• 使用
• • • 1、部署环境
    • 2、运行（无flask版本）
    • 3、运行（含flask版本）

在防控疫情的大环境下，在重点区域预防新冠发生可能性，国内很多场所如医院、大型商城在这两年推出了许多和目标检测相关的设备以及应用。但是口罩佩戴检测以及社交距离检测设备的大规模应用还是处于少数，大多数单位依旧采用原始的人力监督口罩佩戴情况，并对社交距离较小的情况进行提醒。因此疫情防控智能识别与社交距离监测仍然有研究的必要。
本项目中，在MindSpore深度学习框架下，设计出一个包含疫情防控智能识别与社交距离检测功能的综合目标检测系统。使用基于MindSpore的YOLOv5算法识别人物、口罩及距离信息并进行模型训练。判断人物面部是否佩戴口罩，随后针对佩戴口罩和未佩戴口罩两种情况分别进行社交距离检测，设置距离参数判断社交距离是否符合要求标准，当社交距离小于距离参数时提示异常。对佩戴口罩情况设置小的距离参数，未佩戴口罩情况距离参数设置较大距离参数。使其能在口罩识别时得到更高精度的同时，对出现异常的社交距离情况给与异常提示。
随后将使用YOLOv5模型做出的基于MindSpore的疫情防控智能识别与社交距离检测和使用目前先进的YOLOv7模型做出的疫情防控智能识别与社交距离检测进行检测结果对比，发现在MindSpore框架能够带来更好的效果。

#项目介绍

本项目基本流程为：1.输入数据集图片。2.使用YOLOv5算法。3.通过对各类标签的训练得到检测模型。4.对测试集进行测试。5.输出结果完成目标检测。

实验环境为 CPU: Intel(r) Core(TM) i9-12900k@3.60GHz，GPU: NVIDIA GeForce RTX 2080ti 11GB，RAM 128GB，图像处理工具为 matplotlib，OPEN CV，tensorboard。整体框架 为 Mindspore，如下表1所示。
表1
平台 名称
CPU Intel(r) Core(TM) i9-12900k@3.60GHz
GPU NVIDIA GeForce RTX 2080ti 11GB，RAM 128GB
辅助工具 matplotlib，OPEN CV，tensorboard
框架 Mindspore

在模型训练前，基本参数设置如下：动量设置为 0.937，权重衰减系数设置为 0.0005，初始学习率为 0.001

#预测作品展示
预测结果如下图所示，戴口罩的会标注为“with_mask”，不戴口罩的会标注为“without_mask”，社交距离根据展示分为红色，黄色和绿色，绿色为安全，黄色则表示提醒注意距离，而红色则表示高危距离，进而对人们警醒。
如图展示了模型可以实时对固定场景进行动态监测。

使用

1、部署环境

pip install -r requirements.txt

2、运行（无flask版本）

python xxx.py --source xxx

3、运行（含flask版本）

• 在根目录下的app.py 修改from yolov5_flask import Camera 的包名（根据自己需求，这里采用yolov5_flask.py）
  • 在浏览器使用摄像头就用：from camera import Camera
• 运行:flask run
• 浏览器访问:http://127.0.0.1:5000/index即可