基于Ultralytics训练的行人跌倒检测模型

模型介绍

YOLOv8 是来自 Ultralytics 的最新的基于 YOLO 的对象检测模型系列，提供最先进的性能。

模型结构

特征提取部分采用了一种名为CSPDarknet的网络结构，它是一种基于Darknet的改进版本。CSPDarknet采用了Cross Stage Partial Network（CSP）结构，将网络分为两个部分，每个部分都包含多个残差块。这种结构可以有效地减少模型的参数量和计算量，同时提高特征提取的效率。

目标检测部分采用了一种名为YOLOv4-Head的检测头结构。该结构包含了多个卷积层和池化层，用于对特征图进行处理和压缩。然后，通过多个卷积层和全连接层，将特征图转换为目标检测结果。YOLOv8采用了一种基于Anchor-Free的检测方式，即直接预测目标的中心点和宽高比例，而不是预测Anchor框的位置和大小。这种方式可以减少Anchor框的数量，提高检测速度和精度。

数据集

推荐使用一个行人跌倒数据集 ，可用于行人跌倒的检测与识别。

训练及推理

环境配置

训练环境如下：

• Windows11
• cuda:11.1
• pytorch:1.8.1+cu111

准备好环境后，先进入自己带pytorch的虚拟环境，安装 ultralytics 库

pip install ultralytics

训练

Ultralytics 模型的训练程序是train.py ，修改相应路径后，执行该python文件

预训练模型

在根目录下提供了一个预训练模型以及对应的onnx模型

fall_detect.pt —— #基于pytorch框架训练出的yolo预训练模型

fall_detect.onnx —— #由fall_detect.pt转换的onnx模型

测试

yolo模型用如下命令对新数据进行预测 ，source需要指定为自己的图像路径，或者摄像头（0）。

yolo task=detect mode=predict model=fall_detect.pt source=data/images device=0

名称	默认值	描述
source	‘ultralytics/assets’	图片或视频的源目录
save	False	是否保存结果
show	False	是否显示结果
save_txt	False	将结果保存为 .txt 文件
save_conf	False	保存带有置信度分数的结果
save_crop	Fasle	保存裁剪后的图像和结果
conf	0.3	置信度阈值
hide_labels	False	隐藏标签
hide_conf	False	隐藏置信度分数
vid_stride	False	视频帧率步幅
line_thickness	3	边界框厚度（像素）
visualize	False	可视化模型特征
augment	False	将图像增强应用于预测源
agnostic_nms	False	类别不可知的 NMS
retina_masks	False	使用高分辨率分割蒙版
classes	null	只显示某几类结果，如class=0, 或者 class=[0,2,3]

推理

我提供了基于ONNXruntime(ORT)的推理程序，版本依赖：

onnxruntime>= 1.14.0

ORT

TL.py 是基于ORT的的推理程序

性能和准确率数据

测试数据使用的是行人跌倒数据集

Engine	Model Path	Model Format	Accuracy(%)
ONNXRuntime	fall_detect.onnx	onnx	83.5

源码仓库及问题反馈

https://github.com/eRbAa/Fall-Detect

参考

https://blog.csdn.net/weixin_45921929/article/details/128673338

https://blog.csdn.net/qq_40553788/article/details/130666321