pengxiang1998的博客

本文介绍了千人千面安全规范考核系统的算法实现，该系统包含安全帽、工作服及绝缘手套佩戴检测等功能，采用YOLO系列算法结合目标检测、姿态估计等技术。系统使用Ultralytics框架进行模型训练，并转换为ONNX/TFLite格式部署。环境配置基于Python 3.10，依赖ONNX Runtime、FastAPI等工具。项目提供两种运行方式：直接执行main.py或通过FastAPI接口调用（端口16566）。该系统实现了安全装备智能检测的算法集成与部署方案。

本文提出了一种基于姿态估计和图像分类的头发长度检测方法。首先利用姿态估计算法提取人体关键点，通过耳朵和肩膀位置确定颈部ROI区域。然后构建一个二分类数据集（合格/不合格），并使用数据增强技术扩充样本。最后训练YOLO衍生的分类模型进行判断。该方法相比传统目标检测方案，计算效率更高，且能充分利用已有姿态估计结果。实验表明，该方法在头发长度检测任务上取得了良好效果。

在前面的目标检测、实例分割的学习中，我们多是对单张图像进行处理，而事实上在我们的实际应用中多数需要对视频进行操作，当然这个操作也是讲视频转换为一帧帧的图像，但博主发现在这个算法平台中，针对视频的处理多调用track方法，即跟踪算法，比如在车辆测速、车辆测距等应用中，那么跟踪算法到底是如何实现的呢，这便是我们今天要学习的内容。

在前面学习YOLOv8时，博主对如何将坐标点转换为mask特征图较为疑惑，因此自己尝试一下。

CFINet是基于MMDetection框架开发的一款由粗略到精细的两阶段目标检测算法，该算法是在Faster-RCNN模型基础上实现的，下面开始其调试过程。

而我们在使用过程中，通常会对某些类别进行合并，将Car，Van，Truck，Tram统一划分为Car，将Pedestrian与Person_setting统一设置为Pedestrian，保留Cyclist，去除Misc。数据集划分完成后需要将YOLO格式转换为COCO格式(JSON），即需要生成一个类别文件，里面标注的是类别名称，记得要与YOLO的类别编号一致。一个txt文件对应一张图像，内容如下，分别对应类别，中心点坐标xy，标注框宽高wh。最终生成的数据集格式为txt，标注为YOLO格式。

在进行去雨去雾去雪算法实验时，需要注意几个参数设置，num_workers只能设置为0，否则会报各种稀奇古怪的错误。格式的，查询了一番得知该文件是通过。执行这个命令后会读取所有的。文件，从而生成对应的曲线。此外，发现生成的文件是。

前面完成了基于知识蒸馏的去雨去雪去雾模型大的部署与训练，下面则进行代码的学习。使用的方式进行代码的学习。首先是网络结构展示：轻易不要打开，这个模型太复杂了。说到底倒不是多复杂，就是层数太多了首先进入训练模式，又称知识收集训练阶段：声明所需要的损失函数，（协作知识迁移模型）的训练模式 的详细结构如下：criterions的结构，其定义的是损失函数，分别是损失，损失以及损失可以看到教师网络就是将先前的Net网络复制了3份，只是加载不同权重而已。即三个model。继续训练进入评估模块：加载模型，

上一篇博文中我们介绍了知识蒸馏的一些基础知识，这里我们来学习其到底是如何完成知识蒸馏过程的。

最近在学习降噪处理不良天气的算法过程中，接触到了知识蒸馏，该算法作为一个深度学习通用算法，不仅广泛应用在自然语言处理方面，在计算机视觉等领域也广受追捧。

在进行实验过程中，需要完成对雪天图像的处理，其中一个主要操作为去雪。相较于去雾，去雨模型，去雪模型相对较少，因此在研究时所能够借鉴的资料有限，这对我们的研究造成了一定困扰。