基于人脸面部口罩识别的深度学习训练数据，在诸多场景中有着重要应用。在公共卫生防控方面，机场、车站、商场等人员密集场所，通过部署相关识别系统，利用深度学习训练数据支撑的模型，可实时监测人群口罩佩戴情况。一旦发现未戴口罩者，能及时发出警报或提示，降低病毒传播风险，助力疫情防控常态化工作 。医疗环境里，医院入口、病房区域等，该数据支持下的识别技术可精准区分患者、医护人员是否正确佩戴口罩。像手术室、重症监护室等对卫生要求极高的区域，保证人员规范佩戴口罩，能有效减少病菌交叉感染，保障医疗环境安全。企事业单位的门禁系统也可引入此技术。员工打卡进门时，系统借助训练数据快速识别其是否合规佩戴口罩，既完成身份验证，又确保工作场所防疫安全，提升单位整体防控水平 。
1、数据采集：企业采集大量标注佩戴口罩与未佩戴口罩的个体图片，图片涵盖不同场景，不同拍摄角度，不同质量的图片信息，确保数据的多样性从而为提升模型的泛化能力做准备。生成每个文件的ID，记录图片的文件路径。 2、文件预处理：所有图像均经过严格的预处理，包括自动方向校正和EXIF方向信息的剥离，确保所有图像在输入模型前方向一致。此外，为了适应目标检测算法的要求，所有图像都被标准化为固定像素的尺寸，通过拉伸的方式进行调整。再使用自适应均衡化技术来增强图像的对比度，有助于训练出来的模型在不同光照条件下更准确地识别口罩。 3、数据标注：在数据集中，每张图像都被精确标注，定义了戴口罩和未戴口罩两个类别。预处理过后的图片大多数标注框的中心点集中在图像中心区域，标注框的尺寸多集中在一定的范围内，表明大部分人脸标注框的大小比例相对一致，有利于模型识别和预测。 4、模型训练：首先导入并加载预训练的YOLOv8模型。获取数据集的yaml的绝对路径：local/invoice。接着开始训练模型。其中指定了训练数据的配置文件路径，使用CPU进行训练，使用2个工作进程加载数据，输入图像的大小为固定值，学习率固定为0.001，每个批次的大小为8。识别过程中对人脸坐标进行记录标记，以json文件的格式保存到coordinates_num文件夹下。 5、模型预测：使用测试集对模型进行评估，统计和计算模型在不同的样本数据下识别的训练精度、召回率、F1值、以及实时性能评估等性能指标，确保模型进行口罩识别的准确性与适应性。 6、模型应用：将最终训练后得到的模型应用到实际具体的项目中。在实际应用中，根据当前环境场景再对模型的实时性能、检测的准确性和处理速度进行检测和评估，微调和增加部分特定场景数据进行训练，确保满足应用需求，以达到快速、准确识别的效果。
| 字段名 | 类型 | 描述 |
|---|---|---|
文件ID |
-- | -- |
文件路径 |
-- | -- |
边界框坐标 |
-- | -- |
目标人数 |
-- | -- |
佩戴口罩人数 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 文件ID | 7048388021424724000,9233315308380496000, |
| 文件路径 | local/invoice/1555.png,local/invoice/940 |
| 边界框坐标 | 88 37 276 230,32 38 242 297,94 52 292 26 |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/7173199