跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)

 

目录

跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)

1. 前言

2. 跌倒检测数据集说明

（1）跌倒检测数据集

（2）自定义数据集

3. 基于YOLOv5的跌倒检测模型训练

（1）YOLOv5安装 

（2）准备Train和Test数据

（3）配置数据文件

（4）配置模型文件

（5）重新聚类Anchor（可选）

（6）开始训练

（7）可视化训练过程

（8）常见的错误

4. Python版本跌倒检测效果

5. Android版本跌倒检测和识别效果

6.项目源码下载

---

1. 前言

这是项目《跌倒检测和识别》系列之《YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)》；项目基于开源YOLOv5项目，实现一个高精度的跌倒检测算法（Fall Down Detection），可实现检测人体的up(站立)，bending(弯腰,蹲下)和down(躺下，摔倒)三种状态；

目前，基于YOLOv5s的跌倒检测精度平均值mAP_0.5:0.95=0.73693。为了能部署在手机Android平台上，本人对YOLOv5s进行了简单的模型轻量化，并开发了一个轻量级的版本yolov5s05_416和yolov5s05_320模型；轻量化模型在普通Android手机上可以达到实时的检测效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。下表格给出轻量化模型的计算量和参数量以及其检测精度mAP

模型	input-size	params(M)	GFLOPs	mAP_0.5:0.95
yolov5s	640×640	7.2	16.5	0.73693
yolov5s05	416×416	1.7	1.8	0.50567
yolov5s05	320×320	1.7	1.1	0.44821

先展示一下跌倒检测和识别效果（三种状态up,bending和down）：

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/130250738

---

更多项目《跌倒检测和识别》系列文章请参考：

1. 跌倒检测和识别1：跌倒检测数据集(含下载链接):https://blog.csdn.net/guyuealian/article/details/130184256
2. 跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/130250738

3. 跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)：https://blog.csdn.net/guyuealian/article/details/130250824

4. 跌倒检测和识别4：C++实现跌倒检测(含源码，可实时跌倒检测)：https://blog.csdn.net/guyuealian/article/details/130250838

---

2. 跌倒检测数据集说明

（1）跌倒检测数据集

目前收集了约4000的跌倒检测数据集和26000+跌倒分类数据集，关于跌倒检测数据集说明，请参考：跌倒检测和识别1：跌倒检测数据集(含下载链接)

 

（2）自定义数据集

如果需要增/删类别数据进行训练，或者需要自定数据集进行训练，可参考如下步骤：

1. 采集图片，建议不少于2000张图片
2. 使用Labelme等标注工具，对目标进行拉框标注：labelme工具：GitHub - wkentaro/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation).
3. 将标注格式转换为VOC数据格式，参考工具：labelme/labelme2voc.py at main · wkentaro/labelme · GitHub
4. 生成训练集train.txt和验证集val.txt文件列表
5. 修改engine/configs/voc_local.yaml的train和val的数据路径
6. 重新开始训练

​​​

---

3. 基于YOLOv5的跌倒检测模型训练

（1）YOLOv5安装 

训练Pipeline采用YOLOv5: GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite , 原始官方代码训练需要转换为YOLO的格式，不支持VOC的数据格式。为了适配VOC数据，本人新增了LoadVOCImagesAndLabels用于解析VOC数据集，以便正常训练。另外，为了方便测试，还增加demo.py文件，可支持对图片,视频和摄像头的测试。

Python依赖环境，使用pip安装即可，项目代码都在Ubuntu系统和Windows系统验证正常运行，请放心使用；若出现异常，大概率是相关依赖包版本没有完全对应

matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
Pillow
PyYAML>=5.3.1
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0
tensorboard>=2.4.1
seaborn>=0.11.0
pandas
thop  # FLOPs computation
pybaseutils==0.7.0

 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

（2）准备Train和Test数据

下载跌倒检测数据集， 请参考：跌倒检测和识别1：跌倒检测数据集(含下载链接)

（3）配置数据文件

• 修改训练和测试数据的路径（项目路径不要出现中文字符，否则会出现很多异常）：engine/configs/voc_local.yaml

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
# 数据路径
path: ""  # dataset root dir

train:
  - '/home/fall/Fall-Down-Det-v1/train/train.txt'
  - '/home/fall/Fall-Down-Det-v2/train.txt'

val:
  - '/home/fall/Fall-Down-Det-v1/test/test.txt'

test:  # test images (optional)
data_type: voc

# 1.设置类别个数，和要训练的类别名称，ID号从0开始递增
nc: 3  # number of classes
names: { 'up': 0, 'bending': 1, 'down': 2 }

# 2.如果你想合并所有类别为一个大类，进行训练： unique表示合并所有类为单独一个类别
#nc: 1  # number of classes
#names: { "unique": 0 }

（4）配置模型文件

官方YOLOv5给出了YOLOv5l,YOLOv5m,YOLOv5s等模型。考虑到手机端CPU/GPU性能比较弱鸡，直接部署yolov5s运行速度十分慢。所以本人在yolov5s基础上进行模型轻量化处理，即将yolov5s的模型的channels通道数全部都减少一半，并且模型输入由原来的640×640降低到416×416或者320×320，该轻量化的模型我称之为yolov5s05。轻量化后的模型yolov5s05比yolov5s计算量减少了16倍，参数量减少了7倍。下面是yolov5s05和yolov5s的参数量和计算量对比：

模型	input-size	params(M)	GFLOPs
yolov5s	640×640	7.2	16.5
yolov5s05	416×416	1.7	1.8
yolov5s05	320×320	1.7	1.1

 

 

 

（5）重新聚类Anchor（可选）

官方yolov5s的Anchor是基于COCO数据集进行聚类获得（详见models/yolov5s.yaml文件）

 ​​​ 

考虑到跌倒检测数据集，目标框几乎都是竖状的矩形框；原始Anchor是在输入640×640聚类获得的，直接复用原始COCO的Anchor效果可能不太好；因此，这需要我们根据已有的数据集的标注框进行重新聚类获得新的Anchor；这里为了简单，yolov5s直接复用原始Anchor，而yolov5s05_416和yolov5s05_320由于输入分辨率变小，其Anchor也进行等比例缩小，下表给出yolov5s，yolov5s05_416和yolov5s05_320重新调整后Anchor结果：

yolov5s.yaml	yolov5s05_416.yaml	yolov5s05_320.yaml
​​	​​	​​

一点建议：

• 官方yolov5s的Anchor是基于COCO数据集进行聚类获得，不同数据集需要做适当的调整，其最优Anchor建议重新进行聚类 。
• 当然你要是觉得麻烦就跳过，不需要重新聚类Anchor，这个影响不是特别大。如果你需要重新聚类，请参考engine/kmeans_anchor/demo.py文件

（6）开始训练

整套训练代码非常简单操作，用户只需要填写好对应的数据路径，即可开始训练了。

• 修改训练超参文件： data/hyps/hyp.scratch-v1.yaml （可以修改训练学习率，数据增强等方式，使用默认即可，可不修改）
• Linux系统终端运行，训练yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可)

#!/usr/bin/env bash

#--------------训练yolov5s--------------
# 输出项目名称路径
project="runs/yolov5s_640"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="models/yolov5s.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 640 --workers 12 --project $project


#--------------训练轻量化版本yolov5s05_416--------------
# 输出项目名称路径
project="runs/yolov5s05_416"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="models/yolov5s05_416.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 64 --imgsz 416 --workers 12 --project $project


#--------------训练轻量化版本yolov5s05_320--------------
# 输出项目名称路径
project="runs/yolov5s05_320"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="models/yolov5s05_320.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 64 --imgsz 320 --workers 12 --project $project

• Windows系统终端运行，训练yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可) 

#!/usr/bin/env bash

#--------------训练yolov5s--------------
python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 640 --workers 12 --project runs/yolov5s_640


#--------------训练轻量化版本yolov5s05_416--------------
python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s05_416.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 64 --imgsz 416 --workers 12 --project runs/yolov5s05_416



#--------------训练轻量化版本yolov5s05_320--------------
python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s05_320.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 64 --imgsz 320 --workers 12 --project runs/yolov5s05_320

• 开始训练：

​​​

• 训练数据量比较大，训练时间比较长，请耐心等待哈
• 训练完成后，在模型输出目录中有个results.csv文件，记录每个epoch测试的结果，如loss,mAP等信息

训练模型收敛后，yolov5s跌倒检测的mAP指标大约mAP_0.5=0.73693；而，yolov5s05_416 mAP_0.5=0.50567左右；yolov5s05_320 mAP_0.5=0.44821左右；

轻量化后的模型yolov5s05比yolov5s计算量减少了16倍，参数量减少了7倍；相比而言，yolov5s05比yolov5s mAP减低了近30%，对于性能比较弱鸡的手机而言，这个精度是还是可以接受的。

模型	input-size	params(M)	GFLOPs	mAP_0.5:0.95
yolov5s	640×640	7.2	16.5	0.73693
yolov5s05	416×416	1.7	1.8	0.50567
yolov5s05	320×320	1.7	1.1	0.44821

（7）可视化训练过程

训练过程可视化工具是使用Tensorboard，使用方法，在终端输入：

# 基本方法
tensorboard --logdir=path/to/log/
# 例如
tensorboard --logdir=./data/model/yolov5s_640

​​​

​​​

​​​

​​​

  当然，在输出目录，也保存很多性能指标的图片

• 这是训练epoch的可视化图，可以看到mAP随着Epoch训练，逐渐提高（见result.png）

 

• 这是每个类别的F1-Score分数（见F1_curve.png）

​​​

• 这是模型的PR曲线（见PR_curve.png）

​​​

 

• 这是混淆矩阵（见confusion_matrix.png）：

​​​

（8）常见的错误

• YOLOv5 BUG修复记录
•  项目安装教程请参考：项目开发使用教程和常见问题和解决方法
• 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！！！！！！！！

---

 

4. Python版本跌倒检测效果

demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试图片即可运行测试了

• 测试图片

# 测试图片（Linux系统）
image_dir='data/test_image' # 测试图片的目录
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/test-result" # 保存检测结果
python demo.py --image_dir $image_dir --weights $weights --out_dir $out_dir

Windows系统，请将$image_dir， $weights ，$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 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/test-result

• 测试视频文件

# 测试视频文件（Linux系统）
video_file="data/test-video.mp4" # path/to/video.mp4 测试视频文件，如*.mp4,*.avi等
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/test-result" # 保存检测结果
python demo.py --video_file $video_file --weights $weights --out_dir $out_dir

# 测试视频文件（Windows系统）
python demo.py --video_file data/test-video.mp4 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/test-result

 

•  测试摄像头

# 测试摄像头（Linux系统）
video_file=0 # 测试摄像头ID
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/test-result" # 保存检测结果
python demo.py --video_file $video_file --weights $weights --out_dir $out_dir

# 测试摄像头（Windows系统）
python demo.py --video_file 0 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/test-result

先展示一下跌倒检测效果：

 

 

 如果想进一步提高模型的性能，可以尝试：

1. ​增加训练的样本数据（重点）： 目前跌倒检测数据集总共仅有4000左右的图片，数据量实在有点少，可增加采集并标注数据，提高模型泛化能力
2. 建议根据自己的业务场景，采集相关数据进行训练，理论上，固定场景，固定摄像头角度，也可以提高模型的检测精度
3. 本项目将跌倒分为三种状态：up,bending和down，真实业务中可能只需要检测跌倒状态即可(down)，可以简化模型只预测down的检测框
4. 使用参数量更大的模型： 本教程使用的YOLOv5s，其参数量才7.2M，而YOLOv5x的参数量有86.7M，理论上其精度更高，但推理速度也较慢。
5. 尝试不同数据增强的组合进行训练

 

---

5. Android版本跌倒检测和识别效果

已经完成Android版本跌倒检测和识别算法开发，APP在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。详细说明请查看：参考文章：跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)：https://blog.csdn.net/guyuealian/article/details/130250824

Android Demo体验：https://download.csdn.net/download/guyuealian/87707747

     

---

6.项目源码下载

整套项目源码内容包含：跌倒检测数据集 + YOLOv5训练代码和测试代码

整套项目下载地址：跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)

（1）跌倒检测数据集：

1. 跌倒检测数据集：Fall-Down-Det-v1和Fall-Down-Det-v2，总共约4000张图片
2. 跌倒分类数据集：Fall-Down-Cls-v1，Fall-Down-Cls-v2和Fall-Down-Cls-v3，总共26000+张图片
3. 数据集详细说明，请查看：跌倒检测和识别1：跌倒检测数据集(含下载链接)

（2）YOLOv5训练代码和测试代码（Pytorch）

1. 整套YOLOv5项目工程，含训练代码train.py和测试代码demo.py
2. 支持高精度版本yolov5s训练和测试
3. 支持轻量化版本yolov5s05_320和yolov5s05_416训练和测试
4. 根据本篇博文说明，简单配置即可开始训练：train.py
5. 源码包含了训练好的yolov5s,yolov5s05_416和yolov5s05_320模型，配置好环境，可直接运行demo.py
6. 测试代码demo.py支持图片，视频和摄像头测试

 Android跌倒检测APP Demo体验：https://download.csdn.net/download/guyuealian/87707747