Python老师给了三个小组项目：1.自身专业问题 2.人工智能 3.游戏或者小工具
提前告知了，写游戏不好拿高分，小工具又不能展示自己的水平。大一刚来也没碰到什么专业问题，于是经过讨论，决定了做人工智能项目。
又因才疏学浅，只好践行拿来主义，把现成的yolov5拿来用，做一个口罩佩戴识别。
1.环境配置：本项目使用miniconda + pytorch + yolov5，IDE使用的是Pycharm。
miniconda官网：https://conda.io/en/latest/miniconda.html
pytorch官网：https://pytorch.org/get-started/locally/
Pycharm官网：
miniconda配置pytorch教程：https://blog.csdn.net/weixin_41297324/article/details/109478948
Pycharm安装教程：https://www.runoob.com/w3cnote/pycharm-windows-install.html
Anaconda可以虚拟化管理python环境，自带许多科学计算的python库。这是个非常方便的选择，也为后面封装exe挖了个坑。
不使用conda配置pytorch教程：https://blog.csdn.net/qq_23013309/article/details/103965619
Yolov5项目地址：https://github.com/ultralytics/yolov5
python版本是3.8，cuda版本我选择的是11.3，yolov5使用的是v6.0版本。
2.收集数据、打标签
训练人工智能是很吃数据的，推荐的数据规模是每一类1000+图片，因为是小组项目，所以采用的是小数据集。
目标数据部分来自：https://www.bilibili.com/video/BV1i7411376y
背景数据来自我手机相册、朋友圈。
打标签工具Labelimg：https://github.com/tzutalin/labelImg
将所有数据进行打标签，过程应当是十分痛苦的。
3.调整代码训练数据
yolov5-v6.0下载解压后，找到train.py，对其中代码进行修改。
parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')
选择预训练的模型，如果数据集足够大，不选择预训练模型也可以取得很好的成果。
parser.add_argument('--epochs', type=int, default=100)
训练次数，这里默认是300，因为性能有限所以选择了100.
parser.add_argument('--batch-size', type=int, default=3, help='total batch size for all GPUs')
default需要根据显卡和内存性能修改，电脑是GTX3060+16G内存，我这里设置的比较保守。如果设置过大，会导致显存溢出。
其他的配置可以保持默认，直接把数据和标签扔进coco128的train2017文件夹中进行训练即可。
找到coco128.yaml，对其中的代码进行修改：
` # 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, ..]
path: ../datasets/coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)
4.运行train.py，训练模型。
5.修改并调用detect.py
在yolov5的文件夹下新建一个mask_kid.py，内容如下：
`
from detect import run
run_dict = {
'weights': 'best.pt',
'source': 0,
'imgsz': [640, 640],
'conf_thres': 0.85,
'iou_thres': 0.75,
'max_det': 10,
'device': '0',
'view_img': False,
'save_txt': False,
'save_conf': False,
'save_crop': False,
'nosave': True,
'classes': None,
'agnostic_nms': False,
'augment': False,
'visualize': False,
'update': False,
'project': 'runs/detect',
'name': 'exp',
'exist_ok': False,
'line_thickness': 3,
'hide_labels': False,
'hide_conf': False,
'half': False,
'dnn': False
} run(**run_dict) `
从训练结果文件夹中找到best.pt复制到yolov5文件夹下。
图形界面还没写，主要是加载参数并且调用detect.py。基本没有太大技术含量。
运行此代码尝试一下，似乎效果还可以？
5.优化
虽然能够正确识别无遮挡的人脸和口罩遮挡的人脸，但是此模型在面对其他类型的遮挡攻击时表现较差。
目前的优化思路有两个：
1、二次识别
2、增加攻击数据
二次识别需要更多的数据，需要更多的代码。才疏学浅，只好选择增加攻击数据重新训练。
6.封装项目
由于之前使用的是虚拟环境，在使用Pyinstaller打包时遇到问题无数。
打包后的程序在自己电脑上运行正常，去其他电脑上运行频繁报错。
最后经高人指点乃是conda导致部分库打包不完全，需要在实际环境中打包或是指定路径，在此一并感谢。
时间紧迫，后续工作就不开展了。
附模型分享：
链接：https://pan.baidu.com/s/1tmT_9oE6tWw7s2Wa_KYpTA
提取码：z3k1