哈嘍，大家好。

今天給大家分享用ChatGPT開發(fā)安全頭盔佩戴檢測。代碼完全用GPT4完成。

首先，給ChatGPT設(shè)定角色，告訴我們要完成的任務(wù)，然后讓ChatGPT給出詳細(xì)的步驟。

圖片

從數(shù)據(jù)準(zhǔn)備與標(biāo)注、模型選擇與設(shè)計到模型部署，ChatGPT給出非常具體、詳細(xì)、可執(zhí)行的步驟。

這里，我們主要關(guān)注數(shù)據(jù)準(zhǔn)備和模型選擇訓(xùn)練。

如果自己收集數(shù)據(jù)，再標(biāo)注費(fèi)時費(fèi)力，我們可以讓ChatGPT幫我們查找一下是否有現(xiàn)成的資源

圖片

他沒有直接給我們找到數(shù)據(jù)集，但是提供了可以搜索資源的網(wǎng)站，如：Kaggle、GitHub，我們可以在這些網(wǎng)站搜索。

我在Kaggle和GitHub上查找后，都能找到已經(jīng)標(biāo)注好的數(shù)據(jù)集，最后，我選擇了Kaggle上的一個數(shù)據(jù)集

圖片

數(shù)據(jù)集包含戴頭盔和未戴頭盔兩種分類，標(biāo)注文件是PASCAL格式。

圖片

下載數(shù)據(jù)集，讓 ChatGPT寫代碼解析標(biāo)注文件，在原圖上繪制標(biāo)注結(jié)果

圖片

代碼是正確的，只要修改下輸入文件的路徑，就可以直接運(yùn)行，看到標(biāo)注的檢測框

import cv2
import xml.etree.ElementTree as ET
import random


# 隨機(jī)生成一個顏色
def random_color():
    return (0, random.randint(0, 255), random.randint(0, 255))


# 讀取PASCAL VOC格式的XML標(biāo)注文件
def read_annotations(xml_file):
    tree = ET.parse(xml_file)
    root = tree.getroot()

    boxes = []
    for obj in root.iter('object'):
        name = obj.find('name').text
        xmlbox = obj.find('bndbox')
        x1 = int(xmlbox.find('xmin').text)
        y1 = int(xmlbox.find('ymin').text)
        x2 = int(xmlbox.find('xmax').text)
        y2 = int(xmlbox.find('ymax').text)

        boxes.append([name, x1, y1, x2, y2])

    return boxes


# 讀取圖片
image_path = "./archive (1)/images/BikesHelmets38.png"  # 更改為你的圖片路徑
image = cv2.imread(image_path)

# 讀取標(biāo)注
xml_path = "./archive (1)/annotations/BikesHelmets38.xml"  # 更改為你的XML文件路徑
annotations = read_annotations(xml_path)

# 在圖片上畫出標(biāo)注框
for annotation in annotations:
    name, x1, y1, x2, y2 = annotation
    color = random_color()
    cv2.rectangle(image, (x1, y1), (x2, y2), color, 2)
    cv2.putText(image, name, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 1)

# 顯示圖片
cv2.imshow('Annotated Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

圖片

有了數(shù)據(jù)集，我們再在ChatGPT選擇合適的模型

圖片

圖片

ChatGPT在經(jīng)過了一番對比說明之后，最終選擇了YOLO。

但由于數(shù)據(jù)集的標(biāo)注文件是PASCAL格式，因此，我們還需要讓ChatGPT將其轉(zhuǎn)為YOLO格式

圖片

為了節(jié)省篇幅，我就不貼代碼了。這里，ChatGPT只拿1個文件做實例進(jìn)行轉(zhuǎn)換，你也可以讓ChatGPT寫一個遍歷目錄的程序，來批量轉(zhuǎn)換。

至此，數(shù)據(jù)集已經(jīng)完全準(zhǔn)備好了，剩下的就是ChatGPT訓(xùn)練模型。

圖片

剛開始ChatGPT自己編寫了YOLO網(wǎng)絡(luò)架構(gòu)，我估計把握住不住，弄不好得陪他調(diào)一天的BUG，所以，我讓他改成用開源的方案完成，他選擇了YOLOv5。

安裝依賴，配置yaml文件，執(zhí)行訓(xùn)練命令三步走即可。

因為我事前沒有告訴ChatGPT有多少分類，所以他默認(rèn)生成的yaml配置文件類別是1，大家根據(jù)自己的業(yè)務(wù)靈活調(diào)整即可。

訓(xùn)練命令也沒有問題，使用yolov5s模型作為預(yù)訓(xùn)練模型，執(zhí)行命令的時候會自動下載yolov5s.pt，如果你已經(jīng)下載好了，可以添加--weights參數(shù)本地的權(quán)重文件即可。

模型訓(xùn)練完成后，可以查看訓(xùn)練效果

圖片

最后，讓ChatGPT生成推理代碼，就可以應(yīng)用。

圖片

圖片

ChatGPT生成的代碼基本都是能直接用的，但還是需要要了解一些深度學(xué)習(xí)的知識，用起來會更高效。不然一報錯，直接貼給ChatGPT容易越走越偏。