网站收录怎么设置陕西建设网网站集群

网站收录怎么设置,陕西建设网网站集群,常德网站设计公司,西安市做网站公司随着公共安全问题的日益突出#xff0c;特别是在公共场所如机场、车站、学校等地#xff0c;持刀等危险行为频发#xff0c;对人们的生命财产安全构成严重威胁。传统的监控手段往往依赖于人工观察#xff0c;但这种方式不仅效率低下#xff0c;而且容易漏报和误报。因此特别是在公共场所如机场、车站、学校等地持刀等危险行为频发对人们的生命财产安全构成严重威胁。传统的监控手段往往依赖于人工观察但这种方式不仅效率低下而且容易漏报和误报。因此开发一种高效、准确的持刀检测系统显得尤为重要。基于YOLOv11的持刀检测系统应运而生。YOLOv11是YOLOYou Only Look Once系列的最新版本以其卓越的准确性、速度和效率在目标检测领域崭露头角。该系统利用YOLOv11的先进算法能够实时识别并定位视频中的持刀行为。在系统的实现过程中首先需要收集并标注包含持刀行为的视频数据集。这些数据集应涵盖不同的场景、角度和光照条件以确保模型的泛化能力。随后利用YOLOv11的模型架构进行训练通过优化网络权重使模型能够准确识别出视频中的持刀行为。该系统具有多种优势。首先它能够实现高效的实时监控确保在复杂场景下也能快速响应。其次YOLOv11的算法优化使得系统在保持高准确率的同时降低了计算复杂度提高了运行效率。此外该系统还具有良好的鲁棒性能够应对不同光照、角度和遮挡等条件下的检测任务。在实际应用中该系统可以广泛应用于公共场所的安全监控中有效预防持刀等危险行为的发生。同时它还可以与其他安防系统相结合形成更加完善的公共安全防范体系。总之基于YOLOv11的持刀检测系统为公共安全提供了新的技术手段有望在未来得到更广泛的应用和推广。【效果展示】【测试环境】windows10 x64系统VS2019netframework4.7.2opencvsharp4.9.0onnxruntime1.22.0【训练数据集介绍】数据集格式Pascal VOC格式YOLO格式(不包含分割路径的txt文件仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)12958标注数量(xml文件个数)12958标注数量(txt文件个数)12958标注类别数1标注类别名称(注意yolo格式类别顺序不和这个对应而以labels文件夹classes.txt为准):[knife]每个类别标注的框数knife 框数 13180总框数13180使用标注工具labelImg标注规则对类别进行画矩形框重要说明暂无特别声明本数据集不对训练的模型或者权重文件精度作任何保证数据集只提供准确且合理标注图片预览标注例子【训练信息】参数值训练集图片数11662验证集图片数1296训练map96.2%训练精度(Precision)93.9%训练召回率(Recall)93.9%【模型可检测出1类】knife【界面代码】using DeploySharp.Data; using OpenCvSharp; using System; using System.Collections.Generic; using System.ComponentModel; using System.Data; using System.Diagnostics; using System.Drawing; using System.IO; using System.Linq; using System.Text; using System.Threading; using System.Threading.Tasks; using System.Windows.Forms; namespace FIRC { public partial class Form1 : Form { public bool videoStart false;//视频停止标志 string weightsPath Application.StartupPath \\weights;//模型目录 YoloDetector detetor new YoloDetector();//推理引擎 public Form1() { InitializeComponent(); CheckForIllegalCrossThreadCalls false;//线程更新控件不报错 } private void LoadWeightsFromDir() { var di new DirectoryInfo(weightsPath); foreach(var fi in di.GetFiles(*.onnx)) { comboBox1.Items.Add(fi.Name); } if(comboBox1.Items.Count0) { comboBox1.SelectedIndex 0; } else { tssl_show.Text 未找到模型,请关闭程序放入模型到weights文件夹!; tsb_pic.Enabled false; tsb_video.Enabled false; tsb_camera.Enabled false; } } private void Form1_Load(object sender, EventArgs e) { LoadWeightsFromDir();//从目录加载模型 } public string GetResultString(DetResult[] result) { Dictionarystring, int resultDict new Dictionarystring, int(); for (int i 0; i result.Length; i) { if(resultDict.ContainsKey( result[i].Category) ) { resultDict[result[i].Category]; } else { resultDict[result[i].Category] 1; } } var resultStr ; foreach(var item in resultDict) { resultStr string.Format({0}:{1}\r\n,item.Key,item.Value); } return resultStr; } private void tsb_pic_Click(object sender, EventArgs e) { OpenFileDialog ofd new OpenFileDialog(); ofd.Filter *.*|*.bmp;*.jpg;*.jpeg;*.tiff;*.tiff;*.png; if (ofd.ShowDialog() ! DialogResult.OK) return; tssl_show.Text 正在检测中...; Task.Run(() { var sw new Stopwatch(); sw.Start(); Mat image Cv2.ImRead(ofd.FileName); detetor.SetParams(Convert.ToSingle(numericUpDown1.Value), Convert.ToSingle(numericUpDown2.Value)); var resultsdetetor.Inference(image); var resultImage detetor.DrawImage(image, results); sw.Stop(); pb_show.Image OpenCvSharp.Extensions.BitmapConverter.ToBitmap(resultImage); tb_res.Text GetResultString(results); tssl_show.Text 检测已完成!总计耗时sw.Elapsed.TotalSeconds秒; }); } public void VideoProcess(string videoPath) { Task.Run(() { detetor.SetParams(Convert.ToSingle(numericUpDown1.Value), Convert.ToSingle(numericUpDown2.Value)); VideoCapture capture new VideoCapture(videoPath); if (!capture.IsOpened()) { tssl_show.Text视频打开失败!; return; } Mat frame new Mat(); var sw new Stopwatch(); int fps 0; while (videoStart) { capture.Read(frame); if (frame.Empty()) { Console.WriteLine(data is empty!); break; } sw.Start(); var results detetor.Inference(frame); var resultImg detetor.DrawImage(frame,results); sw.Stop(); fps Convert.ToInt32(1 / sw.Elapsed.TotalSeconds); sw.Reset(); Cv2.PutText(resultImg, FPS fps, new OpenCvSharp.Point(30, 30), HersheyFonts.HersheyComplex, 1.0, new Scalar(255, 0, 0), 3); //显示结果 pb_show.Image OpenCvSharp.Extensions.BitmapConverter.ToBitmap(resultImg); tb_res.Text GetResultString(results); Thread.Sleep(5); } capture.Release(); pb_show.Image null; tssl_show.Text 视频已停止!; tsb_video.Text 选择视频; }); } public void CameraProcess(int cameraIndex0) { Task.Run(() { detetor.SetParams(Convert.ToSingle(numericUpDown1.Value), Convert.ToSingle(numericUpDown2.Value)); VideoCapture capture new VideoCapture(cameraIndex); if (!capture.IsOpened()) { tssl_show.Text 摄像头打开失败!; return; } Mat frame new Mat(); var sw new Stopwatch(); int fps 0; while (videoStart) { capture.Read(frame); if (frame.Empty()) { Console.WriteLine(data is empty!); break; } sw.Start(); var results detetor.Inference(frame); var resultImg detetor.DrawImage(frame, results); sw.Stop(); fps Convert.ToInt32(1 / sw.Elapsed.TotalSeconds); sw.Reset(); Cv2.PutText(resultImg, FPS fps, new OpenCvSharp.Point(30, 30), HersheyFonts.HersheyComplex, 1.0, new Scalar(255, 0, 0), 3); //显示结果 pb_show.Image OpenCvSharp.Extensions.BitmapConverter.ToBitmap(resultImg); tb_res.Text GetResultString(results); Thread.Sleep(5); } capture.Release(); pb_show.Image null; tssl_show.Text 摄像头已停止!; tsb_camera.Text 打开摄像头; }); } private void tsb_video_Click(object sender, EventArgs e) { if(tsb_video.Text选择视频) { OpenFileDialog ofd new OpenFileDialog(); ofd.Filter 视频文件(*.*)|*.mp4;*.avi; if (ofd.ShowDialog() ! DialogResult.OK) return; videoStart true; VideoProcess(ofd.FileName); tsb_video.Text 停止; tssl_show.Text 视频正在检测中...; } else { videoStart false; } } private void tsb_camera_Click(object sender, EventArgs e) { if (tsb_camera.Text 打开摄像头) { videoStart true; CameraProcess(0); tsb_camera.Text 停止; tssl_show.Text 摄像头正在检测中...; } else { videoStart false; } } private void tsb_exit_Click(object sender, EventArgs e) { videoStart false; this.Close(); } private void trackBar1_Scroll(object sender, EventArgs e) { numericUpDown1.Value Convert.ToDecimal(trackBar1.Value / 100.0f); } private void trackBar2_Scroll(object sender, EventArgs e) { numericUpDown2.Value Convert.ToDecimal(trackBar2.Value / 100.0f); } private void numericUpDown1_ValueChanged(object sender, EventArgs e) { trackBar1.Value (int)(Convert.ToSingle(numericUpDown1.Value) * 100); } private void numericUpDown2_ValueChanged(object sender, EventArgs e) { trackBar2.Value (int)(Convert.ToSingle(numericUpDown2.Value) * 100); } private void comboBox1_SelectedIndexChanged(object sender, EventArgs e) { tssl_show.Text加载模型:comboBox1.Text; detetor.LoadWeights(weightsPath\\comboBox1.Text); tssl_show.Text 模型加载已完成!; } } }【常用评估参数介绍】在目标检测任务中评估模型的性能是至关重要的。你提到的几个术语是评估模型性能的常用指标。下面是对这些术语的详细解释Class这通常指的是模型被设计用来检测的目标类别。例如一个模型可能被训练来检测车辆、行人或动物等不同类别的对象。Images表示验证集中的图片数量。验证集是用来评估模型性能的数据集与训练集分开以确保评估结果的公正性。Instances在所有图片中目标对象的总数。这包括了所有类别对象的总和例如如果验证集包含100张图片每张图片平均有5个目标对象则Instances为500。P精确度Precision精确度是模型预测为正样本的实例中真正为正样本的比例。计算公式为Precision TP / (TP FP)其中TP表示真正例True PositivesFP表示假正例False Positives。R召回率Recall召回率是所有真正的正样本中被模型正确预测为正样本的比例。计算公式为Recall TP / (TP FN)其中FN表示假负例False Negatives。mAP50表示在IoU交并比阈值为0.5时的平均精度mean Average Precision。IoU是衡量预测框和真实框重叠程度的指标。mAP是一个综合指标考虑了精确度和召回率用于评估模型在不同召回率水平上的性能。在IoU0.5时如果预测框与真实框的重叠程度达到或超过50%则认为该预测是正确的。mAP50-95表示在IoU从0.5到0.95间隔0.05的范围内模型的平均精度。这是一个更严格的评估标准要求预测框与真实框的重叠程度更高。在目标检测任务中更高的IoU阈值意味着模型需要更准确地定位目标对象。mAP50-95的计算考虑了从宽松到严格的多个IoU阈值因此能够更全面地评估模型的性能。这些指标共同构成了评估目标检测模型性能的重要框架。通过比较不同模型在这些指标上的表现可以判断哪个模型在实际应用中可能更有效。【使用步骤】使用步骤1首先根据官方框架ultralytics安装教程安装好yolov11环境并根据官方export命令将自己pt模型转成onnx模型,然后去github仓库futureflsl/firc-csharp-projects找到源码2使用vs2019打开sln项目选择x64 release并且修改一些必要的参数比如输入shape等点击运行即可查看最后效果特别注意如果运行报错了请参考我的博文进行重新引用我源码的DLL[C#]opencvsharp报错System.MemoryVersion4.0.1.2CultureneutralPublicKeyTokencc7b13fcd2ddd51“版本高于所引_未能加载文件或程序集“system.memory, version4.0.1.2, culture-CSDN博客【提供文件】C#源码yolo11n.onnx模型提供pytorch模型训练的map,P,R曲线图(在weights\results.png)测试图片在test_img文件夹下面特别注意这里不提供训练数据集