本研究详细阐述了一种基于先进深度学习技术的口罩检测系统的开发与实现过程。随着全球公共卫生事件的频繁发生，特别是在新冠疫情期间，口罩的佩戴成为防止病毒传播的重要措施之一。然而，在公共场所手动监测每个人是否佩戴口罩的任务繁重且难以高效完成。因此，开发一个能够自动检测和监控口罩佩戴情况的系统具有重要的现实意义。
项目信息
编号：PDV-9
大小：1.01G
运行条件
Python开发环境：
– PyCharm的安装包：PyCharm: Python IDE for Professional Developers
– PyCharm的历史安装包：PyCharm: Python IDE for Professional Developers
– Anaconda的安装包：Anaconda | Start Coding Immediately
– Python开发版本：Python==3.9
需要安装依赖包：
– pip install PyQt5== 5.15.11
– pip install Pillow==9.5.0
– pip install opencv-python==4.10.0.84
– pip install torch==2.4.0
– pip install torchvision==0.19.0
– pip install numpy== 1.26.4
– pip install matplotlib==3.9.2
项目介绍
该系统的核心是基于YOLOv8模型，这是一种先进的目标检测算法，因其在速度和精度上的出色表现而被广泛应用。为了确保检测系统的高效性，本文首先进行了数据集的准备和预处理工作。通过收集和标注包含口罩和无口罩的多种图像数据，建立了一个具有高多样性和高质量的训练数据集。随后，本文对YOLOv8模型进行了定制化的训练和优化，以适应具体的口罩检测任务。模型的训练过程中，采用了多种数据增强技术和优化策略，以提升模型在不同光照、角度和遮挡条件下的检测能力。
在系统实现部分，本文设计了一个用户友好的图形用户界面（GUI），使得用户可以实时查看检测结果并对检测过程进行交互操作。系统通过调用摄像头或导入视频流的方式，实现了对人员佩戴口罩情况的实时监控，并能在多种复杂场景下进行稳定、准确的检测。
为了评估系统的性能，本文通过一组综合性测试图像集对系统进行了严格的实验验证。测试结果表明，系统在不同背景、光照条件以及人员动作下均表现出色，检测准确率达到预期目标，并在实际应用中展现了其潜在价值。
本研究讨论了系统的架构设计、数据集准备、模型优化以及在实际应用中的扩展性和局限性。本文的研究结果不仅为口罩检测领域提供了新的技术方案，也为未来类似系统的开发提供了有益的参考。该系统在疫情防控及其他公共卫生安全领域中，具有广泛的应用前景。
项目数据
Tipps：面部口罩检测的图像数据集：用于训练YOLO模型来检测人脸是否佩戴口罩。通过训练，模型能够识别图像中的人脸，并判断其是否佩戴了口罩。这在疫情防控等场景下非常有用。
目录结构如下：
1.MaskData: 数据集的根目录。
2.data.yaml: 数据集的配置文件，其中通常包括数据集的路径、类别数量和类别名称等基本信息。
3.train: 用于模型训练的数据集目录。
（1）images: 包含训练用的图像文件，每个文件都是一张带有口罩或不带口罩的面部图像。
（2）labels: 每张图像对应的标签文件(.txt)，这些文件包含了对象的位置信息和类别标签，通常是YOLO格式(中心坐标x, y，宽度w，高度h，以及类别标签)。
4.val: 用于模型验证的数据集目录。
（1）images: 包含验证用的图像文件。
（2）labels: 每张图像对应的标签文件，格式与训练数据相同。
标签文件说明:
各个字段的具体含义
（1）类别 (class)：这代表该标注对象的类别，数字0代表一种类别，数字1代表另一种类别。
（2）x_center：对象的中心点在图像中的x坐标位置，范围是0到1，是相对于图像宽度的比例。
（3）y_center：对象的中心点在图像中的y坐标位置，范围是0到1，是相对于图像高度的比例。
（4）宽度 (width)：对象的宽度，范围是0到1，是相对于图像宽度的比例。
（5）高度 (height)：对象的高度，范围是0到1，是相对于图像高度的比例。
每一行描述了一个对象的类别和它在图像中的位置、宽度和高度。
例如：0 0.84375 0.3301282051282051 0.0825 0.22435897435897434 表示一个类别为0的对象，它的中心点在图像中的相对x坐标为0.84375，y坐标为0.3301282051282051，对象的宽度为图像宽度的8.25%，高度为图像高度的22.44%。
这些标注通常用于训练YOLO（You Only Look Once）模型，以便模型能够在图像中检测和识别对象。
项目文档
Tipps：可以根据您的需求进行写作，确保文档原创！
– 项目文档：写作流程
算法流程
代码讲解
Tipps：仅对train.py部分代码简要讲解。该项目可以按需有偿讲解，提供后续答疑。
运行效果
– 运行train.py
1.将文件datasets/MaskData/data.yaml中train,val数据集的绝对路径改为自己项目数据集的绝对路径。
YOLO数据集的配置文件（通常是data.yaml文件）的一部分，用于定义数据集的路径和类别信息。
（1）train: E:\FacemaskDetection\datasets\MaskData\train
这部分指定了训练集的路径，表示训练集的图像存储在 E:\FacemaskDetection\datasets\MaskData\train 目录下。训练集包含 128 张图像。
（2）val: E:\FacemaskDetection\datasets\MaskData\val
这部分指定了验证集的路径，表示验证集的图像存储在 E:\FacemaskDetection\datasets\MaskData\val 目录下。验证集包含 128 张图像。
（3）test:
这个字段是可选的，用于指定测试集的路径。如果未指定（如当前为空），则表示没有使用测试集。
（4）nc: 3
这是类别的数量，表示数据集中总共有 3 种类别。
（5）names: [‘Mask’,’NoMask’,’MaskIncorrect’]
这是类别名称的列表，定义了数据集中的三个类别：
Mask：佩戴口罩
NoMask：未佩戴口罩
MaskIncorrect：口罩佩戴不正确
这段配置文件定义了用于训练YOLO模型的口罩检测数据集的结构、图像路径和类别信息。
然后运行train.py文件即可开始进行模型训练,训练结果会默认保存在runs/detect目录中。
其中runs/train是我已经训练好的结果文件，含模型与所有过程内容。
训练好的模型在runs/train/weights目录下，last.pt表示最后一轮结果的训练模型，best.pt表示训练中最好结果的训练模型。一般我们使用best.pt就行。
2.运行YOLOv8模型的训练脚本时的日志输出
环境信息:
Ultralytics YOLOv8.2.81：正在使用YOLOv8模型的版本。
Python-3.9.0：使用的Python版本。
torch-2.4.0+cpu：使用的PyTorch版本和设备信息，这里显示是在CPU上运行。
任务和模式:
task=detect, mode=train：任务是检测，模式是训练。
模型和数据:
model=yolov8n.pt：使用预训练的YOLOv8n模型。
data=datasets/MaskData/data.yaml：训练使用的数据集配置文件，通常包括训练和验证数据的路径。
epochs=10：设置训练的总轮数为10。
训练配置:
batch=4：每批次的图像数量为4。
imgsz=640：图像输入的尺寸为640×640。
pretrained=True：使用预训练的权重进行训练。
optimizer=auto：自动选择优化器。
multi_scale=False：关闭多尺度训练。
rect=False：关闭矩形训练（图像保持原始比例）。
cos_lr=False：关闭余弦退火学习率调度器。
dropout=0.0：不使用Dropout。
val=True, split=val：在训练时会进行验证，使用的验证集为val。
保存配置:
save=True：保存训练结果。
save_period=-1：不定期保存模型，只在最后保存。
save_dir=runs\detect\train7：保存结果的目录。
模型参数调整:
lr0=0.01, lrf=0.01：初始学习率和学习率下降的最终值。
momentum=0.937：动量设置。
weight_decay=0.0005：权重衰减。
数据增强:
auto_augment=randaugment：使用随机增强策略。
hsv_h=0.015, hsv_s=0.7, hsv_v=0.4：HSV颜色空间增强设置。
degrees=0.0, translate=0.1, scale=0.5：旋转、平移和缩放的数据增强设置。
mosaic=1.0：使用Mosaic数据增强。
mixup=0.0：关闭Mixup数据增强。
模型配置:
Overriding model.yaml nc=80 with nc=3：将模型的类别数从默认的80改为3（可能对应于您的自定义口罩检测类别）。
这个输出信息总结了YOLOv8训练过程中的主要配置参数。这些参数控制了模型如何训练、使用哪些数据以及如何保存结果等。
YOLOv8模型的结构、每层的模块类型和参数配置：
模型结构和参数：
from: 表示输入层的索引，即数据从哪一层传递过来。
n: 表示这一层的数量。
params: 表示这一层中的参数数量，即权重和偏置的数量。
module: 表示这一层使用的模块类型。
arguments: 表示传递给模块的参数。
具体各行的含义如下：
[0] Conv: 输入为起始层（-1表示前一层），使用Conv卷积模块，输入通道数为3，输出通道数为16，卷积核大小为3×3，步长为2。总参数数为464。
[1] Conv: 输入为前一层（-1），使用Conv卷积模块，输入通道数为16，输出通道数为32，卷积核大小为3×3，步长为2。总参数数为4672。
[2] C2f: 输入为前一层（-1），使用C2f模块，输入通道数为32，输出通道数为32，使用1个重复块，激活函数为True。总参数数为7360。
[3] Conv: 输入为前一层（-1），使用Conv卷积模块，输入通道数为32，输出通道数为64，卷积核大小为3×3，步长为2。总参数数为18560。
[4] C2f: 输入为前一层（-1），使用C2f模块，输入通道数为64，输出通道数为64，使用2个重复块，激活函数为True。总参数数为49664。
[5] Conv: 输入为前一层（-1），使用Conv卷积模块，输入通道数为64，输出通道数为128，卷积核大小为3×3，步长为2。总参数数为73984。
[6] C2f: 输入为前一层（-1），使用C2f模块，输入通道数为128，输出通道数为128，使用2个重复块，激活函数为True。总参数数为197632。
[7] Conv: 输入为前一层（-1），使用Conv卷积模块，输入通道数为128，输出通道数为256，卷积核大小为3×3，步长为2。总参数数为295424。
[8] C2f: 输入为前一层（-1），使用C2f模块，输入通道数为256，输出通道数为256，使用1个重复块，激活函数为True。总参数数为460288。
[9] SPPF: 输入为前一层（-1），使用SPPF（空间金字塔池化）模块，输入通道数为256，输出通道数为256，池化核大小为5×5。总参数数为164608。
[10] Upsample: 输入为前一层（-1），使用Upsample（上采样）模块，上采样倍数为2，方法为nearest。总参数数为0。
[11] Concat: 输入为前一层（-1）和第6层的输出（6），使用Concat（拼接）模块，将两个输入张量在通道维度进行拼接。总参数数为0。
[12] C2f: 输入为前一层（-1），使用C2f模块，输入通道数为384，输出通道数为128，使用1个重复块，激活函数为True。总参数数为148224。
[13] Upsample: 输入为前一层（-1），使用Upsample（上采样）模块，上采样倍数为2，方法为nearest。总参数数为0。
[14] Concat: 输入为前一层（-1）和第4层的输出（4），使用Concat（拼接）模块，将两个输入张量在通道维度进行拼接。总参数数为0。
[15] C2f: 输入为前一层（-1），使用C2f模块，输入通道数为192，输出通道数为64，使用1个重复块，激活函数为True。总参数数为37248。
[16] Conv: 输入为前一层（-1），使用Conv卷积模块，输入通道数为64，输出通道数为64，卷积核大小为3×3，步长为2。总参数数为36992。
[17] Concat: 输入为前一层（-1）和第12层的输出（12），使用Concat（拼接）模块，将两个输入张量在通道维度进行拼接。总参数数为0。
[18] C2f: 输入为前一层（-1），使用C2f模块，输入通道数为192，输出通道数为128，使用1个重复块，激活函数为True。总参数数为123648。
[19] Conv: 输入为前一层（-1），使用Conv卷积模块，输入通道数为128，输出通道数为128，卷积核大小为3×3，步长为2。总参数数为147712。
[20] Concat: 输入为前一层（-1）和第9层的输出（9），使用Concat（拼接）模块，将两个输入张量在通道维度进行拼接。总参数数为0。
[21] C2f: 输入为前一层（-1），使用C2f模块，输入通道数为384，输出通道数为256，使用1个重复块，激活函数为True。总参数数为493056。
[22] Detect: 输入为第15层、18层和21层的输出（15, 18, 21），使用Detect检测头，检测3个类别（Mask, NoMask, MaskIncorrect），检测头对应的通道数为[64, 128, 256]。
Model summary: 模型摘要
模型总共有225层
模型中有3,011,433个参数。这些参数包括了模型中的所有权重和偏置，它们通过训练进行调整。
模型中有3,011,417个可训练的梯度。梯度是指在训练过程中通过反向传播算法计算得到的参数的更新方向。
模型的计算复杂度为8.2 GFLOPs，表示每秒执行8.2亿次浮点运算。这是衡量模型计算量的指标。
给出了模型的层数、参数总数、可训练参数的数量，以及模型的计算复杂度。
Transferred 319/355 items from pretrained weights：
从预训练的权重中成功转移了355个项目中的319个，这意味着模型在开始训练前加载了一部分预训练权重。
Freezing layer ‘model.22.dfl.conv.weight’：
冻结了模型中的第22层的卷积权重，这意味着在训练过程中这一层的参数不会更新，保持固定状态。
FutureWarning:
在使用torch.cuda.amp.GradScaler(args…)时，系统提示该方法即将被弃用，建议改用torch.amp.GradScaler(‘cuda’, args…)来代替。
train: Scanning … 682 images, 0 backgrounds, 0 corrupt：
正在扫描训练数据集中的图像，共找到682张图像，没有背景图像，也没有损坏的图像。
val: Scanning … 171 images, 0 backgrounds, 0 corrupt：
正在扫描验证数据集中的图像，共找到171张图像，同样没有背景图像或损坏的图像。
Plotting labels to runs\detect\train7\labels.jpg：
正在生成标签信息的图表，并将其保存为labels.jpg文件，路径为runs\detect\train7\。
optimizer: ‘optimizer=auto’ found, ignoring ‘lr0=0.01’ and ‘momentum=0.937’：
发现优化器设置为自动模式，因此忽略了手动设置的学习率lr0=0.01和动量momentum=0.937，自动确定最合适的优化器、学习率和动量。
optimizer: AdamW(lr=0.001429, momentum=0.9)：
最终选择了AdamW优化器，学习率为0.001429，动量为0.9，并且对不同的参数组应用了不同的权重衰减值。
Image sizes 640 train, 640 val：
训练和验证阶段使用的图像大小均为640×640像素。
Using 0 dataloader workers：
数据加载器的工作线程数为0，意味着数据加载可能是在主线程中进行的，这可能是因为资源限制或配置原因。
Logging results to runs\detect\train7：
训练过程中的结果日志会被记录到路径为runs\detect\train7的目录中。
Starting training for 10 epochs…：
开始为期10个周期（epochs）的训练过程。
Closing dataloader mosaic：
关闭了数据加载器的拼接功能（mosaic），这是一个用于增强数据集多样性的方法。在训练的某些情况下可能关闭这个功能以优化数据加载和训练过程。
在10个周期训练完成后，模型的最终性能如下：
（1）all：整体性能，mAP50为0.627，mAP50-95为0.386。
（2）Mask：戴口罩的类别表现，mAP50为0.892，mAP50-95为0.584。
（3）NoMask：不戴口罩的类别表现，mAP50为0.729，mAP50-95为0.422。
（4）MaskIncorrect：戴口罩不正确的类别表现，mAP50为0.261，mAP50-95为0.151。
最终结果保存在目录 runs\detect\train7 中。
YOLOv8 训练和验证过程中的损失与指标趋势图
显示了模型训练和验证过程中的一些关键性能指标随Epoch变化的趋势。
左上角至右下角（按顺序）
1.train/box_loss:
表示训练集上的边界框损失（Box Loss）。随着Epoch的增加，损失值逐渐下降，表明模型在逐步学习如何更准确地预测目标的边界框。
2.train/cls_loss:
表示训练集上的分类损失（Classification Loss）。随着训练的进行，分类损失逐渐下降，表明模型在逐步学习如何更好地分类目标。
3.train/dfl_loss:
表示训练集上的分布焦点损失（DFL Loss）。这同样显示了损失值逐渐下降，表示模型在逐渐提高预测边界框的精度。
4.metrics/precision(B):
表示训练过程中模型的精度（Precision）。精度表示模型预测为正例的所有结果中，正确预测的比例。可以看到，精度总体上呈上升趋势，表明模型的预测越来越准确。
5.metrics/recall(B):
表示训练过程中模型的召回率（Recall）。召回率表示所有实际为正例的结果中，模型正确识别的比例。图中显示了召回率逐渐上升，表示模型在逐渐捕捉到更多的正例。
6.val/box_loss:
表示验证集上的边界框损失（Box Loss）。验证损失的下降表明模型在验证集上也在逐步改进。
7.val/cls_loss:
表示验证集上的分类损失（Classification Loss）。与训练损失类似，验证损失的下降表明模型在验证集上的分类性能也在提升。
8.val/dfl_loss:
表示验证集上的分布焦点损失（DFL Loss）。随着训练的进行，验证集上的DFL损失也逐渐下降。
9.metrics/mAP50(B):
表示在IoU阈值为50%时的平均精度（Mean Average Precision, mAP）。这是衡量检测模型整体性能的一个重要指标。图中显示mAP50在逐渐上升，表明模型的检测性能在不断提升。
10.metrics/mAP50-95(B):
表示在IoU阈值从50%到95%时的平均精度（mAP50-95）。这个指标更严格，同样显示了模型在逐步改进。
总结：这些图表展示了模型在训练和验证过程中的各项损失和指标的变化趋势。总体来看，损失在逐步下降，而精度和召回率在逐步上升，表明模型在学习过程中得到了有效的优化和改进。
精确率-召回率（Precision-Recall）曲线
曲线含义：
1.蓝色粗线：表示所有类别的总体表现，计算的是所有类别的平均值（mAP@0.5）。
2.其他三条线：分别表示三类（戴口罩、未戴口罩、佩戴不正确）的精确率和召回率之间的关系。
（1）天蓝色线（Mask 0.892）：代表戴口罩类别，精确率和召回率的曲线较为靠近右上角，表示模型在检测戴口罩这一类别时表现较好。
（2）橙色线（NoMask 0.729）：代表未戴口罩类别，曲线略低于戴口罩类别，表示模型在检测未戴口罩类别时性能略低。
（3）绿色线（MaskIncorrect 0.261）：代表佩戴不正确类别，曲线较为偏左且下滑明显，表示模型在识别这一类时的性能较低。
3.横轴（Recall）：召回率，表示模型成功识别出的正样本占总正样本的比例。数值越高，说明模型漏掉的正样本越少。
4.纵轴（Precision）：精确率，表示模型识别出的正样本中实际为正样本的比例。数值越高，说明模型误判的负样本越少。
5.图中指标：
（1）Mask 0.892：戴口罩类别的平均精确率和召回率表现，数值越高表示模型在此类别下的表现越好。
（2）NoMask 0.729：未戴口罩类别的平均精确率和召回率表现。
（3）MaskIncorrect 0.261：佩戴不正确类别的表现较差。
（4）all classes 0.627 mAP@0.5：表示在所有类别上的总体表现，mAP@0.5是衡量物体检测模型性能的一个重要指标。
总体来看，图中展示了不同类别在模型中的检测表现，帮助分析和优化模型的精度与召回率。
归一化混淆矩阵（Confusion Matrix Normalized）
用来评估分类模型的性能。混淆矩阵显示了模型预测的标签与真实标签之间的关系，归一化后，矩阵中的每个元素表示为百分比或比例，而不是绝对数量。具体分析如下：
1.X轴（True）：表示真实标签，包含四类：Mask（戴口罩）、NoMask（未戴口罩）、MaskIncorrect（佩戴不正确）和background（背景）。
2.Y轴（Predicted）：表示模型预测的标签，包含同样的四类。
3.颜色深浅：颜色越深表示比例越高，即该类的预测更准确。相反，颜色越浅表示预测误差较大。
4.矩阵中的数字：每个数字表示模型将某一类预测为另一类的比例。例如：
（1）(0.88, Mask)：表示在真实标签为Mask的情况下，模型有88%的准确率正确预测为Mask。
（2）(0.66, NoMask)：表示在真实标签为NoMask的情况下，模型有66%的准确率正确预测为NoMask。
（3）(0.10, MaskIncorrect -> NoMask)：表示在真实标签为MaskIncorrect的情况下，模型有10%的概率错误预测为NoMask。
5.误分类：可以看到，比如NoMask和Mask有部分被错误分类为其他类别，显示了模型在这些类别之间混淆的情况。
6.背景类别（background）：显示了模型在没有明确对象的背景情况下的分类表现。
总体而言，这张图帮助识别模型在哪些类别上表现良好（对角线），以及在哪些类别上容易产生混淆（非对角线部分）。通过分析这些信息，可以进一步优化模型的训练过程。
– 运行MainProgram.py
口罩图片检测
1.界面标题: 图像上方显示的标题是“基于深度学习的人脸佩戴口罩检测系统”。
2.图片检测: 界面中央显示了一张人群的图片，系统检测到其中多个人佩戴了口罩，每个人的检测结果用蓝色框和文本“Mask 0.89”标出，表示检测到佩戴口罩，并且置信度为0.89。
3.检测结果:
（1）用时: 检测图片中的目标耗时0.064秒。
（2）目标数量: 共检测到9个目标。
（3）类型: 显示为“戴口罩”，表明检测到的目标类型是佩戴口罩的人。
（4）置信度: 整体置信度为89.46%。
（5）目标位置: 显示了检测到的目标的具体坐标位置。
4.检测结果与位置信息: 下方表格列出了每个检测到的目标，包括文件路径、分类、置信度及其在图像中的位置。
口罩图片文件夹检测
1.界面标题: 与第一个图相同，界面标题显示为“基于深度学习的人脸佩戴口罩检测系统”。
2.图片检测: 界面中央显示了一张新的人群图片，系统检测到其中的人是否佩戴口罩。此图检测到三个人，其中两人佩戴了口罩（“Mask 0.87”和“Mask 0.88”），一人未佩戴口罩（“NoMask 0.87”）。
3.检测结果:
（1）用时: 检测图片中的目标耗时0.048秒。
（2）目标数量: 共检测到3个目标。
（3）类型: 显示为“戴口罩”，表示当前主要检测的目标是佩戴口罩的人。
（4）置信度: 整体置信度为87.50%。
（5）目标位置: 显示了检测到的目标的具体坐标位置。
4.检测结果与位置信息: 下方表格列出了每个检测到的目标，包括文件路径、分类、置信度及其在图像中的位置。
口罩视频检测
1.界面标题: 标题为“基于深度学习的人脸佩戴口罩检测系统”，表明该系统用于检测视频中的人物是否佩戴口罩，并且基于深度学习技术。
2.视频检测: 中央区域展示了一段视频中的画面，系统检测到视频画面中的多个人物，识别他们是否佩戴口罩。图中有多个人物的面部被蓝色边框标出，并附带文本信息“Mask”及其置信度（如“Mask 0.88”），表示这些人被检测为佩戴口罩，且系统给出的置信度为0.88。
3.检测结果:
（1）用时: 系统用时0.044秒完成当前画面的检测。
（2）目标数量: 系统检测到视频画面中共有10个目标。
（3）目标选择: 在“目标选择”栏下拉菜单中，显示为“全部”，表示系统正在检测所有目标，而非特定目标。
（4）类型: 当前显示类型为“戴口罩”，表示系统正在检测人物是否佩戴口罩。
（5）置信度: 系统检测出的整体置信度为88.06%。
（6）目标位置: 显示了当前检测到的目标在画面中的坐标位置（xmin、ymin、xmax、ymax）。
4.检测结果与位置信息: 下方的表格详细列出了每个检测到的目标，包括文件路径、分类、置信度及其在图像中的位置。
总结来说，这个图展示了系统在视频处理模式下的运行情况，系统能够实时检测视频中的人物是否佩戴口罩，并输出相应的置信度、检测时间、目标数量等信息。
口罩实时检测
1.界面标题: 标题为“基于深度学习的人脸佩戴口罩检测系统”，表明该系统用于实时检测场景中的人物是否佩戴口罩，并且基于深度学习技术。
2.实时检测: 中央区域展示了一个实时摄像头捕捉的场景，系统检测到了画面中的人物，并识别他们是否佩戴口罩。图中有多个人物的面部被蓝色或绿色边框标出，并附带文本信息“Mask”或“NoMask”及其置信度（如“Mask 0.87”），表示这些人被检测为佩戴口罩或者未佩戴口罩，且系统给出的置信度为0.87。
3.检测结果:
（1）用时: 系统用时0.036秒完成当前画面的检测。
（2）目标数量: 系统检测到实时画面中共有4个目标。
（3）目标选择: 在“目标选择”栏下拉菜单中，显示为“全部”，表示系统正在检测所有目标，而非特定目标。
（4）类型: 当前显示类型为“戴口罩”，表示系统正在检测人物是否佩戴口罩。
（5）置信度: 系统检测出的整体置信度为86.69%。
（6）目标位置: 显示了当前检测到的目标在画面中的坐标位置（xmin、ymin、xmax、ymax）。
4.检测结果与位置信息: 下方的表格详细列出了每个检测到的目标，包括文件路径、分类、置信度及其在图像中的位置。
总结来说，这个图展示了系统在实时检测模式下的运行情况，系统能够实时检测视频流中的人物是否佩戴口罩，并输出相应的置信度、检测时间、目标数量等信息。这种实时检测功能适用于在公共场所等需要实时监控的场景。
远程部署
Tipps：购买后可有偿协助安装，确保运行成功。
– 远程工具：Todesk 、向日葵远程控制软件
– 操作系统：Windows OS
– 客服QQ：3666308803
项目文件
文件目录
Tipps：完整项目文件清单如下：
项目目录
– 1.Code (完整代码：确保运行成功)
– 2.Result (运行结果：真实运行截图)
– 3.Demo (演示视频：真实运行录制)
评论(0)