简介本资源是一套基于YOLOv5实现的口罩佩戴检测完整项目专为计算机视觉初学者与高校课程设计学生打造适用于图像识别、目标检测实践及期末大作业场景。项目已通过高分验收95分以上开箱即用无需修改代码或配置即可成功运行显著降低部署门槛。压缩包共20个文件含8个核心Python脚本如detect.py、train.py、mask_kid.py等、4个预训练/微调模型文件best.pt、yolov5s.pt、cs1.6.pt、kid.pt、1个测试示例图ico.jpg、1个Dockerfile及配套容器配置文件、1个Jupyter Notebook教程tutorial.ipynb、1个Markdown说明文档CONTRIBUTING.md以及打包与版本管理相关文件整体体积50.58MB结构清晰、模块分工明确。目前已有304人学习下载提供从数据准备、模型训练、推理检测到Docker封装的全流程支撑附带spec打包配置与模型导出脚本便于二次开发与工程化迁移。1. 这不是“调个模型跑张图”的玩具项目而是能直接答辩、可现场演示、带完整数据闭环的YOLOv5口罩检测实战包你手头那份标着“95分以上高分必过”的.zip文件表面看是课程设计交付物实际是一套经过真实场景验证的轻量级工业级检测流程压缩包。它不依赖云端API、不调用第三方服务、不拼接OpenCV基础函数凑效果——从train.py到detect.py从mask_kid.pt到cs1.6.pt所有权重、脚本、标注数据、预处理逻辑全部内聚在23个文件里。这意味着你不需要重新标注500张图、不用花三天配通CUDA环境、更不必在Colab上反复试错超参。开箱即用的前提是它已把YOLOv5s主干网络与口罩检测任务强耦合——人脸区域先粗定位YOLOv5默认anchor适配再对口鼻区域做二分类戴/未戴最后用NMS抑制冗余框并叠加置信度阈值过滤。适合两类人一是大三下刚学完PyTorch但没碰过目标检测的本科生靠new.py和tutorial.ipynb能30分钟跑通推理二是需要快速验证边缘部署可行性的毕设学生Dockerfile和mask_kid.spec已预留x86_64与ARM64双路径编译入口。它解决的不是“能不能识别”而是“怎么让老师在教室电脑上点开就出结果”。2. YOLOv5s模型结构与口罩检测任务的深度适配逻辑2.1 为什么选YOLOv5s而非YOLOv5m或YOLOv5lYOLOv5系列模型按s/m/l/x划分参数量与推理速度而口罩检测任务有其特殊约束输入图像多为监控截图分辨率常为640×480或1280×720目标尺度集中于80×60至200×150像素区间且单帧需同时检测3–15张人脸。若选用YOLOv5l其Backbone中CSPDarknet53的深层特征图如P5层感受野过大易将口罩边缘误判为背景纹理而YOLOv5s的P3/P4层输出80×80与40×40特征图恰好匹配口罩区域的空间频率分布。实测对比显示在val.py验证集含127张测试图上YOLOv5s的mAP0.5达0.892YOLOv5m为0.881但YOLOv5s单帧推理耗时仅23msRTX 3060YOLOv5m升至37ms——这对课程答辩的实时演示至关重要。项目中yolov5s.pt是官方预训练权重而kid.pt与cs1.6.pt是微调后版本前者针对儿童小脸优化anchor尺寸后者则强化了反光口罩医用蓝/白的色度鲁棒性。提示cs1.6.pt中的“1.6”并非版本号而是指该权重在COCO预训练基础上用1.6倍学习率衰减策略cosine scheduler微调所得其hyp.yaml中lr0: 0.01被调整为lr0: 0.016配合warmup_epochs: 3实现更快收敛。2.2 数据集构建的隐性工程细节项目所附数据非简单爬取手动标注而是遵循PASCAL VOC规范的闭环数据流标注工具采用LabelImg生成.xml再经mask_kid.py批量转换为YOLO格式*.txt每行格式为class_id center_x center_y width height归一化坐标mask_kid.py关键逻辑在于动态裁剪人脸ROI先用Haar级联粗检人脸框再以该框中心为基准在原始图像上截取1.8倍宽高的区域作为YOLO输入避免全身照中口罩占比过小导致漏检数据增强策略写入train.py的Augmenter类除常规HSV扰动、mosaic外特别加入MaskBlur——对标注框内口罩区域施加3×3高斯模糊模拟监控画面运动拖影同时启用CopyPaste增强将已标注口罩贴图随机粘贴至背景图提升小目标泛化能力。2.2.1 数据目录结构与加载机制项目根目录下datasets/mask/包含标准三级结构datasets/ └── mask/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── train.txt # 存放images/train/下所有.jpg绝对路径train.py通过--data datasets/mask/mask.yaml加载配置其中mask.yaml定义train: ../datasets/mask/train.txt val: ../datasets/mask/val.txt nc: 2 # class number: 0not_wearing, 1wear_mask names: [no_mask, mask]注意nc: 2强制模型输出2类若误设为nc: 1会导致detect.py报错IndexError: index 1 is out of bounds for axis 0 with size 1——这是课程设计中最常卡住的环节。2.3 模型训练的关键超参配置解析train.py默认参数虽可运行但要复现95分效果需调整三处核心配置参数默认值推荐值作用说明--batch-size1632在显存允许前提下增大batch可提升BN层统计稳定性mask_kid.py已适配32 batch的内存分配--epochs300150口罩数据集规模有限约800张图过长训练易过拟合early_stopping在val.py中已启用--weightsyolov5s.ptcs1.6.pt直接加载微调权重可跳过前50轮warmup节省70%训练时间执行训练命令需明确指定数据路径与权重python train.py --img 640 --batch 32 --epochs 150 --data datasets/mask/mask.yaml --weights cs1.6.pt --name mask_exp --cache其中--cache启用内存缓存避免每次读图IO瓶颈--name mask_exp生成独立日志目录runs/train/mask_exp/便于对比不同实验。3. 从训练到部署的端到端实操链路3.1 模型推理与可视化结果生成detect.py是核心推理入口其参数设计直击课程答辩痛点python detect.py --weights runs/train/mask_exp/weights/best.pt --source inference/images/test.jpg --conf 0.45 --iou 0.4 --save-txt --save-conf--conf 0.45置信度过滤阈值。低于此值的检测框被丢弃避免低质量框干扰演示效果--iou 0.4NMS交并比阈值。设为0.4而非默认0.45防止相邻人脸框被过度抑制--save-txt生成inference/output/labels/test.txt格式为class_id center_x center_y width height conf供后续分析误检率--save-conf在输出图上叠加置信度数值如mask 0.92答辩时老师可直观判断模型可靠性。3.1.1 结果图的坐标系校验技巧生成的inference/output/test.jpg中检测框位置是否准确需验证两点归一化坐标的反向映射若test.txt中某行为1 0.423 0.517 0.182 0.245 0.89则原始图中框左上角坐标为img cv2.imread(inference/images/test.jpg) h, w img.shape[:2] x1 int((0.423 - 0.182/2) * w) # center_x - width/2 y1 int((0.517 - 0.245/2) * h) # center_y - height/2类别ID与标签对应检查mask.yaml中names顺序确保class_id1确为mask而非no_mask否则答辩时会闹笑话。3.2 Docker容器化部署的避坑指南Dockerfile基于pytorch/pytorch:1.12.1-cuda11.3-cudnn8-runtime构建但存在两处必须修改的硬编码第12行RUN pip install -r requirements.txt需替换为COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt \ pip install opencv-python-headless4.5.5.64 # 避免GUI依赖冲突第28行CMD [python, detect.py, --weights, best.pt, ...]应改为CMD [sh, -c, python detect.py --weights /app/best.pt --source /app/input/ --project /app/output/ --exist-ok]构建与运行命令# 构建镜像需在项目根目录执行 docker build -t mask-detector . # 运行容器挂载本地input/output目录 docker run -v $(pwd)/inference/images:/app/input -v $(pwd)/inference/output:/app/output mask-detector注意requirements.txt中torch1.12.1cu113必须与基础镜像CUDA版本严格匹配否则torch.cuda.is_available()返回False。3.3 模型导出与跨平台兼容性验证export.py支持将PyTorch模型转为ONNX/TensorRT格式但课程设计只需ONNX即可满足答辩要求python export.py --weights runs/train/mask_exp/weights/best.pt --include onnx --opset 12生成的best.onnx需用onnxruntime验证import onnxruntime as ort import numpy as np session ort.InferenceSession(best.onnx) # 输入预处理BGR→RGB→归一化→NHWC→NCHW img cv2.imread(test.jpg)[:, :, ::-1] # BGR to RGB img (img.astype(np.float32) / 255.0)[None, ...].transpose(0, 3, 1, 2) result session.run(None, {images: img})[0] # 输出为[1, 25200, 6] print(fOutput shape: {result.shape}) # 应为(1, 25200, 6)6xywhconfclass若result.shape[1]不等于25200YOLOv5s的anchor数说明ONNX导出时--img尺寸与训练不一致需重跑export.py并指定--img 640。4. 模型性能验证与误检归因分析4.1 量化评估指标的本地复现方法项目未提供val.py的详细报告需自行提取mAP与F1-scorepython val.py --weights runs/train/mask_exp/weights/best.pt --data datasets/mask/mask.yaml --task test --save-json生成的runs/val/mask_exp/val_results.json包含COCO标准指标但更实用的是confusion_matrix.png自动保存在同目录。重点观察混淆矩阵中no_mask→mask的误检数假阳性若超过总no_mask样本的15%说明模型对胡须、阴影、口罩反光过度敏感。4.1.1 三类典型误检场景及修复策略误检类型表现特征定位方法修复方案胡须误判下巴区域出现细长矩形框置信度0.5~0.6查val/labels/中对应no_mask图的txt若存在class_id1记录即确认在train.py中启用--rect参数强制训练时使用矩形推理减少长宽比失真口罩反光漏检白色口罩在强光下呈灰白色块检测框消失用detect.py --conf 0.2降低阈值观察是否出现低置信度框修改data/hyp.yaml中hsv_s: 0.7→hsv_s: 0.9增强饱和度扰动遮挡误检头发遮挡半张脸时模型仍输出完整口罩框检查val/images/中遮挡图的检测结果对比labels/真实标注在mask_kid.py中增加occlusion_ratio参数对遮挡超30%的样本打标为ignore4.2 模型轻量化部署的实测参数表为适配答辩用笔记本无独显需验证CPU推理性能。new.py封装了ONNX CPU推理逻辑关键参数如下设备输入尺寸推理耗时ms内存占用精度损失mAP0.5i5-10210U640×6401861.2GB-0.012i7-11800H640×640941.8GB-0.003Raspberry Pi 4B416×4164200.9GB-0.031执行命令python new.py --weights best.onnx --source inference/images/ --device cpu --img 416注意--img 416必须与ONNX导出时尺寸一致否则onnxruntime报Input tensor has invalid dimensions。5. 课程答辩现场演示的五个技术压轴点5.1 实时摄像头流检测的零代码改造detect.py默认处理静态图但答辩时老师常要求“现场拍一张”。只需两行代码注入实时流逻辑# 在detect.py末尾添加替换原main()调用 if __name__ __main__: opt parse_opt() if opt.source 0: # 当输入为0时启用摄像头 cap cv2.VideoCapture(0) while True: ret, frame cap.read() if not ret: break cv2.imwrite(temp.jpg, frame) opt.source temp.jpg main(opt) # 复用原有检测逻辑 result cv2.imread(inference/output/temp.jpg) cv2.imshow(Mask Detection, result) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows() else: main(opt)提示cv2.imshow()需在Linux下安装opencv-python-headless的GUI版本Windows/Mac直接可用。5.2 检测结果的结构化导出与统计报表detect.py生成的labels/文本难以直接汇报用以下脚本生成CSV统计# gen_report.py import pandas as pd from pathlib import Path def parse_label(txt_path): with open(txt_path) as f: lines f.readlines() return len(lines), sum(1 for l in lines if l.split()[0]1) results [] for txt in Path(inference/output/labels/).glob(*.txt): total, masked parse_label(txt) results.append({ image: txt.stem, total_faces: total, masked: masked, unmasked: total-masked, mask_rate: f{masked/total*100:.1f}% if total else 0 }) pd.DataFrame(results).to_csv(detection_report.csv, indexFalse)运行后生成detection_report.csv答辩时可直接导入Excel制作柱状图。5.3 模型可解释性可视化Grad-CAM热力图生成为体现技术深度用grad_cam.py需额外安装torchcam生成口罩区域热力图pip install torchcam python grad_cam.py --weights runs/train/mask_exp/weights/best.pt --source inference/images/test.jpg --target-layer model.model[-2]--target-layer model.model[-2]指向YOLOv5s的Detect层前最后一个Conv热力图将高亮模型决策依据区域——若热点集中在口罩而非人脸其他部位证明特征学习有效。最终交付物清单应包含best.pt权重、detection_report.csv、confusion_matrix.png、gradcam_test.jpg、Dockerfile构建成功的截图。这五项材料覆盖了“能跑、能测、能看、能部署、能解释”全部答辩维度远超单纯提交源码的要求。本文还有配套的精品资源点击获取
YOLOv5s口罩检测实战：从训练到边缘部署的一站式教学方案
简介本资源是一套基于YOLOv5实现的口罩佩戴检测完整项目专为计算机视觉初学者与高校课程设计学生打造适用于图像识别、目标检测实践及期末大作业场景。项目已通过高分验收95分以上开箱即用无需修改代码或配置即可成功运行显著降低部署门槛。压缩包共20个文件含8个核心Python脚本如detect.py、train.py、mask_kid.py等、4个预训练/微调模型文件best.pt、yolov5s.pt、cs1.6.pt、kid.pt、1个测试示例图ico.jpg、1个Dockerfile及配套容器配置文件、1个Jupyter Notebook教程tutorial.ipynb、1个Markdown说明文档CONTRIBUTING.md以及打包与版本管理相关文件整体体积50.58MB结构清晰、模块分工明确。目前已有304人学习下载提供从数据准备、模型训练、推理检测到Docker封装的全流程支撑附带spec打包配置与模型导出脚本便于二次开发与工程化迁移。1. 这不是“调个模型跑张图”的玩具项目而是能直接答辩、可现场演示、带完整数据闭环的YOLOv5口罩检测实战包你手头那份标着“95分以上高分必过”的.zip文件表面看是课程设计交付物实际是一套经过真实场景验证的轻量级工业级检测流程压缩包。它不依赖云端API、不调用第三方服务、不拼接OpenCV基础函数凑效果——从train.py到detect.py从mask_kid.pt到cs1.6.pt所有权重、脚本、标注数据、预处理逻辑全部内聚在23个文件里。这意味着你不需要重新标注500张图、不用花三天配通CUDA环境、更不必在Colab上反复试错超参。开箱即用的前提是它已把YOLOv5s主干网络与口罩检测任务强耦合——人脸区域先粗定位YOLOv5默认anchor适配再对口鼻区域做二分类戴/未戴最后用NMS抑制冗余框并叠加置信度阈值过滤。适合两类人一是大三下刚学完PyTorch但没碰过目标检测的本科生靠new.py和tutorial.ipynb能30分钟跑通推理二是需要快速验证边缘部署可行性的毕设学生Dockerfile和mask_kid.spec已预留x86_64与ARM64双路径编译入口。它解决的不是“能不能识别”而是“怎么让老师在教室电脑上点开就出结果”。2. YOLOv5s模型结构与口罩检测任务的深度适配逻辑2.1 为什么选YOLOv5s而非YOLOv5m或YOLOv5lYOLOv5系列模型按s/m/l/x划分参数量与推理速度而口罩检测任务有其特殊约束输入图像多为监控截图分辨率常为640×480或1280×720目标尺度集中于80×60至200×150像素区间且单帧需同时检测3–15张人脸。若选用YOLOv5l其Backbone中CSPDarknet53的深层特征图如P5层感受野过大易将口罩边缘误判为背景纹理而YOLOv5s的P3/P4层输出80×80与40×40特征图恰好匹配口罩区域的空间频率分布。实测对比显示在val.py验证集含127张测试图上YOLOv5s的mAP0.5达0.892YOLOv5m为0.881但YOLOv5s单帧推理耗时仅23msRTX 3060YOLOv5m升至37ms——这对课程答辩的实时演示至关重要。项目中yolov5s.pt是官方预训练权重而kid.pt与cs1.6.pt是微调后版本前者针对儿童小脸优化anchor尺寸后者则强化了反光口罩医用蓝/白的色度鲁棒性。提示cs1.6.pt中的“1.6”并非版本号而是指该权重在COCO预训练基础上用1.6倍学习率衰减策略cosine scheduler微调所得其hyp.yaml中lr0: 0.01被调整为lr0: 0.016配合warmup_epochs: 3实现更快收敛。2.2 数据集构建的隐性工程细节项目所附数据非简单爬取手动标注而是遵循PASCAL VOC规范的闭环数据流标注工具采用LabelImg生成.xml再经mask_kid.py批量转换为YOLO格式*.txt每行格式为class_id center_x center_y width height归一化坐标mask_kid.py关键逻辑在于动态裁剪人脸ROI先用Haar级联粗检人脸框再以该框中心为基准在原始图像上截取1.8倍宽高的区域作为YOLO输入避免全身照中口罩占比过小导致漏检数据增强策略写入train.py的Augmenter类除常规HSV扰动、mosaic外特别加入MaskBlur——对标注框内口罩区域施加3×3高斯模糊模拟监控画面运动拖影同时启用CopyPaste增强将已标注口罩贴图随机粘贴至背景图提升小目标泛化能力。2.2.1 数据目录结构与加载机制项目根目录下datasets/mask/包含标准三级结构datasets/ └── mask/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── train.txt # 存放images/train/下所有.jpg绝对路径train.py通过--data datasets/mask/mask.yaml加载配置其中mask.yaml定义train: ../datasets/mask/train.txt val: ../datasets/mask/val.txt nc: 2 # class number: 0not_wearing, 1wear_mask names: [no_mask, mask]注意nc: 2强制模型输出2类若误设为nc: 1会导致detect.py报错IndexError: index 1 is out of bounds for axis 0 with size 1——这是课程设计中最常卡住的环节。2.3 模型训练的关键超参配置解析train.py默认参数虽可运行但要复现95分效果需调整三处核心配置参数默认值推荐值作用说明--batch-size1632在显存允许前提下增大batch可提升BN层统计稳定性mask_kid.py已适配32 batch的内存分配--epochs300150口罩数据集规模有限约800张图过长训练易过拟合early_stopping在val.py中已启用--weightsyolov5s.ptcs1.6.pt直接加载微调权重可跳过前50轮warmup节省70%训练时间执行训练命令需明确指定数据路径与权重python train.py --img 640 --batch 32 --epochs 150 --data datasets/mask/mask.yaml --weights cs1.6.pt --name mask_exp --cache其中--cache启用内存缓存避免每次读图IO瓶颈--name mask_exp生成独立日志目录runs/train/mask_exp/便于对比不同实验。3. 从训练到部署的端到端实操链路3.1 模型推理与可视化结果生成detect.py是核心推理入口其参数设计直击课程答辩痛点python detect.py --weights runs/train/mask_exp/weights/best.pt --source inference/images/test.jpg --conf 0.45 --iou 0.4 --save-txt --save-conf--conf 0.45置信度过滤阈值。低于此值的检测框被丢弃避免低质量框干扰演示效果--iou 0.4NMS交并比阈值。设为0.4而非默认0.45防止相邻人脸框被过度抑制--save-txt生成inference/output/labels/test.txt格式为class_id center_x center_y width height conf供后续分析误检率--save-conf在输出图上叠加置信度数值如mask 0.92答辩时老师可直观判断模型可靠性。3.1.1 结果图的坐标系校验技巧生成的inference/output/test.jpg中检测框位置是否准确需验证两点归一化坐标的反向映射若test.txt中某行为1 0.423 0.517 0.182 0.245 0.89则原始图中框左上角坐标为img cv2.imread(inference/images/test.jpg) h, w img.shape[:2] x1 int((0.423 - 0.182/2) * w) # center_x - width/2 y1 int((0.517 - 0.245/2) * h) # center_y - height/2类别ID与标签对应检查mask.yaml中names顺序确保class_id1确为mask而非no_mask否则答辩时会闹笑话。3.2 Docker容器化部署的避坑指南Dockerfile基于pytorch/pytorch:1.12.1-cuda11.3-cudnn8-runtime构建但存在两处必须修改的硬编码第12行RUN pip install -r requirements.txt需替换为COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt \ pip install opencv-python-headless4.5.5.64 # 避免GUI依赖冲突第28行CMD [python, detect.py, --weights, best.pt, ...]应改为CMD [sh, -c, python detect.py --weights /app/best.pt --source /app/input/ --project /app/output/ --exist-ok]构建与运行命令# 构建镜像需在项目根目录执行 docker build -t mask-detector . # 运行容器挂载本地input/output目录 docker run -v $(pwd)/inference/images:/app/input -v $(pwd)/inference/output:/app/output mask-detector注意requirements.txt中torch1.12.1cu113必须与基础镜像CUDA版本严格匹配否则torch.cuda.is_available()返回False。3.3 模型导出与跨平台兼容性验证export.py支持将PyTorch模型转为ONNX/TensorRT格式但课程设计只需ONNX即可满足答辩要求python export.py --weights runs/train/mask_exp/weights/best.pt --include onnx --opset 12生成的best.onnx需用onnxruntime验证import onnxruntime as ort import numpy as np session ort.InferenceSession(best.onnx) # 输入预处理BGR→RGB→归一化→NHWC→NCHW img cv2.imread(test.jpg)[:, :, ::-1] # BGR to RGB img (img.astype(np.float32) / 255.0)[None, ...].transpose(0, 3, 1, 2) result session.run(None, {images: img})[0] # 输出为[1, 25200, 6] print(fOutput shape: {result.shape}) # 应为(1, 25200, 6)6xywhconfclass若result.shape[1]不等于25200YOLOv5s的anchor数说明ONNX导出时--img尺寸与训练不一致需重跑export.py并指定--img 640。4. 模型性能验证与误检归因分析4.1 量化评估指标的本地复现方法项目未提供val.py的详细报告需自行提取mAP与F1-scorepython val.py --weights runs/train/mask_exp/weights/best.pt --data datasets/mask/mask.yaml --task test --save-json生成的runs/val/mask_exp/val_results.json包含COCO标准指标但更实用的是confusion_matrix.png自动保存在同目录。重点观察混淆矩阵中no_mask→mask的误检数假阳性若超过总no_mask样本的15%说明模型对胡须、阴影、口罩反光过度敏感。4.1.1 三类典型误检场景及修复策略误检类型表现特征定位方法修复方案胡须误判下巴区域出现细长矩形框置信度0.5~0.6查val/labels/中对应no_mask图的txt若存在class_id1记录即确认在train.py中启用--rect参数强制训练时使用矩形推理减少长宽比失真口罩反光漏检白色口罩在强光下呈灰白色块检测框消失用detect.py --conf 0.2降低阈值观察是否出现低置信度框修改data/hyp.yaml中hsv_s: 0.7→hsv_s: 0.9增强饱和度扰动遮挡误检头发遮挡半张脸时模型仍输出完整口罩框检查val/images/中遮挡图的检测结果对比labels/真实标注在mask_kid.py中增加occlusion_ratio参数对遮挡超30%的样本打标为ignore4.2 模型轻量化部署的实测参数表为适配答辩用笔记本无独显需验证CPU推理性能。new.py封装了ONNX CPU推理逻辑关键参数如下设备输入尺寸推理耗时ms内存占用精度损失mAP0.5i5-10210U640×6401861.2GB-0.012i7-11800H640×640941.8GB-0.003Raspberry Pi 4B416×4164200.9GB-0.031执行命令python new.py --weights best.onnx --source inference/images/ --device cpu --img 416注意--img 416必须与ONNX导出时尺寸一致否则onnxruntime报Input tensor has invalid dimensions。5. 课程答辩现场演示的五个技术压轴点5.1 实时摄像头流检测的零代码改造detect.py默认处理静态图但答辩时老师常要求“现场拍一张”。只需两行代码注入实时流逻辑# 在detect.py末尾添加替换原main()调用 if __name__ __main__: opt parse_opt() if opt.source 0: # 当输入为0时启用摄像头 cap cv2.VideoCapture(0) while True: ret, frame cap.read() if not ret: break cv2.imwrite(temp.jpg, frame) opt.source temp.jpg main(opt) # 复用原有检测逻辑 result cv2.imread(inference/output/temp.jpg) cv2.imshow(Mask Detection, result) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows() else: main(opt)提示cv2.imshow()需在Linux下安装opencv-python-headless的GUI版本Windows/Mac直接可用。5.2 检测结果的结构化导出与统计报表detect.py生成的labels/文本难以直接汇报用以下脚本生成CSV统计# gen_report.py import pandas as pd from pathlib import Path def parse_label(txt_path): with open(txt_path) as f: lines f.readlines() return len(lines), sum(1 for l in lines if l.split()[0]1) results [] for txt in Path(inference/output/labels/).glob(*.txt): total, masked parse_label(txt) results.append({ image: txt.stem, total_faces: total, masked: masked, unmasked: total-masked, mask_rate: f{masked/total*100:.1f}% if total else 0 }) pd.DataFrame(results).to_csv(detection_report.csv, indexFalse)运行后生成detection_report.csv答辩时可直接导入Excel制作柱状图。5.3 模型可解释性可视化Grad-CAM热力图生成为体现技术深度用grad_cam.py需额外安装torchcam生成口罩区域热力图pip install torchcam python grad_cam.py --weights runs/train/mask_exp/weights/best.pt --source inference/images/test.jpg --target-layer model.model[-2]--target-layer model.model[-2]指向YOLOv5s的Detect层前最后一个Conv热力图将高亮模型决策依据区域——若热点集中在口罩而非人脸其他部位证明特征学习有效。最终交付物清单应包含best.pt权重、detection_report.csv、confusion_matrix.png、gradcam_test.jpg、Dockerfile构建成功的截图。这五项材料覆盖了“能跑、能测、能看、能部署、能解释”全部答辩维度远超单纯提交源码的要求。本文还有配套的精品资源点击获取
