基于计算机视觉手势识别控制系统YoLoGesture (利用YOLO实现)

在线服务器体验网址： https://kedreamix-yologesture.streamlit.app/

1. 项目已完成的部分

• 数据集的构建
• 代码的基本运行和训练
• 增加数据集 800 -> 1600
• 利用Mosaic数据增强，但是结果不好，之后训练不会采用，除非数据足够多
• 增加yaml文件，利用yaml配置所有参数
• 提高图片的输入shape，从256x256 -> 416x416
• 由于结果不理想，使用部分自制数据集替换，数据集总数不变
• 添加yolov4 tiny 轻量化模型
• 增加注意力机制，可以比轻量化模型得到更不错的结果
• 使用MobileNet作为backbone，轻量化模型
• 使用yolov5 或者 yolox 改进方法

2. 部分尝试结果

• 使用Mosaic 结果较差
• 在运行过程中结果十分差，原因是数据集标注出现错误，会重新修改数据集
• 用SGD的结果没有Adam好
• front的数据集需要重新修改才能得到更好的结果
• 使用tiny模型速度更快，结果虽然差一点，但是只是一个速度与精度的trade off

3. 项目整体框架

1、 了解项目研究的背景以及其意义，学习其中的创新点和科研价值。

2、 使用python语言对项目中的代码进行编写。研究项目源代码，理解项目工程的代码结构、原理及其功能。

3、 学习深度学习算法。理解卷积神经网络的相关概念，包括神经元系统、局部感受野、权值共享和卷积神经网络总体结构；了解目前常见的目标检测方法和YOLOv4算法框架，以及基于YOLOv4的手势识别算法。

4、 设计并制作针对本项目手势控制数据集，并使用数据增广的方式对数据集进行扩充，同时使用图像处理的方法包括中值滤波、阈值分割等对数据进行预处理。

5、 训练模型，对目标检测性能进行测试。了解实验环境以及评价标准，测试本项目研究的手势识别算法的实验结果，然后通过采用控制变量方法对手势识别算法进行多组实验，以评估其在不同环境下的识别效果，使用验证集对手势识别算法的精度和速度进行性能测试。

6、 总结本项目的研究工作，对基于无人机的手势识别演剧提供创新点与发展建议。

3.1. 数据集构建

1. 设计并制作针对本项目手势控制数据集，对数据集进行分类。

2. 使用Labelimg标注工具设计针对本项目的手势数据集，对数据集进行标注。

3.2. 模型选择

在前期的模型选择中，简单的选择了YOLOv4的模型进行训练和测试

YOLOv4 = CSPDarknet53（主干） + SPP 附加模块（颈 ） + PANet 路径聚合（颈 ） + YOLOv3（头部）

3.3. 代码实现

• 主干特征提取网络：DarkNet53 => CSPDarkNet53
• 特征金字塔：SPP，PAN
• 训练用到的小技巧：Mosaic数据增强、Label Smoothing平滑、CIOU、学习率余弦退火衰减
• 激活函数：使用Mish激活函数
• 增加yaml配置文件，只需要修改配置文件即可
• 添加detect.py，利用此进行半自动标注，可以方便标注其他类似于对应👋的数据集
• 修改成命令行运行的快速模式，很方便，快速运行和理解
• 利用streamlit部署到服务器上，可以随时使用，在线demo https://kedreamix-yologesture.streamlit.app/
• …

4. 实验结果详情

Gesture v1中存在数据集问题，所以模型结构不好

Gesture v2中重新修改数据集

Gesture v3中修改front数据集

Batch-Size 64->32是指在进行训练的时候，前半段冻结的时候使用的bs为64，在后续不冻结训练使用bs=32

4.1. 训练权重文件下载

训练所需的yolo4_weights.pth有两种方式下载。（release包含所有过程的权重，百度网盘和奶牛只记录最新的权重）

• 可以从我的release下载权重

• 也可以百度网盘下载

  链接：https://pan.baidu.com/s/1Pt11VHMaHqSsPjb50W5IeQ
  提取码：6666

• 由于百度网盘下载速度较慢，这里也给一个不限速的链接 （永久有效）

  传输链接：https://cowtransfer.com/s/dc5e0f7f43a940 或 打开【奶牛快传】cowtransfer.com 使用传输口令：ftyvu0 提取；

4.2. 数据集概况

• Gesture v1 只有800张图片，数量较少
• Gesture v2 增加了800张图片，数量增多，一共1600张图片

在运行过程中结果十分差，原因是数据集标注出现错误，会重新修改数据集

• Gesture v3 中修改了front的手势，使得front结果大大提升，平均准确率增大

上述展示图是关于Gesture v1的手势，后续数据进行了修改

整体数据集一共含有1600张，8个类别的手势，我的Gesture v3最后就是8个类别，大概1600张的数据集，类别分别是

• up
• down
• left
• right
• front
• back
• clockwise
• anticlockwise

数据已经放在release中了，可以下载自用

之后我也做了类似的手势识别的任务，里面的数据集有18个类别 HaGRID手势识别数据集，里面的手势结果更多，并且也更大，总共有716G，建议可以缩小以后进行训练增强，如果有机会，我可以拿一个多类别的我也来训练一下

以下是HaGRID的手势识别的类别，支持更多的手势识别的结果，这是官方下载地址：https://github.com/hukenovs/hagrid

5. 环境配置

我用的是torch1.8.1 torchvision0.9.1

代码在更高的版本也是适配的，我觉得可能去>=1.7的应该都是可以的

相对应的库可以直接利用以下代码在当前路径进行运行，利用清华源进行换源

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

6. 快速运行代码

以下可以在命令行中运行，在命令行运行可能会更好一点

Install

git clone https://github.com/Kedreamix/YoloGesture.git 
cd YoloGesture
pip install -r requirements.txt  # -i https://pypi.tuna.tsinghua.edu.cn/simple/ # install 可以加上清华源

Data 这一部分会生成两个文件，分别是2007_train.txt和2007_val.txt，在每一行包括了图片路径和对应的标签，之后代码会读取文件夹VOCdevkit/VOC2007下的图片和标签

python voc_annotation.py

Optional 可选，yolov4有对anchors进行Kmeans计算，但是用yolov4自带的也可以，这一部分是可选择的，做完有一个可视化的结果

python kmeans_for_anchors.py

Training

我们可以在里面设置所需要的参数，phi代表着不同的注意力机制，weights代表着权重，其他的是我们的一些参数的设置，都是可调的，参数的部分解释都可以从python train.py --help看到

usage: train.py [-h] [--init INIT] [--epochs EPOCHS] [--weights WEIGHTS][--freeze] [--freeze-epochs FREEZE_EPOCHS][--freeze-size FREEZE_SIZE] [--batch-size BATCH_SIZE][--optimizer {sgd,adam,adamw}] [--num_workers NUM_WORKERS][--lr LR] [--tiny] [--phi PHI] [--weight-decay WEIGHT_DECAY][--momentum MOMENTUM] [--save-period SAVE_PERIOD] [--cuda][--shape SHAPE] [--fp16] [--mosaic][--lr_decay_type {cos,step}] [--distributed]optional arguments:-h, --help            show this help message and exit--init INIT           从init epoch开始训练--epochs EPOCHS       epochs for training--weights WEIGHTS     initial weights path 初始权重的路径--freeze              表示是否冻结训练--freeze-epochs FREEZE_EPOCHSepochs for feeze 冻结训练的迭代次数--freeze-size FREEZE_SIZEtotal batch size for Freezeing--batch-size BATCH_SIZEtotal batch size for all GPUs--optimizer {sgd,adam,adamw}训练使用的optimizer--num_workers NUM_WORKERS用于设置是否使用多线程读取数据--lr LR               Learning Rate 学习率的初始值--tiny                使用yolov4-tiny模型--phi PHI             yolov4-tiny所使用的注意力机制的类型--weight-decay WEIGHT_DECAY权值衰减，可防止过拟合--momentum MOMENTUM   优化器中的参数--save-period SAVE_PERIOD多少个epochs保存一次权重--cuda                表示是否使用GPU--shape SHAPE         输入图像的shape，一定要是32的倍数--fp16                是否使用混合精度训练--mosaic              Yolov4的tricks应用 马赛克数据增强--lr_decay_type {cos,step}cos--distributed         是否使用多卡运行

这里对一些常用参数进行解释

• fp16

  由于训练神经网络，有时候得到的权重的精度都是64位或者32位的，保存和训练的时候都占了很多显存，但是有时候这些是不必要的，所以可以利用fp16将精度设为16位，这样大概可以减少一半的显存

• phi

  这里解释一下，phi = 0代表的是yolov4_tiny，也就是改进的轻量化yolov4，而phi = 1,2,3分别是加了SE，CBAM，ECA三种注意力机制得到的结果。具体对SE，CBAM，ECA注意力机制不懂的，可以看看这篇博文，我觉得写的蛮好的：https://blog.csdn.net/weixin_44791964/article/details/121371986，这里不过多介绍。

• freeze

  除此之外，可以从下面的代码看出，我们可以冻结进行迁移学习，也可以选择不冻结，通过参数freeze来控制，还可以控制冻结次数的冻结时的batch-size，冻结的时候，可以把batch-size调高一点，并且还可以调一下freeze-epochs参数和freeze-size参数

如果对于不同模型训练的不动的，可以看看下面的训练预测细节解释

# 冻结进行迁移学习，利用已有的yolov4_SE.pth的权重进行
python train.py --tiny --phi 1 --epochs 100 \\--weights model_data/yolov4_SE.pth \\--freeze --freeze-epochs 50 --freeze-size 64 \\--batch-size 32 --shape 416 \\--fp16 --cuda# 快速运行尝试，重新学习
python train.py --tiny --phi 1 --epochs 10 \\--batch-size 4 --shape 416 \\--fp16 --cuda

在后续为了简化操作，不用打那么多的字母，还进行了缩写的修改，把–freeze简化成-f，–weights 简化成 -w, --freeze-epochsj简化成-fe，–freeze-size 简化成fb， --batch-size简化成-bs，这是为了方便运行的时候设置参数

这段代码和上面是等价的

# 冻结进行迁移学习
python train.py --tiny --phi 1 --epochs 100 \\-w model_data/yolov4_SE.pth \\-f -fe 50 -fs 64 \\--bs 32 --shape 416 \\--fp16 --cuda# 快速运行尝试，重新学习
python train.py --tiny --phi 1 --epochs 10 \\--batch-size 4 --shape 416 \\--fp16 --cuda

Predict

predict也有一些参数，比如以什么模式运行，分别有[‘dir_predict’, ‘video’, ‘fps’,‘predict’,‘heatmap’]，默认是用predict来推理img文件夹下的所有图片

# python predict.py --mode dir_predict \\
# --tiny --phi 1 \\
# --weights model_data/yolov4_SE.pth \\
# --cuda --shape 416
python predict.py --tiny --cuda

Get Map

这一部分可以得到召回率和精确率等可视化的图片，可以清晰的看到结果

# 对验证集进行计算
# python get_map.py --mode 0 \\
# --tiny --phi 1 \\
# --weights model_data/yolov4_SE.pth \\
# --cuda --shape 416
# python .\\get_map.py --cuda --mode 0 --tiny --phi 3 --weights model_data/yolotv4_ECA.pth
python get_map.py --tiny --cuda

所有的参数都可以通过，通过help看到解释

python train.py -h
python get_map.py -h
python predict.py -h

除此之外，如果有多个GPU，需要设定指定的GPU，在python前加上配置CUDA_VISIBLE_DEVICES=3，表示使用第四块GPU

# 比如使用第4块GPU
CUDA_VISIBLE_DEVICES=3 python train.py ...

或者是多块GPU，比如有0，1两块GPU

# 比如使用第0,1块GPU
CUDA_VISIBLE_DEVICES=0,1 python train.py ...

7. 训练预测细节解释

7.1. 训练配置文件（重点）

这个重中之重，在model_data文件夹下，有一个yaml文件，里面包括部分需要运行的参数

只需要调节里面的参数，然后运行就可以得到我们的结果，完全是ok的，只需要改配置文件，其他参数可以在命令行修改，直接运行也是可以使用的，下面会详细介绍，主要是修改train.py的部分，因为这样可以方便我们训练

#------------------------------detect.py--------------------------------#
# 这一部分是为了半自动标注数据，可以减轻负担，需要提前训练一个权重，以Labelme格式保存
# dir_origin_path 图片存放位置
# dir_save_path Annotation保存位置
# ----------------------------------------------------------------------#
dir_detect_path: ./JPEGImages 
detect_save_path: ./Annotation# ----------------------------- train.py -------------------------------#
nc: 8 # 类别的数量
classes: ["up","down","left","right","front","back","clockwise","anticlockwise"] # 类别
confidence: 0.5 # 置信度
nms_iou: 0.3
letterbox_image: Falselr_decay_type: cos # 使用到的学习率下降方式，可选的有step、cos
# 用于设置是否使用多线程读取数据
# 开启后会加快数据读取速度，但是会占用更多内存
# 内存较小的电脑可以设置为2或者0，win建议设为0
num_workers: 4

7.2. 训练自己数据集

1. 数据集的准备
   训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
   训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。

2. 数据集的处理
   在完成数据集的摆放之后，我们需要利用voc_annotation.py获得训练用的2007_train.txt和2007_val.txt。
   修改voc_annotation.py里面的参数。第一次训练可以仅修改classes_path，classes_path用于指向检测类别所对应的txt。

   然后再前面所说的data.yaml中写清楚自己的类别以及类别的数量

   nc: 8 # 类别的数量
   classes: ["up","down","left","right","front","back","clockwise","anticlockwise"] # 类别
   

3. 开始网络训练

   之后根据快速运行train.py，运行train.py开始训练了，在训练多个epoch后，权值会生成在logs文件夹中，可以自己设迭代次数保存权重，如上述快速运行即可。

   这里面我内置了5个模型，分别是最原始的yolov4模型，以及yolov4-tiny，yolov4-SE，yolov4-ECA，yolov4-CBAM四种模型，这四种模型都可以进行训练，其中yolov4-tiny，yolov4-SE，yolov4-ECA，yolov4-CBAM都属于小模型，所以认为是tiny模型，得到的权重也比较小速度也会比较快，这几种方式有不同的参数，我现在简单的介绍，我用tiny和phi的参数对他们进行分开

   • phi = 0 yolov4-tiny
   • phi = 1 yolov4-SE
   • phi = 2 yolov4-CBAM
   • phi = 3 yolov4-ECA

   # yolov4 模型
   python train.py --epochs 10 --shape 416 --cuda --batch-size 4
   # yolov4-tiny
   python train.py --epochs 10 --shape 416 --cuda --batch-size 8 --tiny --phi 0
   # yolov4-SE
   python train.py --epochs 10 --shape 416 --cuda --batch-size 8 --tiny --phi 1
   # yolov4-CBAM
   python train.py --epochs 10 --shape 416 --cuda --batch-size 8 --tiny --phi 2
   # yolov4-ECA
   python train.py --epochs 10 --shape 416 --cuda --batch-size 8 --tiny --phi 3
   

   如果还要做其他参数对，也可以看到快速运行代码的训练部分，进行增加一些参数

4. 训练结果预测
   训练结果预测需要用到两个文件，分别是yolo.py和predict.py。
   完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。 （可以自己设置模式得到结果）

7.3. 使用Tensorboard可视化结果

在我们训练的过程中，我们可以用TensorBoard实时查看训练情况，也可以看到训练的网络模型结构，非常方便

只需要在我们的文件夹的命令行下，运行

tensorboard --logdir='logs/'

之后大概我们的6006端口就可以实时看到我们的结果，即是https://localhost:6006

如果是使用Ubuntu，有可能会出现一些bug，所以需要进行一些操作，因为会显示无法找到命令

这时候首先需要找到TensorBoard在库的哪里

pip show tensorboard

这样子就能看到自己tensorboard下载的路径

然后找到TensorBoard的文件夹下，找到main.py文件，就可以进行了，利用绝对路径就可以了

python .../python3.8/site-packages/tensorboard/main.py --logdir='logs/' 

7.4. 预测步骤

1. 下载完库后解压，在百度网盘后者其他地方下载yolo_gesture_weights.pth，放入model_data，运行predict.py，调整权重路径

   在predict.py中事先设置了dir_predict表示遍历文件夹进行检测并保存。默认遍历img文件夹，保存img_out文件夹，这样就可以在img_out中得到文件

   有很多种模式，可以通过mode来调节，这一部分还可以设置参数，我们都可以从help里看到

   predict.py -h
   usage: predict.py [-h] [--weights WEIGHTS] [--tiny] [--phi PHI][--mode {dir_predict,video,fps,predict,heatmap,export_onnx}][--cuda] [--shape SHAPE] [--video VIDEO][--save-video SAVE_VIDEO] [--confidence CONFIDENCE][--nms_iou NMS_IOU]optional arguments:-h, --help            show this help message and exit--weights WEIGHTS     initial weights path--tiny                使用yolotiny模型--phi PHI             yolov4tiny注意力机制类型--mode {dir_predict,video,fps,predict,heatmap,export_onnx}预测的模式--cuda                表示是否使用GPU--shape SHAPE         输入图像的shape--video VIDEO         需要检测的视频文件--save-video SAVE_VIDEO保存视频的位置--confidence CONFIDENCE只有得分大于置信度的预测框会被保留下来--nms_iou NMS_IOU     非极大抑制所用到的nms_iou大小
   

   如果下载了权重于路径model_data/yolov4_tiny.pth，默认是文件夹中的图片模式运行，我们就可以直接运行得到结果

   python predict.py --tiny --phi 0 --weights model_data/yolov4_tiny.pth
   

2. 在predict.py里面进行设置可以进行fps测试和video视频检测。 （这一部分可以自己尝试）

   这一部分只要设置一下路径和视频即可，分别有多种模式

7.5. 评估步骤

1. 本文使用VOC格式进行评估。

2. 如果在训练前已经运行过voc_annotation.py文件，代码会自动将数据集划分成训练集、验证集和测试集。如果想要修改测试集的比例，可以修改voc_annotation.py文件下的trainval_percent。trainval_percent用于指定(训练集+验证集)与测试集的比例，默认情况下 (训练集+验证集):测试集 = 9:1。train_percent用于指定(训练集+验证集)中训练集与验证集的比例，默认情况下 训练集:验证集 = 9:1。

3. 利用voc_annotation.py划分测试集

4. 运行get_map.py即可获得评估结果，评估结果会保存在map_out文件夹中。

8. Streamlit 项目部署

经过上述学习过程，最后我利用streamlit进行了项目部署，可以在本地部署，也可以在云端部署，代码已经上传的了，并且我最后部署到了streamlit的服务器中，大家都可以在线体验 https://kedreamix-yologesture.streamlit.app/，然后选择“Run the app”即可，不需要过多的操作，云端服务器会会自动从我的release中下载模型，所以这个不用担心。

关于streamlit的一些方法，可以看一下我另一篇博客，也有对应的github链接，那个简单一点https://redamancy.blog.csdn.net/article/details/121788919

8.1. 本地运行

打开命令行运行以下代码，记住，首先进行pip install streamlit

streamlit run gesture.streamlit.py

运行之后，打开的 https://localhost:8501 就可以看到自己的streamlit的界面了

8.2. 检测方法

在这个部署界面中，我一共设了几种方式，分别是

测试模型方式	测试方式描述
Example	已有一部分数据在服务器的文件夹里，可以读取进行检测
Image	可以自主上传对应的图片进行检测
Camera	利用电脑摄像头进行检测，对摄像头进行拍照，然后可以检测fps，heatmap
FPS	上传一张图片进行FPS
Heatmap	进行一个热力图的检测，可以看到模型关注哪一部分
Real Time	实时检测，可能这一部分在云服务器有点bug，可能要在自己电脑下才能正常运行，云端不可用
Video	传入视频进行检测

8.3. 选择模型以及参数

并且在下面的部分，也设置了几个参数，首先是使用的模型，根据前面所说的，一共有五种模型，并且可以调节传入的shape，这里注意一下，如果选择tiny模型，要勾选☑️使用tiny模型，要不默认全是yolov4模型，然后tiny模型的shape统一只有416，只有yolov4模型有一个608和416，可以根据自己的情况选择。

除此之外，还可以调节一下confidence和nms的参数，默认分别是0.5和0.3，这个是可以通过滑动杆来修改的

9. 参考Reference

• https://github.com/bubbliiiing/yolov4-pytorch
• https://github.com/qqwweee/keras-yolo3/
• https://github.com/Ma-Dan/keras-yolo4

10. 代码权重可复现，已开源（求🌟🌟🌟）

所有的上述代码权重全部可复现，已经全部开源，有需要可以自取https://github.com/Kedreamix/YoloGesture

有问题欢迎在issue中讨论，最后创作不易，给我个星星吧哈哈哈star一下，🌟🌟🌟