改进YOLO的群养猪行为识别算法研究及部署(小程序-网站平台-pyqt)

本文主要是介绍改进YOLO的群养猪行为识别算法研究及部署(小程序-网站平台-pyqt),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

概述

在这里插入图片描述

群养猪的运动信息和行为信息与其健康状况息息相关,但人工巡视费时费力,本实验提出采用行为识别算法于群养猪的养殖管理中,识别群养猪drink(饮水)stand(站立)lie(躺卧)行为,为自动化养殖提供基础。本项目最终以三种不同的形式进行部署,分别为:

  • 网站平台
  • 微信小程序
  • PyQt应用程序

实验流程

下图是基于改进YOLOv5s的群养猪行为识别模型建立流程,可概括为以下几个阶段:数据集的准备工作,YOLOv5模型的搭建,模型结构的调优和模型的部署。

在这里插入图片描述

数据集的准备工作

关于群养猪的行为相关的数据集十分难获取,尤其是饮水行为的数据集。进行数据集的准备工作时,首先通过在生猪养殖场抓拍特定行为的图片和编写脚本爬取网络图片来采集数据集,然后使用labelImg软件进行数据集的标注,并将群养猪的行为定义为drink(饮水)、stand(站立)和lie(躺卧),标注完成后编写代码将标注数据转化为txt格式,原始图片和txt格式的标注文件共同构成群养猪行为识别数据集。

YOLOv5模型的搭建

在YOLOv5s模型的搭建阶段,将输入端、骨干网络、颈部网络和头部网络按照一定组织结构连接起来,同时可在yolov5/models/yolov5s.yaml文件中按需修改骨干网络和头部网络的结构,修改后可通过运行yolov5/models/yolo.py文件查看网络结构。

注意:YOLOv5模型的搭建对应的工作目录是yolov5

模型结构的调优

在模型结构的调优阶段,在深度学习平台中开始对模型进行训练,直到模型收敛,然后对模型进行测试,比较并调整模型结构,周而复始,直到得到适用于群养环境下密集拥挤的生猪检测场景的模型。

在YOLOv5s基础上,提出两种改进群养猪行为识别方法。第一点改进为:将坐标注意力模块(Coordinate Attention,CA)融合在YOLOv5s的骨干网络之后,记为YOLOv5s_CA。CA能够突出特征图的重要行为特征,抑制一般特征,对比于基于YOLOv5s群养猪行为识别算法,该模型的召回率、F1得分和mAP@0.5均有提升,分别为90.6%,0.897和93.0%。第二点改进为:在YOLOv5s_CA的基础上,用DIoU-NMS后处理算法替换NMS,记为改进YOLOv5s_CA。该改进方法在行为识别预测阶段,能够有效保留图像中密集遮挡的目标生猪检测框,降低生猪的漏检率。下图为改进YOLOv5s_CA的网络结构:

在这里插入图片描述

下表为基于YOLOv5s网络的消融实验结果:

CADIoU-NMS精确率(%)召回率(%)F1mAP@0.5(%)推理时间
--92.486.40.89392.92.475ms/张
-88.890.60.89793.02.725ms/张
-88.493.10.90793.66.600ms/张
90.991.50.91294.16.763ms/张

注意:YOLOv5模型结构的调优对应的工作目录是yolov5

模型的部署

通用中间格式ONNX

首先将自己训练得到的群养猪行为识别模型,转换为机器学习通用中间格式ONNX,为后续ONNX Runtime部署奠定基础。导出ONNX需要声明输入图像的大小,我指定为640×640​,其核心代码如下:

torch.onnx.export(model, img, f, verbose=False, opset_version=12, input_names=['images'],dynamic_axes={'images': {0: 'batch', 2: 'height', 3: 'width'},  # size(1,3,640,640)'output': {0: 'batch', 2: 'y', 3: 'x'}} if opt.dynamic else None)

注意:导出ONNX的代码为yolov5/models/export.py。在导出改进YOLOv5s_CA模型为ONNX格式时,坐标注意力中使用了nn.AdaptiveAvgPool2d,这个操作符在ONNX是动态的,ONNX暂时不支持导出。因此,导出的是基于YOLOv5s的群养猪行为识别模型,并在后续的部署中使用该模型。

使用ONNX Runtime部署即可调用ONNX格式的模型,其核心代码如下:

import onnxruntime as ort
self.onnx_session = ort.InferenceSession(onnx_path)
# 推理结果
pred = self.onnx_session.run(None, input_feed)[0]  # <class 'numpy.ndarray'>(1, 25200, 9)

注意:使用ONNX进行推理的代码为yolov5_deploy/onnx_inference3.py

部署平台

  • 腾讯云
  • Ubuntu-20.04
  • CPU-2核
  • 内存-2GB
    在这里插入图片描述

使用Flask部署后端服务

使用轻量级的Flask框架编写调用YOLOv5s模型进行推理的接口,各个接口的功能如下:

接口功能
http://1.12.231.219:8083/demo上传图片并进行推理识别的demo
http://1.12.231.219:8083/upload_image上传图片
http://1.12.231.219:8083/results/查看图片
http://1.12.231.219:8083/yolo调用ONNX模型进行推理

注意:使用Flask部署后端服务的工作目录为yolov5_deploy

下图为能直接展示的Flask后端接口:
在这里插入图片描述

网站平台

网站部署网址:http://1.12.231.219/

在网站平台的实现上,实验采用Vue.js作为前端框架,使用轻量级的Flask框架编写的后端接口,采用前后端分离的方式进行网站平台的开发。下图为网站平台首页:

将网页下拉到底部,用户可以点击“选择文件”的按钮上传群养猪图片,并点击“行为识别”:

在这里插入图片描述

注意:使用Vue部署网站平台的工作目录为deepvue。Vue项目的打包部署已上传至谷歌云端

微信小程序

在微信小程序的实现上,实验使用微信开发者工具进行开发,后端采用Flask框架进行编写,以前后端分离的方式完成该项目设计与开发。由于需要域名才能上线小程序,因此微信端的部署仅限于本地开发,之后有充足的经济支持会考虑上架小程序。

微信小程序的界面如下图所示,界面划分为“登录”、 “行为识别”和“个人中心”三个部分。

群养猪行为识别检测系统(微信小程序)操作展示如下:
在这里插入图片描述

<
注意:使用开发微信小程序的工作目录为wx-pig

PyQt应用程序

在应用软件的实现上,实验采用Python和PyQt5完成对群养猪行为识别检测系统的开发,借助界面设计辅助工具QtDesigner完成应用软件的界面设计工作。应用软件的主界面如下所示,界面划分为五个模块,分别为“图片显示模块”、“图片调整模块”、“图片信息模块”、“识别结果模块”和“功能按钮模块”。
应用程序操作如下所示:
在这里插入图片描述

注意:使用PyQt开发应用程序的工作目录为yolov5_pyqt。PyQt应用程序的部署exe文件已上传至谷歌云端硬盘

更多信息

计算机视觉、图像处理、毕业辅导、作业帮助、代码获取,远程协助,代码定制,私聊会回复!

这篇关于改进YOLO的群养猪行为识别算法研究及部署(小程序-网站平台-pyqt)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1130473

相关文章

闲置电脑也能活出第二春?鲁大师AiNAS让你动动手指就能轻松部署

对于大多数人而言,在这个“数据爆炸”的时代或多或少都遇到过存储告急的情况,这使得“存储焦虑”不再是个别现象,而将会是随着软件的不断臃肿而越来越普遍的情况。从不少手机厂商都开始将存储上限提升至1TB可以见得,我们似乎正处在互联网信息飞速增长的阶段,对于存储的需求也将会不断扩大。对于苹果用户而言,这一问题愈发严峻,毕竟512GB和1TB版本的iPhone可不是人人都消费得起的,因此成熟的外置存储方案开

流媒体平台/视频监控/安防视频汇聚EasyCVR播放暂停后视频画面黑屏是什么原因?

视频智能分析/视频监控/安防监控综合管理系统EasyCVR视频汇聚融合平台,是TSINGSEE青犀视频垂直深耕音视频流媒体技术、AI智能技术领域的杰出成果。该平台以其强大的视频处理、汇聚与融合能力,在构建全栈视频监控系统中展现出了独特的优势。视频监控管理系统EasyCVR平台内置了强大的视频解码、转码、压缩等技术,能够处理多种视频流格式,并以多种格式(RTMP、RTSP、HTTP-FLV、WebS

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟&nbsp;开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚&nbsp;第一站:海量资源,应有尽有 走进“智听

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig

阿里开源语音识别SenseVoiceWindows环境部署

SenseVoice介绍 SenseVoice 专注于高精度多语言语音识别、情感辨识和音频事件检测多语言识别: 采用超过 40 万小时数据训练,支持超过 50 种语言,识别效果上优于 Whisper 模型。富文本识别:具备优秀的情感识别,能够在测试数据上达到和超过目前最佳情感识别模型的效果。支持声音事件检测能力,支持音乐、掌声、笑声、哭声、咳嗽、喷嚏等多种常见人机交互事件进行检测。高效推

如何解决线上平台抽佣高 线下门店客流少的痛点!

目前,许多传统零售店铺正遭遇客源下降的难题。尽管广告推广能带来一定的客流,但其费用昂贵。鉴于此,众多零售商纷纷选择加入像美团、饿了么和抖音这样的大型在线平台,但这些平台的高佣金率导致了利润的大幅缩水。在这样的市场环境下,商家之间的合作网络逐渐成为一种有效的解决方案,通过资源和客户基础的共享,实现共同的利益增长。 以最近在上海兴起的一个跨行业合作平台为例,该平台融合了环保消费积分系统,在短