Yolos Tiny Hard Hat Detection

由 DunnBC22 开发

基于YOLOS-tiny微调的安全帽检测模型，用于职场安全监控场景中的目标检测任务。

目标检测

Transformers

英语

开源协议:Apache-2.0 #安全帽检测 #职场安全监控 #小目标检测

下载量 13

发布时间 : 8/4/2023

模型介绍

内容详情

替代品

模型简介

该模型是基于hustvl/yolos-tiny在安全帽检测数据集上微调的版本，主要用于检测图像或视频中人员是否佩戴安全帽，适用于建筑工地、工厂等需要安全防护的场所。

模型特点

高效检测

基于YOLOS-tiny架构优化，在保持较高检测精度的同时实现快速推理。

职场安全应用

专门针对安全帽检测场景优化，适用于建筑工地、工厂等安全监控需求。

多尺度检测

能够检测不同尺寸的目标，包括小、中、大型安全帽佩戴情况。

模型能力

图像目标检测

安全帽识别

实时监控分析

使用案例

职场安全监控

建筑工地安全监测

自动检测工地人员是否佩戴安全帽，预防安全事故。

在测试集上达到74.7%的AP@0.5准确率

工厂安全巡检

通过视频监控识别未佩戴安全帽的违规行为。

对大目标检测达到52.1%的AP@0.50:0.95

许可协议：apache-2.0
基础模型：hustvl/yolos-tiny
标签：

训练生成
职场安全
安全
数据集：
安全帽检测
模型索引：
名称：yolos-tiny-安全帽检测
结果：[]
语言：
英文
任务标签：目标检测

yolos-tiny-安全帽检测

该模型是基于hustvl/yolos-tiny在安全帽检测数据集上微调的版本。

模型描述

关于模型创建过程的更多信息，请查看以下链接：
https://github.com/DunnBC22/Vision_Audio_and_Multimodal_Projects/blob/main/Computer%20Vision/Object%20Detection/Hard%20Hat%20Detection/Hard_Hat_Object_Detection_YOLOS.ipynb

预期用途与限制

此模型旨在展示我运用技术解决复杂问题的能力。

训练与评估数据

数据集来源：https://huggingface.co/datasets/keremberke/hard-hat-detection

训练流程

训练超参数

训练过程中使用的超参数如下：

学习率：5e-05
训练批次大小：8
评估批次大小：8
随机种子：42
优化器：Adam（β1=0.9，β2=0.999，ε=1e-08）
学习率调度器类型：线性
训练轮次：8

训练结果

指标名称	IoU	区域	最大检测数	指标值
平均精度 (AP)	IoU=0.50:0.95	全部	最大检测=100	0.346
平均精度 (AP)	IoU=0.50	全部	最大检测=100	0.747
平均精度 (AP)	IoU=0.75	全部	最大检测=100	0.275
平均精度 (AP)	IoU=0.50:0.95	小目标	最大检测=100	0.128
平均精度 (AP)	IoU=0.50:0.95	中目标	最大检测=100	0.343
平均精度 (AP)	IoU=0.50:0.95	大目标	最大检测=100	0.521
平均召回率 (AR)	IoU=0.50:0.95	全部	最大检测=1	0.188
平均召回率 (AR)	IoU=0.50:0.95	全部	最大检测=10	0.484
平均召回率 (AR)	IoU=0.50:0.95	全部	最大检测=100	0.558
平均召回率 (AR)	IoU=0.50:0.95	小目标	最大检测=100	0.320
平均召回率 (AR)	IoU=0.50:0.95	中目标	最大检测=100	0.538
平均召回率 (AR)	IoU=0.50:0.95	大目标	最大检测=100	0.743