（一）实现方法

1. Yolo v5模型结构

YOLOv5 的网络结构分为输入端、Backbone、Neck、输出端四个部分。如图1所示。

图1 YOLOv5网络结构

输入端主要包括 Mosaic 数据增强、图片尺寸处理以及自适应锚框计算三部分。Mosaic 数据增强将四张图片进行组合，达到丰富图片背景的效果；图片尺寸处理对不同长宽的原始图像自适应的添加最少的黑边，统一缩放为标准尺寸；自适应锚框计算在初始锚框的基础上，将输出预测框与真实框进行比对，计算差距后再反向更新，不断迭代参数来获取最合适的锚框值。

Backbone主要包含CSP 和Focus 模块。CSP模块前面的卷积核的大小都是3*3，stride=2，因此可以起到下采样的作用，采用CSP模块先将基础层的特征映射划分为两部分，然后通过跨阶段层次结构将它们合并，在减少了计算量的同时可以保证准确率。Focus 模块对图片进行切片操作，将输入通道扩充为原来的4倍，并经过一次卷积得到下采样特征图，在实现下采样的同时减少了计算量并提升了速度。

Neck 采用了FPN与PAN结合的结构，将常规的FPN层与自底向上的特征金字塔进行结合，将所提取的语义特征与位置特征进行融合，同时将主干层与检测层进行特征融合，使模型获取更加丰富的特征信息。

输出端 输出一个向量，该向量具有目标对象的类别概率、对象得分和该对象边界框的位置。检测网络由三层检测层组成，不同尺寸的特征图用于检测不同尺寸的目标对象。每个检测层输出相应的向量，最后生成原图像中目标的预测边界框和类别并进行标记。

1. 数据集介绍

本文数据集结构如图2所示。

图2 数据集整体结构

其中，验证集300张，使用labelimg来为图片人工加上标签，有口罩为mask，没有则为face，一共标注300张图片。如图2所示。

图3 验证集图片标注

训练集1000张，测试集则从训练集中随机选出300张。以上三类数据集比例大致为2：6：2，符合yolo模型学习的规律。通过labelimg标注处理过的图片，会生成与图片对应的label（标签，txt文件），如图3所示。

图4 标注后的图片及对应的label

其中，txt中的1与0表示戴或不戴口罩，后面4个数值表示标签的x，y坐标与长，宽。

训练过程

（1）在models 文件夹下建立一个mask_yolov5s.yaml的模型配置文件，设nc =2表示这次训练的分类有两类：face和mask。在mask_data.yaml设定训练集和验证集数据的地址路径（images和 labels 文件夹一一对应），设定好训练的类数（两类），类名（mask,face）。如图4，图5所示。

图4 mask_yolov5s.yaml模型配置文件

图5 mask_data.yaml模型配置文件

（2）在终端输入以下指令：python train.py --data mask_data.yaml --cfg mask_yolov5s.yaml --weights pretrained/yolov5s.pt --epoch 50 --batch-size 4，表示读取扫描 mask_data.yaml的路径的数据集，借助yolo v5的预训练文件yolov5s.pt训练，设定训练参数（batch size）大小为4，训练50轮。

（3）训练成功后，权重文件和验证准确率的结果被存储在exp8文件夹，且输出所有类别（总共，face-人脸，mask-口罩）训练过程的各个指标（Precision，Recall，mAP0.5，mAP0.5:0.95）。如图6所示。

图6 模型训练过程结果

（4）yolov5每次训练完成（如果没有中途退出）都会在run目录下生成expX目录（X代表生成结果次数第一次训练完成生成exp0 第二次生成exp1......以此类推）。expX目录下会保存训练生成weights以及指标图。图7是ex8中模型训练过程中生成的一些指标图。

图7 模型训练过程中生成的指标图

（5）Loss曲线变化

模型训练(train)和验证(val)过程中的loss变化曲线如图8所示。

图8 模型训练过程中Loss曲线图

其中，从上到下，从左到右依次是：

box_loss：YOLOV5使用CIOULoss作为boundingbox的损失，Box为CIoU损失函数均值，方框越小识别越准。

val box：验证集bounding box损失。

object_loss：目标检测loss均值，越小目标检测越准。

val object_loss：验证集目标检测loss均值。

cls_loss：推测为分类loss均值，越小分类越准。

val cls_loss：验证集分类loss均值。

precision：精度（找对的正类/ 所有找到的正类）。

mAP_0.5：表示阈值大于0.5的平均mAP。

recall：真实为positive的准确率，即正样本有多少被找出来。

mAP0.5:0.95：表示在不同IoU阈值（从0.5到0.95，步长0.05）上的平均mAP

综上所述，模型在训练和验证过程中，loss不断变小趋近于0，精度不断变大趋近于1。

（二）实验结果

1，测试结果

以下为训练过程中产生的示例，8张合成一新图（上为labels表示打上标签，下为pred表示预测概率），实验部分结果如图9，图10，图11，图12所示。

图9 示例1（打标签）

图10 示例1（正确识别概率）

图11 示例2（打标签）

图12 示例2（正确识别概率）

（三）实验评价

本文采用混淆矩阵、F1分数（F1-score）和准确率precision作为本实验的评价指标。模型训练生成的混淆矩阵如图13所示。

图13 混淆矩阵结果

图13表示该模型在类别判断上的精度，左上的“face”为0.95，表示人脸检测精度在0.95左右，中间的mask为“0.99”，表示口罩检测精度在0.99左右。

F1分数（F1-score）是分类问题的一个衡量指标，是精确率precision和召回率recall的调和平均数，最大为1，最小为0，1是最好，0是最差。如下图14可知F1-score平均在0.96。

图14 模型F1分数

准确率precision和置信度confidence的关系曲线变化如图15所示，模型识别准确率趋近于1。

图14 precision-confidence变化曲线

（四）结论分析

根据模型输出的各项评价指标，本文所设计的基于YOLOv5的口罩检测模型的识别准确度还是比较理想的，基本上能够达到较为精确识别口罩与人脸的要求。

但是该方法还存在着一些问题：

（1）目前对数据集的训练要求需要有标签的数据图片，单纯使用labelimg对图片进行手工标签来区分face和mask确实有些麻烦，为了方便目前只能从网上下载特定的有标签图片，而且生成的标签必须符合 yolo 格式。

（2）Yolo v5确实性能更快，但其对于小目标的检测还是有一定的瓶颈，特别是大分辨率图像的小目标检测，如果采用直接对输入端输入高分辨率原图的方式，很多小目标都无法检测到。