/class_name.txt'
train_transform: "train"       # 训练使用的数据增强方法
test_transform: "val"          # 测试使用的数据增强方法
work_dir: "work_space/"        # 保存输出模型的目录
net_type: "mobilenet_v2"       # 骨干网络,支持：resnet18/50,mobilenet_v2,googlenet,inception_v3
width_mult: 1.0                # 模型宽度因子
input_size: [ 224,224 ]        # 模型输入大小
rgb_mean: [ 0.5, 0.5, 0.5 ]    # for normalize inputs to [-1, 1],Sequence of means for each channel.
rgb_std: [ 0.5, 0.5, 0.5 ]     # for normalize,Sequence of standard deviations for each channel.
batch_size: 128                # batch_size
lr: 0.01                       # 初始学习率
optim_type: "SGD"              # 选择优化器，SGD,Adam
loss_type: "CrossEntropyLoss"  # 选择损失函数：支持CrossEntropyLoss,LabelSmooth
momentum: 0.9                  # SGD momentum
num_epochs: 120                # 训练循环次数
num_warn_up: 0                 # warn-up次数
num_workers: 8                 # 加载数据工作进程数
weight_decay: 0.0005           # weight_decay，默认5e-4
scheduler: "multi-step"        # 学习率调整策略
milestones: [ 30,60,100 ]       # 下调学习率方式
gpu_id: [ 2 ]                  # GPU ID
log_freq: 50                   # LOG打印频率
progress: True                 # 是否显示进度条
pretrained: True               # 是否使用pretrained模型
finetune: False                # 是否进行finetune

开始训练，在终端输入：

python train.py -c configs/config.yaml

训练完成后，训练集的Accuracy在98.0%以上，测试集的Accuracy在95.0%左右

（4）可视化训练过程

训练过程可视化工具是使用Tensorboard，在终端(Terminal)输入命令：

使用教程，请参考：项目开发使用教程和常见问题和解决方法

# 需要安装tensorboard==2.5.0和tensorboardX==2.1
# 基本方法
tensorboard --logdir=path/to/log/
# 例如
tensorboard --logdir=work_space/mobilenet_v2_1.0_CrossEntropyLoss_20230313090258/log

可视化效果

（5）吸烟(抽烟)识别效果

训练完成后，训练集的Accuracy在95.5%以上，测试集的Accuracy在94.5%左右，下表给出已经训练好的三个模型，其中mobilenet_v2的准确率可以达到95.5607%，googlenet的准确率可以达到96.7290%，resnet18的准确率可以达到95.7944%

模型	input size	Test准确率
mobilenet_v2	224×224	95.5607%
googlenet	224×224	96.7290%
resnet18	224×224	95.7944%

```
测试图片文件
```

# 测试图片（Linux系统）
image_dir='data/test_image' # 测试图片的目录
model_file="data/pretrained/mobilenet_v2_1.0_224_224_CrossEntropyLoss_20230629161618/model/best_model_045_95.5607.pth" # 模型文件
out_dir="output/" # 保存检测结果
python demo.py --image_dir $image_dir --model_file $model_file --out_dir $out_dir

Windows系统，请将$image_dir， $model_file ，$out_dir等变量代替为对应的变量值即可，如

# 测试图片（Windows系统）
python demo.py --image_dir data/test_image --model_file data/pretrained/mobilenet_v2_1.0_224_224_CrossEntropyLoss_20230629161618/model/best_model_045_95.5607.pth --out_dir output/

```
测试视频文件
```

# 测试视频文件（Linux系统）
video_file="data/video-test.mp4" # 测试视频文件，如*.mp4,*.avi等
model_file="data/pretrained/mobilenet_v2_1.0_224_224_CrossEntropyLoss_20230629161618/model/best_model_045_95.5607.pth" # 模型文件
out_dir="output/" # 保存检测结果
python demo.py --video_file $video_file --model_file $model_file --out_dir $out_dir

# 测试视频文件（Windows系统）
python demo.py --video_file data/video-test.mp4 --model_file data/pretrained/mobilenet_v2_1.0_224_224_CrossEntropyLoss_20230629161618/model/best_model_045_95.5607.pth --out_dir output/

```
测试摄像头
```

# 测试摄像头（Linux系统）
video_file=0 # 测试摄像头ID
model_file="data/pretrained/mobilenet_v2_1.0_224_224_CrossEntropyLoss_20230629161618/model/best_model_045_95.5607.pth" # 模型文件
out_dir="output/" # 保存检测结果
python demo.py --video_file $video_file --model_file $model_file --out_dir $out_dir

# 测试摄像头（Windows系统）
python demo.py --video_file 0 --model_file data/pretrained/mobilenet_v2_1.0_224_224_CrossEntropyLoss_20230629161618/model/best_model_045_95.5607.pth  --out_dir output/

下面是吸烟(抽烟)检测和识别的效果展示：

（6）一些优化建议

如果想进一步提高模型的性能，可以尝试：

增加训练的样本数据： 建议根据自己的业务场景，采集相关数据，比如采集同一个吸烟和不吸烟的数据，提高模型泛化能力；

使用参数量更大的模型：本教程使用的是mobilenet_v2模型，属于比较轻量级的分类模型，采用更大的模型（如resnet50），理论上其精度更高，但推理速度也较慢。

尝试不同数据增强的组合进行训练

增加数据增强：已经支持：随机裁剪，随机翻转，随机旋转，颜色变换等数据增强方式，可以尝试诸如mixup，CutMix等更复杂的数据增强方式

样本均衡：原始数据吸烟识别类别数据并不均衡，类别notsmoking的样本数据偏多，而smoking数据偏少，这会导致训练的模型会偏向于样本数较多的类别。建议进行样本均衡处理。

清洗数据集：原始数据已经进行人工清洗了，但依然存在一些模糊的，低质的，模棱两可的样本；建议你，在训练前，再次清洗数据集，不然会影响模型的识别的准确率。

调超参：比如学习率调整策略，优化器（SGD,Adam等）

损失函数：目前训练代码已经支持：交叉熵，LabelSmoothing，可以尝试FocalLoss等损失函数

（7）一些运行错误处理方法

项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！！！！！！！！
cannot import name 'load_state_dict_from_url'

由于一些版本升级，会导致部分接口函数不能使用，请确保版本对应

torch==1.7.1

torchvision==0.8.2

或者将对应python文件将

from torchvision.models.resnet import model_urls, load_state_dict_from_url

修改为：

from torch.hub import load_state_dict_from_url
model_urls = {
    'mobilenet_v2': 'https://download.pytorch.org/models/mobilenet_v2-b0353104.pth',
    'resnet18': 'https://download.pytorch.org/models/resnet18-5c106cde.pth',
    'resnet34': 'https://download.pytorch.org/models/resnet34-333f7ec4.pth',
    'resnet50': 'https://download.pytorch.org/models/resnet50-19c8e357.pth',
    'resnet101': 'https://download.pytorch.org/models/resnet101-5d3b4d8f.pth',
    'resnet152': 'https://download.pytorch.org/models/resnet152-b121ed2d.pth',
    'resnext50_32x4d': 'https://download.pytorch.org/models/resnext50_32x4d-7cdf4587.pth',
    'resnext101_32x8d': 'https://download.pytorch.org/models/resnext101_32x8d-8ba56ff5.pth',
    'wide_resnet50_2': 'https://download.pytorch.org/models/wide_resnet50_2-95faca4d.pth',
    'wide_resnet101_2': 'https://download.pytorch.org/models/wide_resnet101_2-32ee1156.pth',
}

5.项目源码下载（Python版）

项目源码下载地址：Pytorch实现吸烟(抽烟)检测和识别(含吸烟(抽烟)数据集和训练代码)

整套项目源码内容包含：文章来源地址https://www.toymoban.com/news/detail-542841.html

提供吸烟(抽烟)识别分类数据集：smoking-dataset和smoking-video，总共15000+张图片。数据质量较高，可用于深度学习吸烟(抽烟)识别的项目分类模型算法开发。

提供吸烟(抽烟)识别分类模型训练代码：train.py

提供吸烟(抽烟)识别分类模型测试代码：demo.py

Demo支持图片，视频和摄像头测试

支持自定义数据集进行训练

项目支持模型：resnet18,resnet34,resnet50, mobilenet_v2以及googlenet等常见的深度学习模型

项目源码自带训练好的模型文件，可直接运行测试: python demo.py

在普通电脑CPU/GPU上可以实时检测和识别