hardhat_detect_yolov5
uisikdag
Detección de objetos
Detector de cascos de seguridad con YOLOv5. Este modelo es capaz de detectar cascos en imágenes utilizando la arquitectura YOLOv5, basado en PyTorch. Ideal para aplicaciones en visión por computadora y tareas de detección de objetos. Cuenta con integración de TensorBoard para monitoreo de métricas de entrenamiento y evaluación.
Como usar
Cómo usar el modelo:
pip install -U yolov5
Cargar el modelo y realizar predicciones:
import yolov5
# cargar el modelo
model = yolov5.load('uisikdag/hardhat')
# configurar parámetros del modelo
model.conf = 0.25 # umbral de confianza NMS
model.iou = 0.45 # umbral IoU NMS
model.agnostic = False # NMS clase-agnóstica
model.multi_label = False # NMS múltiples etiquetas por caja
model.max_det = 1000 # número máximo de detecciones por imagen
# establecer imagen
img = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'
# realizar inferencia
results = model(img, size=640)
# inferencia con augmentación en tiempo de prueba
results = model(img, augment=True)
# interpretar resultados
predictions = results.pred[0]
boxes = predictions[:, :4] # x1, y1, x2, y2
scores = predictions[:, 4]
categories = predictions[:, 5]
# mostrar los cuadros de detección en la imagen
results.show()
# guardar resultados en la carpeta 'results/'
results.save(save_dir='results/')
Entrenar el modelo en tu propio conjunto de datos:
yolov5 train --data data.yaml --img 640 --batch 16 --weights uisikdag/hardhat --epochs 10
Funcionalidades
- Detección de objetos
- Compatible con PyTorch
- Basado en YOLOv5
- Soporte para TensorBoard
- Ajustes de parámetros del modelo como confianza, IoU, y etiquetas múltiples
- Capacidad de guardar resultados de la detección
Casos de uso
- Detección de cascos de seguridad en entornos de construcción
- Cumplimiento de normas de seguridad en entornos industriales
- Monitoreo en tiempo real en obras