文件夹内容简介

由于各模型的文件过于庞大，高达40MB，所以已上传到网盘上，请先在这里下载，然后解压缩在code的文件夹里头。 文件夹的排法请务必根据一下方式进行整理：

下面介绍一下主要的几个子文件夹。

SSD model

其中为SSD模型的训练与测试所需的所有代码，这里不包含训练数据。

Faster-RCNN

其中为Faster-RCNN模型的训练与测试的ipynb文件，也有摄像头实时目标检测的文件，不包含训练数据。

Focal-Loss

其中为Focal-Loss模型的训练与测试的ipynb文件，不包含训练数据。

test-images

这里提供十张照片供各模型测试。

环境配置

SSD model

此一模型原在无GPU的mac笔电、python 3.6的环境运行，请先在terminal运行以下code。

pip install tensorflow-cpu==1.15  -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install keras  -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install python-opencv  -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install -r requirements.txt

Faster-RCNN & Focal-Loss

这里主要使用的是ipynb文件，是基于google colab线上jupyter notebook开发出来的。主要是用方法有二，一是直接连接到google colab的文件去运行，二是在裸机搭配出与google colab相匹配的环境去运行。若是使用方法一的话，裸机无需装配任何函数库，也无需什么GPU，因此这里优先推荐方法一。

google colab运行

google colab的环境搭配都在ipynb的前面部分完成，只要逐步运行就行，若要使用google colab运行，这里不必再配置环境，只需要点击下面会提供的链接，就可以开启了。

若只是要检测成果，打开链接以后，可以点击主项目栏上的"File"，然后点击"Open in Playground"就可以正常运行了。

若要做编辑，则需要File > Save a copy in GitHub或者 Save a copy in drive。后者会需要用到google云盘。

裸机运行

先装 dependencies

此一模型原在Google-colab、Python 3.6.9的环境运行，请先在terminal运行以下code。

pip install -U torch==1.5 torchvision==0.6 -f https://download.pytorch.org/whl/cu101/torch_stable.html

pip install cython pyyaml==5.1

pip install -U 'git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI'

pip install numpy==1.18.5

pip install google-colab

pip install jsonschema==2.6.0

pip install tensorflow==2.2.0

pip install zipfile36

Build Detectron2 from Source

这里的讯息采自 Detectron2，欲知更多详情，请参阅这一网站。 gcc & g++ ≥ 5 are required. ninja is recommended for faster build.

After having them, run:

python -m pip install 'git+https://github.com/facebookresearch/detectron2.git'

# (add --user if you don't have permission)

# Or, to install it from a local clone:

git clone https://github.com/facebookresearch/detectron2.git

python -m pip install -e detectron2

# Or if you are on macOS

# CC=clang CXX=clang++ python -m pip install -e .

To rebuild detectron2 that's built from a local clone, use rm -rf build/ **/*.so to clean the old build first. You often need to rebuild detectron2 after reinstalling PyTorch.

Install Pre-Built Detectron2 (Linux only)

Choose from this table:

python -m pip install detectron2 -f \

https://dl.fbaipublicfiles.com/detectron2/wheels/cu102/torch1.5/index.html

python -m pip install detectron2 -f \

https://dl.fbaipublicfiles.com/detectron2/wheels/cu101/torch1.5/index.html

python -m pip install detectron2 -f \

https://dl.fbaipublicfiles.com/detectron2/wheels/cu101/torch1.4/index.html

python -m pip install detectron2 -f \

https://dl.fbaipublicfiles.com/detectron2/wheels/cu100/torch1.4/index.html

python -m pip install detectron2 -f \

https://dl.fbaipublicfiles.com/detectron2/wheels/cu92/torch1.5/index.html

python -m pip install detectron2 -f \

https://dl.fbaipublicfiles.com/detectron2/wheels/cu92/torch1.4/index.html

python -m pip install detectron2 -f \

https://dl.fbaipublicfiles.com/detectron2/wheels/cpu/torch1.5/index.html

python -m pip install detectron2 -f \

https://dl.fbaipublicfiles.com/detectron2/wheels/cpu/torch1.4/index.html

Note that:

1. The pre-built package has to be used with corresponding version of CUDA and official PyTorch release. It will not work with a different version of PyTorch or a non-official build of PyTorch.

2. Such installation is out-of-date w.r.t. master branch of detectron2. It may not be compatible with the master branch of a research project that uses detectron2 (e.g. those in projects or meshrcnn).

数据下载与整理

这部分将会引导您如何下载、整理数据，以让各模型能够顺利进行训练，来还原我们的成果。

数据准备（给训练用）

SSD

AIZOO数据集 其中包含train训练数据和val测试数据在config/maskface.yaml文件中，修改

trainset_path: '/Dataset/FaceMaskNew/train' [AIZOO数据集中train训练数据的路径]

valset_path: '/Dataset/FaceMaskNew/val' [AIZOO数据集中val训练数据的路径]

为你的训练集和测试集路径

Faster RCNN & Focal Loss

无需另外下载，只要成功运行code，即会自动下载

数据格式转换

这里介绍我们如何作数据格式转换。

VOC2COCO

这里会运行的code是把原数据集voc的格式整理、转换成可供Faster-RCNN以及Focal Los使用的COCO格式。如您已经用terminal cd到已经解压的文件里头之后，请cd到test-images里。

cd code/test-images

然后再运行这一python 文件。

python voc2coco.py

训练模型

这部分将会引导您如何训练各种模型，各模型的epoch数都已经调到合适的数量，适合作快速检测。

SSD

1. cd 拖入SSD model文件夹
2. 运行 python train.py
3. 模型结构和训练好的模型参数存储在SSD model/models 中已经将训练好的模型放入，只需测试即可得到测试结果。

Faster RCNN

可使用google colab运行faster_RCNN.ipynb，请点击此链接，会连接到我们的google云盘的google colab文件，即可逐步运行。(推荐)

or

使用 jupyter notebook开启Faster-RCNN/faster_RCNN.ipynb，逐步运行。

Focal Loss

可使用google colab运行Focal_Loss.ipynb，请点击此链接，会连接到我们的google云盘的google colab文件，即可逐步运行。(推荐)

or

使用 jupyter notebook开启Focal-Loss/Focal_Loss.ipynb，逐步运行。

测试模型

这部分将会引导您如何使用各种模型作测试，这里会有三个模型个别作图形检测，以及一个用Faster RCNN来做摄像头实时检测的示范。

图片测试

这里会让模型对test-images里的十张图片进行检测，这里的十张照片有五张是口罩，有五张是没口罩的，包含各种难易度，运行完毕，你就可以大概看出一个高下。

SSD

将测试test-images/中的10张图片，请运行

python test.py

得到测试结果将在原图中显示是否存在口罩。 运行test.py后将生成label .txt文件保存在mAP/samples/test10/detection/中
且mAP/samples/test10/groundtruth/保存了真实label
运行mAP/samples/test10/test10.py 将得到两类的AP值与Precision-Recall Curve

Faster RCNN

可使用google colab运行Test_10_images_with_Faster_RCNN.ipynb，请点击此链接，会连接到我们的google云盘的google colab文件，即可逐步运行。(推荐)

or

使用 jupyter notebook开启 Faster-RCNN/Test_10_images_with_Faster_RCNN.ipynb，逐步运行。

Focal Loss

可使用google colab运行Test_10_images_with_Focal_Loss.ipynb，请点击此链接，会连接到我们的google云盘的google colab文件，即可逐步运行。(推荐)

or

使用 jupyter notebook开启 Focal-Loss/Test_10_images_with_Focal_Loss.ipynb，逐步运行。

摄像头实时检测

可使用google colab运行webcam_with_Faster_RCNN.ipynb，请点击此链接，会连接到我们的google云盘的google colab文件，即可逐步运行。