YOLOv5 Ghost - 安全背心检测系统

基于 YOLOv5 Ghost 轻量化模型的安全背心检测系统，用于工业安全场景中的个人防护设备（PPE）检测。

📋 目录

项目简介
功能特点
环境要求
安装指南
数据集
快速开始
训练模型
检测参数说明
项目结构
性能指标
配置文件
相关研究
许可证

🎯 项目简介

本项目是基于 YOLOv5 架构的安全背心检测系统，专门用于识别工业环境中工人是否佩戴安全背心。该系统可以有效提高工业安全管理水平，降低工伤事故风险。

检测类别

NO-Safety Vest: 未穿戴安全背心
Safety Vest: 穿戴安全背心

✨ 功能特点

🚀 高精度检测: 基于 YOLOv5s 模型，检测精度高
⚡ 实时推理: 支持实时视频流检测
🔧 轻量化设计: Ghost 模块优化，模型体积小
📊 多种输出格式: 支持图片、视频、摄像头实时检测
🎛️ 可配置参数: 支持自定义置信度阈值、NMS 参数等
📱 多平台部署: 支持 CPU、GPU、移动端部署
🔄 模型导出: 支持 ONNX、TensorRT、CoreML 等格式
🧪 批量模型测试: 支持多模型自动测试和性能对比
📈 专业性能分析: NO-Safety Vest召回率专门跟踪和分析
🎯 智能结果管理: 自动生成带时间戳的测试结果目录

🎯 YOLOv5s-Ghost 轻量化改进

本项目基于原始 YOLOv5 实现了多种轻量化改进方案，包括 GhostNet 模块、CA注意力机制和WIoU损失函数，旨在在保持检测精度的同时显著减少模型参数和计算量。

🚀 技术改进

1. Ghost 模块原理

Ghost Convolution: 使用少量卷积操作生成特征图，然后通过线性变换生成"Ghost"特征图
参数减少: 相比标准卷积，Ghost 卷积可以减少约 50% 的参数和计算量
性能保持: 在减少计算量的同时，保持接近原始模型的检测精度

2. CA注意力机制（Coordinate Attention）

位置敏感: 能够捕获跨通道信息和位置相关信息
轻量设计: 计算开销小，适合移动端应用
特征增强: 通过注意力权重增强重要特征，抑制无关信息

3. WIoU损失函数（Wise IoU Loss）

动态聚焦: 根据锚框质量动态调整损失权重
训练稳定: 相比传统IoU损失，训练过程更加稳定
精度提升: 特别适合小目标和遮挡目标的检测

实现的模块

GhostConv: Ghost 卷积层，替代标准卷积
GhostBottleneck: Ghost 瓶颈模块，用于构建更深的网络
C3Ghost: 基于 Ghost Bottleneck 的 C3 模块
CoordAtt: 坐标注意力机制模块
WIoU: Wise IoU 损失函数实现

📊 模型配置对比

模型版本	架构特点	适用场景	配置文件
YOLOv5s	原始基线模型	高精度需求	`models/yolov5s.yaml`
YOLOv5s-Ghost_1	仅Ghost模块	基础轻量化	`models/yolov5s-ghost_1.yaml`
YOLOv5s-Ghost_2	仅CA注意力	精度优化	`models/yolov5s-ghost_2.yaml`
YOLOv5s-Ghost_12	Ghost+CA组合	平衡性能	`models/yolov5s-ghost_12.yaml`
YOLOv5s-Ghost	最终推荐方案	生产部署	`models/yolov5s-ghost.yaml`

🔧 损失函数选择

损失函数	特点	使用场景	启用方式
CIoU	传统IoU损失	一般目标检测	默认启用
WIoU	动态权重IoU	小目标/遮挡检测	`--box-loss wiou`

🎛️ 超参数配置

配置文件	特点	适用模型	启用方式
推荐超参数	优化配置 ⭐ 默认	Ghost模型	默认使用（无需指定参数）
自定义超参数	用户配置	所有模型	`--hyp your_config.yaml`

🎉 新更新: hyp.recommand.yaml 现已设为默认超参数配置，训练时无需手动指定即可享受优化效果！

🚀 性能优势

模型轻量化: Ghost模块减少约 19% 的参数量
计算高效: Ghost模块减少约 37% 的计算量
注意力增强: CA注意力机制提升特征表达能力
损失优化: WIoU损失函数提升小目标检测性能
部署友好: 更小的模型体积，适合移动端和边缘设备
配置灵活: 多种模型配置满足不同性能需求

💻 环境要求

Python 3.8+
PyTorch 1.8+
CUDA 11.0+ (GPU 训练推荐)
8GB+ RAM
NVIDIA GPU (推荐，用于加速训练)

🛠️ 安装指南

方法一：使用 Conda 环境文件（推荐）

1. 克隆项目

git clone https://github.com/LJK666666666/yolov5_ghost.git
cd yolov5_ghost

2. 创建并激活 Conda 环境

# 使用 environment.yml 创建环境
conda env create -f environment.yml

# 激活环境
conda activate yolov5_ghost

3. 验证安装

# 检查 PyTorch 安装
python -c "import torch; print(f'PyTorch: {torch.__version__}'); print(f'CUDA: {torch.cuda.is_available()}')"

# 检查主要依赖
python -c "import cv2, numpy, yaml, matplotlib; print('所有依赖安装成功！')"

方法二：手动安装

1. 克隆项目

git clone https://github.com/LJK666666666/yolov5_ghost.git
cd yolov5_ghost

2. 创建虚拟环境

# 使用 conda
conda create -n yolov5_ghost python=3.9
conda activate yolov5_ghost

# 或使用 venv
python -m venv yolov5_ghost
source yolov5_ghost/bin/activate  # Linux/Mac
# 或
yolov5_ghost\Scripts\activate  # Windows

3. 安装 PyTorch

# CPU 版本
conda install pytorch torchvision torchaudio cpuonly -c pytorch

# GPU 版本 (CUDA 11.8)
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

4. 安装其他依赖

pip install -r requirements.txt

下载预训练权重

# 下载 YOLOv5s 预训练权重
python -c "import torch; torch.hub.download_url_to_file('https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s.pt', 'yolov5s.pt')"

环境配置说明

GPU 用户: 直接使用 environment.yml，已配置 CUDA 11.8 支持
CPU 用户: 编辑 environment.yml，移除所有 CUDA 相关依赖，将 pytorch-cuda=11.8 改为 cpuonly
注意: 本环境配置基于实际的 yolov5_ghost conda 环境导出

📊 数据集

本项目使用 Roboflow 安全背心数据集 v6：

训练集: 包含多种工业场景的安全背心图像
验证集: 用于模型验证和调优
测试集: 用于最终性能评估
标注格式: YOLO 格式 (txt 文件)
图像格式: JPG/JPEG
许可证: CC BY 4.0
数据来源: Roboflow Safety Vests Dataset v6

📥 数据集下载

重要提示: 由于数据集文件较大（约几百MB），未直接上传到GitHub仓库。请按以下步骤获取数据集：

方法1：直接从 Roboflow 下载（推荐）

访问数据集页面：https://universe.roboflow.com/roboflow-universe-projects/safety-vests/dataset/6
选择 "YOLOv5 PyTorch" 格式
点击 "Download zip to computer"
解压下载的文件到项目的 data/SafetyVests.v6/ 目录

方法2：使用 Roboflow Python SDK

# 安装 roboflow 库
pip install roboflow

# 下载数据集
python -c "
from roboflow import Roboflow
rf = Roboflow(api_key='YOUR_API_KEY')  # 需要注册获取API Key
project = rf.workspace('roboflow-universe-projects').project('safety-vests')
dataset = project.version(6).download('yolov5', location='data/SafetyVests.v6')
"

方法3：手动创建目录结构

如果暂时无法下载数据集，可以先创建目录结构用于测试：

mkdir -p data/SafetyVests.v6/{train,valid,test}/{images,labels}

数据集结构

下载并解压后，目录结构应该如下：

data/SafetyVests.v6/
├── train/
│   ├── images/     # 训练图像 (JPG格式)
│   └── labels/     # 训练标签 (TXT格式，YOLO标注)
├── valid/
│   ├── images/     # 验证图像
│   └── labels/     # 验证标签
├── test/
│   ├── images/     # 测试图像
│   └── labels/     # 测试标签
├── data.yaml       # 数据集配置文件
├── README.dataset.txt
└── README.roboflow.txt

📋 数据集信息

检测类别:

0: NO-Safety Vest (未穿戴安全背心)
1: Safety Vest (穿戴安全背心)

数据集统计 (大约):

训练集: ~500+ 张图像
验证集: ~100+ 张图像
测试集: ~100+ 张图像
标注格式: YOLO格式 (相对坐标)

🚀 快速开始

模型架构选择

本项目提供多种模型配置，根据不同需求选择：

# 1. 基线模型 - 原始 YOLOv5s
--cfg models/yolov5s.yaml

# 2. Ghost轻量化模型
--cfg models/yolov5s-ghost_1.yaml

# 3. CA注意力增强模型  
--cfg models/yolov5s-ghost_2.yaml

# 4. Ghost+CA组合模型
--cfg models/yolov5s-ghost_12.yaml

# 5. 最终推荐模型（等同于_12）
--cfg models/yolov5s-ghost.yaml

损失函数和超参数选择

# 使用WIoU损失函数（推荐小目标检测）
--box-loss wiou

# 🎉 好消息：推荐超参数配置现已默认启用！
# 以下命令会自动使用 data/hyps/hyp.recommand.yaml 配置
python train.py --data data.yaml --cfg models/yolov5s-ghost.yaml --weights yolov5s.pt

# 如需使用其他超参数配置，可手动指定
--hyp path/to/your/custom_hyp.yaml

💡 重要更新: 从 v1.1.0 开始，hyp.recommand.yaml 已设为默认超参数配置，无需手动指定即可享受优化的训练效果！

使用原始 YOLOv5s 模型

训练原始 YOLOv5s

# 基础训练 - 原始 YOLOv5s
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --batch-size 16 --epochs 100 --img-size 640 --device 0 --project runs/train --name yolov5s_original

# 检测 - 使用原始模型
python detect.py --weights runs/train/yolov5s_original/weights/best.pt --source data/SafetyVests.v6/test/images --conf 0.25 --save-txt --project runs/detect --name yolov5s_results

使用 YOLOv5s-Ghost 轻量化模型系列

1. 基础Ghost模型（仅Ghost模块）

# 训练Ghost_1模型
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_1.yaml --weights yolov5s.pt --batch-size 16 --epochs 100 --img-size 640 --device 0 --project runs/train --name yolov5s_ghost_1

# 检测
python detect.py --weights runs/train/yolov5s_ghost_1/weights/best.pt --source data/SafetyVests.v6/test/images --conf 0.25 --save-txt --project runs/detect --name yolov5s_ghost_1_results

2. CA注意力模型（仅注意力机制）

# 训练Ghost_2模型（CA注意力）
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_2.yaml --weights yolov5s.pt --batch-size 16 --epochs 100 --img-size 640 --device 0 --project runs/train --name yolov5s_ghost_2

# 检测
python detect.py --weights runs/train/yolov5s_ghost_2/weights/best.pt --source data/SafetyVests.v6/test/images --conf 0.25 --save-txt --project runs/detect --name yolov5s_ghost_2_results

3. 组合模型（Ghost + CA，推荐）

# 训练Ghost_12组合模型
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_12.yaml --weights yolov5s.pt --batch-size 16 --epochs 100 --img-size 640 --device 0 --project runs/train --name yolov5s_ghost_12

# 使用WIoU损失函数训练
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_12.yaml --weights yolov5s.pt --batch-size 16 --epochs 100 --img-size 640 --device 0 --box-loss wiou --project runs/train --name yolov5s_ghost_12_wiou

# 使用推荐超参数训练
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_12.yaml --weights yolov5s.pt --batch-size 16 --epochs 100 --img-size 640 --device 0 --hyp data/hyps/hyp.recommand.yaml --project runs/train --name yolov5s_ghost_12_hyp

# 组合使用所有优化（推荐配置）
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_12.yaml --weights yolov5s.pt --batch-size 16 --epochs 100 --img-size 640 --device 0 --box-loss wiou --hyp data/hyps/hyp.recommand.yaml --project runs/train --name yolov5s_ghost_12_full

# 检测
python detect.py --weights runs/train/yolov5s_ghost_12/weights/best.pt --source data/SafetyVests.v6/test/images --conf 0.25 --save-txt --project runs/detect --name yolov5s_ghost_12_results

4. 最终推荐模型

# 使用最终推荐模型配置（等同于ghost_12）
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost.yaml --weights yolov5s.pt --batch-size 16 --epochs 100 --img-size 640 --device 0 --box-loss wiou --hyp data/hyps/hyp.recommand.yaml --project runs/train --name yolov5s_ghost_final

# 检测
python detect.py --weights runs/train/yolov5s_ghost_final/weights/best.pt --source data/SafetyVests.v6/test/images --conf 0.25 --save-txt --project runs/detect --name yolov5s_ghost_final_results

模型对比实验

完整对比实验（推荐）

# 1. 基线模型
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --epochs 100 --name baseline_comparison

# 2. Ghost轻量化模型
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_1.yaml --weights yolov5s.pt --epochs 100 --name ghost_1_comparison

# 3. CA注意力模型
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_2.yaml --weights yolov5s.pt --epochs 100 --name ghost_2_comparison

# 4. Ghost+CA组合模型
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_12.yaml --weights yolov5s.pt --epochs 100 --name ghost_12_comparison

# 5. Ghost+CA+WIoU组合（完整优化）
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_12.yaml --weights yolov5s.pt --epochs 100 --box-loss wiou --name ghost_12_wiou_comparison

# 6. 最终推荐配置
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost.yaml --weights yolov5s.pt --epochs 100 --box-loss wiou --hyp data/hyps/hyp.recommand.yaml --name final_optimized_comparison

快速对比实验

# 基线 vs 最优配置对比
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --epochs 100 --name baseline
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost.yaml --weights yolov5s.pt --epochs 100 --box-loss wiou --hyp data/hyps/hyp.recommand.yaml --name optimized

💡 Linux/macOS 并行训练: 在命令末尾加 & 可以并行运行

使用训练好的模型检测测试集

使用项目中已训练好的权重：

# 使用训练好的最佳权重检测测试集
python detect.py --weights runs/train/exp3/weights/best.pt --source data/SafetyVests.v6/test/images --conf 0.25 --save-txt --save-conf --project runs/test --name safety_vest_test

# 检测单张测试图片
python detect.py --weights runs/train/exp3/weights/best.pt --source data/SafetyVests.v6/test/images/image_name.jpg --conf 0.25 --save-txt

# 批量检测并保存详细结果
python detect.py --weights runs/train/exp3/weights/best.pt --source data/SafetyVests.v6/test/images --conf 0.25 --iou-thres 0.45 --save-txt --save-conf --save-crop --line-thickness 2 --project runs/detect --name test_results

模型验证和评估

# 在验证集上评估模型性能
python val.py --weights runs/train/exp3/weights/best.pt --data data/SafetyVests.v6/data.yaml --img 640 --conf 0.001 --iou 0.6 --project runs/val --name exp

# 在测试集上评估（如果测试集有标签）
python val.py --weights runs/train/exp3/weights/best.pt --data data/SafetyVests.v6/data.yaml --task test --img 640

🎓 训练模型

模型配置说明

根据models/model.md说明，项目提供以下模型配置：

yolov5s.yaml: 基线方案（原始YOLOv5s）
yolov5s-ghost_1.yaml: 添加Ghost模块（GhostConv和C3Ghost）
yolov5s-ghost_2.yaml: 添加CA注意力机制
yolov5s-ghost_12.yaml: 同时包含Ghost模块和CA注意力机制
yolov5s-ghost.yaml: 最终方案（目前和yolov5s-ghost_12.yaml相同）

在 SafetyVests.v6 数据集上训练

1. 基线模型训练

# 基础训练命令 - 原始模型
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --batch-size 16 --epochs 100 --img-size 640 --device 0 --project runs/train --name yolov5s_baseline

2. Ghost轻量化模型训练

# Ghost模块训练（_1版本）
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_1.yaml --weights yolov5s.pt --batch-size 16 --epochs 100 --img-size 640 --device 0 --project runs/train --name yolov5s_ghost_1

3. CA注意力模型训练

# CA注意力训练（_2版本）
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_2.yaml --weights yolov5s.pt --batch-size 16 --epochs 100 --img-size 640 --device 0 --project runs/train --name yolov5s_ghost_2

4. Ghost+CA组合模型训练

# 基础组合训练（_12版本）
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_12.yaml --weights yolov5s.pt --batch-size 16 --epochs 100 --img-size 640 --device 0 --project runs/train --name yolov5s_ghost_12

# 使用WIoU损失函数
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_12.yaml --weights yolov5s.pt --batch-size 16 --epochs 100 --img-size 640 --device 0 --box-loss wiou --project runs/train --name yolov5s_ghost_12_wiou

# 使用推荐超参数
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_12.yaml --weights yolov5s.pt --batch-size 16 --epochs 100 --img-size 640 --device 0 --hyp data/hyps/hyp.recommand.yaml --project runs/train --name yolov5s_ghost_12_hyp

5. 最终推荐配置训练

完整优化训练 (多行格式便于理解):

# 最终推荐配置 - 包含所有优化
python train.py \
    --data data/SafetyVests.v6/data.yaml \
    --cfg models/yolov5s-ghost.yaml \
    --weights yolov5s.pt \
    --batch-size 16 \
    --epochs 100 \
    --img-size 640 \
    --device 0 \
    --box-loss wiou \
    --hyp data/hyps/hyp.recommand.yaml \
    --project runs/train \
    --name yolov5s_ghost_final

PowerShell格式:

# Windows PowerShell 用户
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost.yaml --weights yolov5s.pt --batch-size 16 --epochs 100 --img-size 640 --device 0 --box-loss wiou --hyp data/hyps/hyp.recommand.yaml --project runs/train --name yolov5s_ghost_final

训练参数说明

新增参数

参数	选项	默认值	说明
`--box-loss`	`ciou`, `wiou`	`ciou`	边界框损失函数类型
`--hyp`	超参数文件路径	内置默认值	自定义超参数配置文件

恢复训练

# 恢复原始模型训练
python train.py --resume runs/train/yolov5s_baseline/weights/last.pt

# 恢复Ghost组合模型训练
python train.py --resume runs/train/yolov5s_ghost_12/weights/last.pt

# 恢复最终推荐模型训练
python train.py --resume runs/train/yolov5s_ghost_final/weights/last.pt

训练监控

# 启动 TensorBoard 查看训练进度
tensorboard --logdir runs/train --port 6006

模型验证

# 验证原始模型
python val.py --weights runs/train/yolov5s_baseline/weights/best.pt --data data/SafetyVests.v6/data.yaml --img 640 --conf 0.001 --iou 0.6 --project runs/val --name yolov5s_val

# 验证Ghost_1模型
python val.py --weights runs/train/yolov5s_ghost_1/weights/best.pt --data data/SafetyVests.v6/data.yaml --img 640 --conf 0.001 --iou 0.6 --project runs/val --name yolov5s_ghost_1_val

# 验证Ghost_2模型
python val.py --weights runs/train/yolov5s_ghost_2/weights/best.pt --data data/SafetyVests.v6/data.yaml --img 640 --conf 0.001 --iou 0.6 --project runs/val --name yolov5s_ghost_2_val

# 验证Ghost_12模型
python val.py --weights runs/train/yolov5s_ghost_12/weights/best.pt --data data/SafetyVests.v6/data.yaml --img 640 --conf 0.001 --iou 0.6 --project runs/val --name yolov5s_ghost_12_val

# 验证最终推荐模型
python val.py --weights runs/train/yolov5s_ghost_final/weights/best.pt --data data/SafetyVests.v6/data.yaml --img 640 --conf 0.001 --iou 0.6 --project runs/val --name yolov5s_ghost_final_val

训练完成后，模型权重将保存在对应的 runs/train/实验名称/weights/ 目录下

🔍 检测参数说明

主要命令行参数

参数	默认值	描述
`--weights`	`yolov5s.pt`	模型权重路径
`--source`	`data/images`	输入源路径
`--img-size`	`640`	推理图像大小
`--conf-thres`	`0.25`	置信度阈值
`--iou-thres`	`0.45`	NMS IoU 阈值
`--device`	`''`	设备 (cpu, 0, 1, ...)
`--save-txt`	`False`	保存结果到 txt
`--save-conf`	`False`	保存置信度到 txt
`--save-crop`	`False`	保存检测目标裁剪图像
`--project`	`runs/detect`	结果保存项目目录
`--name`	`exp`	结果保存实验名称

训练参数（新增）

参数	选项	默认值	描述
`--cfg`	模型配置文件	-	选择不同的模型架构
`--box-loss`	`ciou`, `wiou`	`ciou`	边界框损失函数类型
`--hyp`	超参数文件路径	内置默认	自定义超参数配置

模型配置选择

配置文件	架构特点	适用场景
`models/yolov5s.yaml`	原始基线	高精度需求
`models/yolov5s-ghost_1.yaml`	Ghost轻量化	基础优化
`models/yolov5s-ghost_2.yaml`	CA注意力	精度增强
`models/yolov5s-ghost_12.yaml`	Ghost+CA	平衡性能
`models/yolov5s-ghost.yaml`	最终方案	生产推荐

输出格式

检测结果保存在指定的项目目录下：

图像结果: 标注了检测框的原图像
文本结果: 每张图片对应的 .txt 文件，包含检测框坐标和置信度
裁剪图像: --save-crop 选项保存检测到的目标区域

项目结构

yolov5_ghost/
├── data/                   # 数据集
│   ├── SafetyVests.v6/    # 安全背心数据集
│   │   ├── train/         # 训练集
│   │   ├── valid/         # 验证集
│   │   ├── test/          # 测试集
│   │   └── data.yaml      # 数据集配置
│   └── hyps/              # 超参数配置
│       ├── hyp.recommand.yaml  # 推荐超参数配置 ✨
│       └── hyp.*.yaml     # 其他超参数配置
├── models/                 # 模型配置文件
│   ├── yolov5s.yaml       # YOLOv5s 原始配置（基线）
│   ├── yolov5s-ghost_1.yaml   # Ghost模块版本 ✨
│   ├── yolov5s-ghost_2.yaml   # CA注意力版本 ✨
│   ├── yolov5s-ghost_12.yaml  # Ghost+CA组合版本 ✨
│   ├── yolov5s-ghost.yaml # 最终推荐版本 ✨
│   ├── yolov5m.yaml       # YOLOv5m 配置
│   ├── common.py          # 包含所有模块实现 ✨
│   │   ├── GhostConv      # Ghost 卷积层
│   │   ├── GhostBottleneck# Ghost 瓶颈模块
│   │   ├── C3Ghost        # Ghost C3 模块
│   │   └── CoordAtt       # CA坐标注意力模块
│   ├── model.md           # 模型配置说明文档 ✨
│   └── hub/               # 模型变体
├── runs/                   # 训练和检测结果
│   ├── train/             # 训练结果
│   │   ├── yolov5s_baseline/          # 原始模型训练
│   │   ├── yolov5s_ghost_1/           # Ghost模块训练
│   │   ├── yolov5s_ghost_2/           # CA注意力训练
│   │   ├── yolov5s_ghost_12/          # Ghost+CA训练
│   │   ├── yolov5s_ghost_12_wiou/     # 使用WIoU损失训练
│   │   ├── yolov5s_ghost_final/       # 最终推荐配置训练
│   │   └── weights/       # 模型权重
│   │       ├── best.pt    # 最佳权重
│   │       └── last.pt    # 最后权重
│   ├── detect/            # 检测结果
│   └── val/               # 验证结果
├── utils/                  # 工具函数
│   ├── loss.py            # 损失函数（包含WIoU实现）✨
│   └── ...                # 其他工具函数
├── paper/                  # 相关研究论文
│   └── ghost.pdf          # GhostNet 论文 📚
├── train.py               # 训练脚本（支持--box-loss和--hyp参数）✨
├── detect.py              # 检测脚本
├── val.py                 # 验证脚本
├── export.py              # 模型导出脚本
├── test_all_models.py     # 批量模型测试脚本 ✨
├── test_models_usage.md   # 模型测试使用说明 ✨
├── ENHANCEMENT_SUMMARY.md # 功能增强总结 ✨
├── NO_SAFETY_VEST_RECALL_ENHANCEMENT.md # NO-Safety Vest召回率增强说明 ✨
├── requirements.txt       # pip 依赖包
├── environment.yml        # conda 环境配置
└── README.md              # 项目说明

🔧 核心修改文件

1. 模型配置文件（新增多个版本）

models/yolov5s-ghost_1.yaml: 仅包含Ghost模块的轻量化版本
models/yolov5s-ghost_2.yaml: 仅包含CA注意力机制的版本
models/yolov5s-ghost_12.yaml: 同时包含Ghost模块和CA注意力机制
models/yolov5s-ghost.yaml: 最终推荐方案（等同于_12版本）

2. models/common.py (扩展)

包含完整的轻量化模块实现：

GhostConv: 实现 Ghost 卷积操作
GhostBottleneck: Ghost 瓶颈结构
C3Ghost: 基于 Ghost Bottleneck 的 C3 模块
CoordAtt: 坐标注意力机制模块

3. utils/loss.py (修改)

添加了完整的 WIoU 损失函数实现
支持在训练时通过 --box-loss wiou 参数启用

4. train.py (修改)

新增 --box-loss 参数支持CIoU和WIoU损失函数选择
完善超参数文件支持

5. data/hyps/hyp.recommand.yaml (新增)

针对Ghost模型优化的推荐超参数配置
包含数据增强、学习率等优化参数

3. 主干网络架构对比

层级	原始 YOLOv5s	Ghost_1	Ghost_2	Ghost_12/Final	说明
P1/2	Conv	GhostConv	Conv	GhostConv	第一层卷积
P2/4	Conv	GhostConv	Conv	GhostConv	第二层卷积
CSP1	C3	C3Ghost	C3	C3Ghost	第一个 CSP 模块
CA1	-	-	CoordAtt	CoordAtt	第一个注意力层
P3/8	Conv	GhostConv	Conv	GhostConv	第三层卷积
CSP2	C3	C3Ghost	C3	C3Ghost	第二个 CSP 模块
CA2	-	-	CoordAtt	CoordAtt	第二个注意力层
P4/16	Conv	GhostConv	Conv	GhostConv	第四层卷积
CSP3	C3	C3Ghost	C3	C3Ghost	第三个 CSP 模块
P5/32	Conv	GhostConv	Conv	GhostConv	第五层卷积
CSP4	C3	C3Ghost	C3	C3Ghost	第四个 CSP 模块
SPPF	SPPF	SPPF	SPPF	SPPF	空间金字塔池化（保持不变）
CA3	-	-	CoordAtt	CoordAtt	第三个注意力层
Head CA	-	-	CoordAtt×3	CoordAtt×3	检测头注意力

4. 损失函数对比

损失函数	特点	数学原理	适用场景
CIoU	考虑距离、重叠、比例	Complete IoU	一般目标检测
WIoU	动态权重聚焦	Wise IoU with focus	小目标、遮挡检测

超参数调优

统一超参数配置（便于对比）

🎯 重要: 所有模型均采用默认的推荐超参数配置，确保公平对比

所有模型统一配置:

学习率: 0.01 (推荐配置默认值)
训练轮次: 100 (标准对比轮次)
批次大小: 16 (统一批次大小)
数据增强: 推荐配置 (默认启用)
超参数文件: hyp.recommand.yaml (自动使用)

模型差异仅在于架构:

YOLOv5s: 原始基线架构
Ghost_1: 仅Ghost轻量化模块
Ghost_2: 仅CA注意力机制
Ghost_12: Ghost + CA组合优化

这样可以纯粹对比不同架构的性能差异，排除超参数影响。

WIoU损失函数使用建议

# 适合使用WIoU的场景
--box-loss wiou  # 当遇到以下情况时推荐使用：
# 1. 小目标较多的场景
# 2. 目标密集重叠的场景  
# 3. 背景复杂的场景
# 4. 训练收敛困难时

部署优化

模型导出

# 导出 ONNX 格式 - 原始模型
python export.py --weights runs/train/yolov5s_baseline/weights/best.pt --include onnx --img-size 640

# 导出 ONNX 格式 - Ghost_1轻量化模型
python export.py --weights runs/train/yolov5s_ghost_1/weights/best.pt --include onnx --img-size 640

# 导出 ONNX 格式 - Ghost_2注意力模型
python export.py --weights runs/train/yolov5s_ghost_2/weights/best.pt --include onnx --img-size 640

# 导出 ONNX 格式 - Ghost_12组合模型（推荐）
python export.py --weights runs/train/yolov5s_ghost_12/weights/best.pt --include onnx --img-size 640

# 导出 ONNX 格式 - 最终推荐模型
python export.py --weights runs/train/yolov5s_ghost_final/weights/best.pt --include onnx --img-size 640

移动端部署

# 导出 TensorRT - 适合 NVIDIA 设备（Ghost轻量化模型推荐）
python export.py --weights runs/train/yolov5s_ghost_1/weights/best.pt --include engine --device 0

# 导出 CoreML - 适合 iOS 设备（Ghost轻量化模型推荐）
python export.py --weights runs/train/yolov5s_ghost_1/weights/best.pt --include coreml

# 导出 TensorRT - 平衡性能模型
python export.py --weights runs/train/yolov5s_ghost_12/weights/best.pt --include engine --device 0

# 导出 CoreML - 平衡性能模型
python export.py --weights runs/train/yolov5s_ghost_12/weights/best.pt --include coreml

性能调优技巧

推理优化

批处理: 对于批量图像处理，使用更大的 batch size
输入尺寸: 根据精度需求调整输入图像尺寸（416, 512, 640）
后处理: 调整 NMS 阈值平衡速度和精度
模型选择:
- 速度优先: 选择 Ghost_1
- 精度优先: 选择 Ghost_2
- 平衡性能: 选择 Ghost_12

内存优化

半精度推理: 使用 FP16 减少内存占用
模型剪枝: 进一步减少模型大小
量化: 使用 INT8 量化提升推理速度
架构选择: Ghost系列模型天然内存友好

训练优化

损失函数: 小目标多时使用 WIoU 损失
数据增强: 使用推荐超参数配置
学习率: 根据模型架构调整学习率策略
训练轮次: Ghost模型建议更多训练轮次

📈 性能指标

模型架构对比

指标	YOLOv5s	Ghost_1	Ghost_2	Ghost_12	说明
Ghost模块	❌	✅	❌	✅	轻量化卷积
CA注意力	❌	❌	✅	✅	坐标注意力
预期参数量	7.2M	~5.8M	~7.5M	~6.0M	理论估算
预期计算量	16.5G	~10.3G	~17.2G	~11.0G	理论估算
适用场景	基线	轻量化	精度优先	平衡性能	部署建议

损失函数对比

损失函数	特点	优势	适用场景
CIoU	完整IoU	训练稳定	一般目标检测
WIoU	智能权重	聚焦难样本	小目标/密集检测

超参数配置对比

配置	特点	数据增强强度	适用模型
默认超参数	通用配置	标准	所有模型
推荐超参数	优化配置	增强	Ghost系列

注：具体性能数据将在训练完成后更新

🔧 配置文件

环境配置 (environment.yml)

name: yolov5_ghost
channels:
  - pytorch
  - conda-forge
  - defaults
dependencies:
  - python=3.9
  - pytorch>=1.8.0
  - torchvision>=0.9.0
  - numpy>=1.23.5
  - opencv>=4.1.1
  # ... 其他依赖

数据集配置 (data.yaml)

path: ./  # dataset root dir
train: data/SafetyVests.v6/train/images
val: data/SafetyVests.v6/valid/images
test: data/SafetyVests.v6/test/images

nc: 2  # number of classes
names: ['NO-Safety Vest', 'Safety Vest']  # class names

模型配置对比

原始 YOLOv5s (models/yolov5s.yaml)

# YOLOv5 v6.0 backbone
backbone:
  [
    [-1, 1, Conv, [64, 6, 2, 2]],        # 0-P1/2
    [-1, 1, Conv, [128, 3, 2]],          # 1-P2/4
    [-1, 3, C3, [128]],                  # 2
    [-1, 1, Conv, [256, 3, 2]],          # 3-P3/8
    [-1, 6, C3, [256]],                  # 4
    [-1, 1, Conv, [512, 3, 2]],          # 5-P4/16
    [-1, 9, C3, [512]],                  # 6
    [-1, 1, Conv, [1024, 3, 2]],         # 7-P5/32
    [-1, 3, C3, [1024]],                 # 8
    [-1, 1, SPPF, [1024, 5]],            # 9
  ]

YOLOv5s-Ghost 模型变体对比 (models/yolov5s-ghost*.yaml) ✨

Ghost_1 版本:

# 仅包含Ghost模块的轻量化版本
backbone:
  [
    [-1, 1, GhostConv, [64, 6, 2, 2]],   # Ghost卷积替换
    [-1, 1, GhostConv, [128, 3, 2]],     # Ghost卷积替换
    [-1, 3, C3Ghost, [128]],             # Ghost C3替换
    # ... 其他层使用Ghost模块
  ]

Ghost_2 版本:

# 仅包含CA注意力机制的版本
backbone:
  [
    [-1, 1, Conv, [64, 6, 2, 2]],        # 保持标准卷积
    [-1, 1, Conv, [128, 3, 2]],          # 保持标准卷积
    [-1, 3, C3, [128]],                  # 保持标准C3
    [-1, 1, CoordAtt, [256]],            # 添加CA注意力 ✨
    # ... 在关键位置添加注意力机制
  ]

Ghost_12 版本（推荐）:

# 同时包含Ghost模块和CA注意力机制
backbone:
  [
    [-1, 1, GhostConv, [64, 6, 2, 2]],   # Ghost卷积
    [-1, 1, GhostConv, [128, 3, 2]],     # Ghost卷积
    [-1, 3, C3Ghost, [128]],             # Ghost C3
    [-1, 1, CoordAtt, [256]],            # CA注意力 ✨
    # ... 结合两种优化技术
  ]

WIoU损失函数实现 (utils/loss.py) ✨

class WIoU:
    """
    Wise-IoU loss function implementation
    Paper: https://arxiv.org/abs/2301.10051
    """
    def __init__(self, pred, target, eps=1e-7, alpha=2.0, beta=4.0):
        self.eps = eps
        self.alpha = alpha  
        self.beta = beta
        self.pred = pred
        self.target = target
        self.iou = bbox_iou(pred, target, xywh=True, CIoU=False).squeeze()

    @property
    def wiou(self):
        """Calculate WIoU loss with dynamic focusing mechanism"""
        # 计算中心点距离
        dist = torch.sum((self.pred[:, :2] - self.target[:, :2]) ** 2, dim=1)
        
        # 计算包围框尺寸
        # ... 详细实现见源码
        
        # R_WIoU 计算
        r_wiou = torch.exp(dist / (cw ** 2 + ch ** 2 + self.eps))
        
        # 最终WIoU损失计算
        beta = (self.iou.detach() / self.alpha).pow(self.beta)
        loss_wiou = r_wiou * (1 - self.iou) * beta
        return loss_wiou.mean()

CoordAtt注意力机制实现 (models/common.py) ✨

class CoordAtt(nn.Module):
    """
    Coordinate Attention mechanism
    Paper: Coordinate Attention for Efficient Mobile Network Design
    """
    def __init__(self, inp, oup, reduction=32):
        super(CoordAtt, self).__init__()
        # X和Y方向的池化
        self.pool_h = nn.AdaptiveAvgPool2d((None, 1))
        self.pool_w = nn.AdaptiveAvgPool2d((1, None))
        
        mip = max(8, inp // reduction)
        self.conv1 = nn.Conv2d(inp, mip, kernel_size=1, stride=1, padding=0)
        self.bn1 = nn.BatchNorm2d(mip)
        self.act = h_swish()
        
        # 分别处理H和W方向的注意力
        self.conv_h = nn.Conv2d(mip, oup, kernel_size=1, stride=1, padding=0)
        self.conv_w = nn.Conv2d(mip, oup, kernel_size=1, stride=1, padding=0)

    def forward(self, x):
        identity = x
        n, c, h, w = x.size()
        
        # 分别在H和W方向进行池化
        x_h = self.pool_h(x)
        x_w = self.pool_w(x).permute(0, 1, 3, 2)
        
        # 连接和处理
        y = torch.cat([x_h, x_w], dim=2)
        y = self.conv1(y)
        y = self.bn1(y)
        y = self.act(y)
        
        # 分离H和W方向的注意力
        x_h, x_w = torch.split(y, [h, w], dim=2)
        x_w = x_w.permute(0, 1, 3, 2)
        
        # 生成注意力权重
        a_h = self.conv_h(x_h).sigmoid()
        a_w = self.conv_w(x_w).sigmoid()
        
        # 应用注意力
        out = identity * a_w * a_h
        return out

使用说明

模型选择参数

--cfg models/yolov5s.yaml: 使用原始 YOLOv5s（基线）
--cfg models/yolov5s-ghost_1.yaml: 使用Ghost轻量化版本
--cfg models/yolov5s-ghost_2.yaml: 使用CA注意力版本
--cfg models/yolov5s-ghost_12.yaml: 使用Ghost+CA组合版本
--cfg models/yolov5s-ghost.yaml: 使用最终推荐版本

损失函数选择参数

--box-loss ciou: 使用CIoU损失函数（默认）
--box-loss wiou: 使用WIoU损失函数（推荐小目标检测）

超参数配置参数

--hyp data/hyps/hyp.recommand.yaml: 使用推荐超参数（Ghost模型优化）

完整命令示例

# 最优配置训练
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost.yaml --weights yolov5s.pt --box-loss wiou --hyp data/hyps/hyp.recommand.yaml

# 基线对比训练
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt

# 轻量化训练
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_1.yaml --weights yolov5s.pt

# 注意力增强训练
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_2.yaml --weights yolov5s.pt

快速开始 (单行命令)

# 训练基线模型
python train.py --cfg models/yolov5s.yaml --data data/SafetyVests.v6/data.yaml --weights yolov5s.pt

# 训练Ghost轻量化模型
python train.py --cfg models/yolov5s-ghost_1.yaml --data data/SafetyVests.v6/data.yaml --weights yolov5s.pt

# 训练CA注意力模型
python train.py --cfg models/yolov5s-ghost_2.yaml --data data/SafetyVests.v6/data.yaml --weights yolov5s.pt

# 训练Ghost+CA组合模型
python train.py --cfg models/yolov5s-ghost_12.yaml --data data/SafetyVests.v6/data.yaml --weights yolov5s.pt

# 训练最终推荐模型（完整优化）
python train.py --cfg models/yolov5s-ghost.yaml --data data/SafetyVests.v6/data.yaml --weights yolov5s.pt --box-loss wiou --hyp data/hyps/hyp.recommand.yaml

完整工作流程

# 1. 训练基线模型（对比用）
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --epochs 100 --name baseline

# 2. 训练Ghost轻量化模型
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_1.yaml --weights yolov5s.pt --epochs 120 --name ghost_1

# 3. 训练CA注意力模型
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_2.yaml --weights yolov5s.pt --epochs 110 --name ghost_2

# 4. 训练Ghost+CA组合模型
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost_12.yaml --weights yolov5s.pt --epochs 100 --name ghost_12

# 5. 训练最终优化模型
python train.py --data data/SafetyVests.v6/data.yaml --cfg models/yolov5s-ghost.yaml --weights yolov5s.pt --epochs 100 --box-loss wiou --hyp data/hyps/hyp.recommand.yaml --name final

# 6. 验证所有模型
python val.py --weights runs/train/baseline/weights/best.pt --data data/SafetyVests.v6/data.yaml
python val.py --weights runs/train/ghost_1/weights/best.pt --data data/SafetyVests.v6/data.yaml
python val.py --weights runs/train/ghost_2/weights/best.pt --data data/SafetyVests.v6/data.yaml
python val.py --weights runs/train/ghost_12/weights/best.pt --data data/SafetyVests.v6/data.yaml
python val.py --weights runs/train/final/weights/best.pt --data data/SafetyVests.v6/data.yaml

# 7. 检测测试（使用最佳模型）
python detect.py --weights runs/train/final/weights/best.pt --source data/SafetyVests.v6/test/images --save-txt --save-conf

# 8. 导出部署模型
python export.py --weights runs/train/final/weights/best.pt --include onnx --img-size 640

💡 提示: 所有命令都采用跨平台兼容格式，可在Windows、Linux、macOS上直接运行

未来改进方向

🚀 进一步轻量化: 结合知识蒸馏和模型剪枝技术
🚀 自动化调优: 自动搜索最优的Ghost和CA模块配置
🚀 多任务扩展: 扩展到其他YOLO任务（分割、分类、姿态估计）
🚀 硬件优化: 针对特定硬件平台的专门优化（ARM、NPU等）
🚀 新技术融合: 集成更多SOTA轻量化技术（MobileNet、EfficientNet等）
🚀 端到端优化: 从数据预处理到后处理的全链路优化

🎬 视频流检测

您可以使用 tools/video.py 脚本进行实时视频流检测。

摄像头实时检测

python tools/video.py --weights models_trained/Ghost_e10_0626/weights/best.pt --source 0

--weights: 指定训练好的模型权重路径。
--source 0: 使用默认摄像头。

视频文件检测

python tools/video.py --weights models_trained/Ghost_e10_0626/weights/best.pt --source ./data/videos/your_video.mp4

--source: 指定视频文件路径。

在检测窗口按 q 键退出。

⭐ 基于 YOLOv5 的多模块轻量化安全背心检测系统
🎯 高效 · 轻量 · 精准 · 易用 · 可配置
🔧 Ghost轻量化 + CA注意力 + WIoU损失 + 优化超参数

🧪 模型测试与评估

批量模型测试工具

本项目提供了强大的批量模型测试工具 test_all_models.py，支持自动测试多个模型并生成详细的性能对比报告。

🎯 主要功能

✅ 多模型批量测试: 自动测试指定文件夹下的所有模型
✅ 灵活的模型选择: 支持选择 best.pt 或 last.pt 模型
✅ 训练文件夹选择: 支持测试不同训练轮数的模型（train200epoch, train300epoch等）
✅ NO-Safety Vest召回率专门跟踪: 重点关注安全背心检测的关键指标
✅ 自定义检测阈值: 支持自定义置信度和IoU阈值
✅ 智能输出目录: 自动生成带时间戳和训练信息的结果目录
✅ 详细性能报告: 生成汇总报告和JSON格式的详细结果

🚀 快速开始

# 列出可用的训练文件夹
python test_all_models.py --list-folders

# 测试train200epoch文件夹下的所有best模型（默认）
python test_all_models.py

# 测试train300epoch文件夹下的所有last模型
python test_all_models.py --train-folder train300epoch --model-type last

# 使用自定义阈值测试
python test_all_models.py --train-folder train300epoch --model-type best --conf-thres 0.25 --iou-thres 0.7

📊 输出结果

测试完成后会生成以下结果：

runs/train300epoch_test_best_20250629_161302/
├── summary_report.txt          # 汇总报告
├── detailed_results.json       # 详细JSON结果
├── error_images/               # 预测错误的图片
│   ├── model1/
│   └── model2/
├── model1/                     # 各模型的详细结果
│   ├── results.csv
│   ├── labels/
│   └── ...
└── model2/
    └── ...

📈 性能对比示例

汇总报告包含两个重要的性能对比表格：

整体模型性能对比:

模型名称              Precision    Recall       [email protected]      [email protected]:0.95
yolov5s-ghost_1_     0.8390       0.8400       0.8670       0.5350
yolov5s-ghost_2_     0.8930       0.8420       0.8930       0.5810
yolov5s_            0.8890       0.8300       0.8890       0.5720

NO-Safety Vest 类别性能对比:

模型名称              Precision    Recall       [email protected]      [email protected]:0.95
yolov5s-ghost_1_     0.8090       0.8090       0.8310       0.4420
yolov5s-ghost_2_     0.8420       0.8390       0.8560       0.4890
yolov5s_            0.8390       0.8390       0.8560       0.4890

🔧 命令行参数

参数	类型	默认值	说明
`--model-type`	str	`best`	选择模型类型：`best` 或 `last`
`--train-folder`	str	`train200epoch`	训练文件夹名称
`--conf-thres`	float	`0.001`	置信度阈值（0.0-1.0）
`--iou-thres`	float	`0.6`	IoU阈值（0.0-1.0）
`--list-folders`	flag	-	列出所有可用的训练文件夹

💡 使用建议

验证模式: 使用低置信度阈值（0.001）评估完整召回率
实际应用: 使用较高置信度阈值（0.25-0.5）获得可靠检测
模型对比: 同时测试不同训练轮数和模型类型，找出最佳配置
关注NO-Safety Vest召回率: 这是安全检测应用的关键指标

详细使用说明请参考：test_models_usage.md

📝 更新日志

v1.2.0 (2025-06-29)

🧪 模型测试与评估功能

批量模型测试工具: 新增 test_all_models.py 脚本，支持批量测试多个模型
训练文件夹选择: 支持选择不同训练文件夹的模型进行测试
NO-Safety Vest召回率专门跟踪: 重点关注安全背心检测的关键指标
智能输出目录命名: 自动生成 {train_folder}_test_{model_type}_{timestamp} 格式的结果目录
详细性能报告: 生成包含整体性能和NO-Safety Vest专门性能的汇总报告
自动文件夹检测: 自动扫描和验证可用的训练文件夹

🔧 功能增强

命令行参数支持: 支持通过命令行参数控制模型类型、训练文件夹、置信度阈值等
错误处理优化: 增强的错误处理和用户友好的提示信息
解析功能修复: 修复NO-Safety Vest召回率解析问题，确保准确的性能指标

📊 测试结果示例

# 不同训练文件夹模型对比结果
train200epoch + best + conf=0.001: 最佳[email protected]=0.9050, NO-Safety Vest召回率=0.8280
train300epoch + best + conf=0.25:  最佳[email protected]=0.8930, NO-Safety Vest召回率=0.8390

v1.1.0 (2025-06-27)

🔧 超参数优化

默认超参数配置更新: 将 hyp.recommand.yaml 设置为默认的数据增强配置
- 主训练脚本 train.py 现在默认使用优化的超参数配置
- 分割训练脚本 segment/train.py 同步更新默认配置
- 无需手动指定 --hyp 参数即可享受优化的训练效果

📈 性能改进

增强的数据增强: 包含更优的旋转、剪切、混合等增强参数
训练稳定性: 针对 Ghost 模型优化的学习率和权重衰减配置
小目标检测: 改进的 HSV 和几何变换参数，提升小目标检测性能

🚀 使用便利性

简化命令: 训练命令更加简洁，默认配置即为最优
向后兼容: 仍支持通过 --hyp 参数指定自定义超参数文件
一致性: 主训练和分割训练使用相同的优化配置

示例更新

# 之前需要手动指定
python train.py --data data.yaml --cfg models/yolov5s-ghost.yaml --weights yolov5s.pt --hyp data/hyps/hyp.recommand.yaml

# 现在可以直接使用（自动使用优化配置）
python train.py --data data.yaml --cfg models/yolov5s-ghost.yaml --weights yolov5s.pt

v1.0.0 (2025-06-25)

🎯 初始发布

Ghost 轻量化模块: 基于 GhostNet 的模型轻量化
CA 注意力机制: 坐标注意力增强特征表达
WIoU 损失函数: 智能 IoU 损失优化训练
多模型配置: 提供 5 种不同的模型配置选择
完整文档: 详细的安装、训练、检测指南

⭐ 基于 YOLOv5 的多模块轻量化安全背心检测系统
🎯 高效 · 轻量 · 精准 · 易用 · 可配置
🔧 Ghost轻量化 + CA注意力 + WIoU损失 + 优化超参数

Name		Name	Last commit message	Last commit date
Latest commit History 2,895 Commits
.github		.github
EDA_error_analysis		EDA_error_analysis
GUIDE		GUIDE
analysis_results		analysis_results
classify		classify
custom_analysis		custom_analysis
data/hyps		data/hyps
docs		docs
models		models
paper		paper
runs		runs
scripts		scripts
segment		segment
utils		utils
vae		vae
.dockerignore		.dockerignore
.gitattributes		.gitattributes
.gitignore		.gitignore
CITATION.cff		CITATION.cff
CONTRIBUTING.md		CONTRIBUTING.md
FINAL_TRAINING_GUIDE.md		FINAL_TRAINING_GUIDE.md
FINAL_UPDATE_SUMMARY.md		FINAL_UPDATE_SUMMARY.md
HYBRID_MOE_FIX_SUMMARY.md		HYBRID_MOE_FIX_SUMMARY.md
LICENSE		LICENSE
MODEL_IMPORT_FIX_SUMMARY.md		MODEL_IMPORT_FIX_SUMMARY.md
MOE_REDESIGN_SUMMARY.md		MOE_REDESIGN_SUMMARY.md
PAPER_METRICS_GUIDE.md		PAPER_METRICS_GUIDE.md
RA_MAP_FEATURE_GUIDE.md		RA_MAP_FEATURE_GUIDE.md
README.md		README.md
SMOOTH_EARLY_STOPPING_GUIDE.md		SMOOTH_EARLY_STOPPING_GUIDE.md
TRAINING_FIX_GUIDE.md		TRAINING_FIX_GUIDE.md
YOLOV5S_SE_SUMMARY.md		YOLOV5S_SE_SUMMARY.md
activation_parameters_summary.md		activation_parameters_summary.md
analysis_comparison.py		analysis_comparison.py
analyze_activation_breakdown.py		analyze_activation_breakdown.py
analyze_models.py		analyze_models.py
analyze_moe_lite_activation.py		analyze_moe_lite_activation.py
analyze_new_moe_designs.py		analyze_new_moe_designs.py
analyze_se_model.py		analyze_se_model.py
benchmarks.py		benchmarks.py
calculate_activation_parameters.py		calculate_activation_parameters.py
convert_summary_to_excel.py		convert_summary_to_excel.py
create_clustered_dataset.py		create_clustered_dataset.py
data_augmentation_generator.py		data_augmentation_generator.py
debug_hybrid_moe.py		debug_hybrid_moe.py
detect.py		detect.py
download_railroad_dataset.py		download_railroad_dataset.py
download_safety_helmet_dataset.py		download_safety_helmet_dataset.py
early_stopping_analysis.py		early_stopping_analysis.py
enhanced_generation.py		enhanced_generation.py
environment.yml		environment.yml
environment_linux.yml		environment_linux.yml
export.py		export.py
fix_moe_architecture.py		fix_moe_architecture.py
hubconf.py		hubconf.py
model_prediction_analysis.py		model_prediction_analysis.py
prepare_railroad_dataset.py		prepare_railroad_dataset.py
pyproject.toml		pyproject.toml
requirements.txt		requirements.txt
run_eda_analysis.py		run_eda_analysis.py
safety_compliance_analysis_report.md		safety_compliance_analysis_report.md
simple_data_analysis.py		simple_data_analysis.py
test_all_models.py		test_all_models.py
test_confidence_thresholds.py		test_confidence_thresholds.py
test_epoch_fix.py		test_epoch_fix.py
test_file_naming.py		test_file_naming.py
test_hybrid_moe_fix.py		test_hybrid_moe_fix.py
test_model_import.py		test_model_import.py
test_ra_map_calculation.py		test_ra_map_calculation.py
test_smooth_early_stopping.py		test_smooth_early_stopping.py
train.py		train.py
train_clustered_template_vae.py		train_clustered_template_vae.py
train_position_aware_vae.py		train_position_aware_vae.py
train_safety_helmet_models.py		train_safety_helmet_models.py
train_safety_helmet_models.sh		train_safety_helmet_models.sh
tutorial.ipynb		tutorial.ipynb
val.py		val.py
verify_excel.py		verify_excel.py
yolov5s.pt		yolov5s.pt

License

LJK666666666/yolov5_ghost

Folders and files

Latest commit

History

Repository files navigation

YOLOv5 Ghost - 安全背心检测系统

📋 目录

🎯 项目简介

检测类别

✨ 功能特点

🎯 YOLOv5s-Ghost 轻量化改进

🚀 技术改进

1. Ghost 模块原理

2. CA注意力机制（Coordinate Attention）

3. WIoU损失函数（Wise IoU Loss）

实现的模块

📊 模型配置对比

🔧 损失函数选择

🎛️ 超参数配置

🚀 性能优势

💻 环境要求

🛠️ 安装指南

方法一：使用 Conda 环境文件（推荐）

1. 克隆项目

2. 创建并激活 Conda 环境

3. 验证安装

方法二：手动安装

1. 克隆项目

2. 创建虚拟环境

3. 安装 PyTorch

4. 安装其他依赖

下载预训练权重

环境配置说明

📊 数据集

📥 数据集下载

方法1：直接从 Roboflow 下载（推荐）

方法2：使用 Roboflow Python SDK

方法3：手动创建目录结构

数据集结构

📋 数据集信息

🚀 快速开始

模型架构选择

损失函数和超参数选择

使用原始 YOLOv5s 模型

训练原始 YOLOv5s

使用 YOLOv5s-Ghost 轻量化模型系列

1. 基础Ghost模型（仅Ghost模块）

2. CA注意力模型（仅注意力机制）

3. 组合模型（Ghost + CA，推荐）

4. 最终推荐模型

模型对比实验

完整对比实验（推荐）

快速对比实验

使用训练好的模型检测测试集

模型验证和评估

🎓 训练模型

模型配置说明

在 SafetyVests.v6 数据集上训练

1. 基线模型训练

2. Ghost轻量化模型训练

3. CA注意力模型训练

4. Ghost+CA组合模型训练

5. 最终推荐配置训练

训练参数说明

新增参数

推荐参数组合

恢复训练

训练监控

模型验证

🔍 检测参数说明

主要命令行参数

训练参数（新增）

模型配置选择

输出格式

项目结构

🔧 核心修改文件

1. 模型配置文件（新增多个版本）

2. models/common.py (扩展)

3. utils/loss.py (修改)