睡岗识别~

背景描述：为防止因值班人员睡岗行为引发安全隐患的情况发生，识别出值班人员睡岗情况并给予处理。

算法目标：识别出趴着或者躺着睡觉的值班人员并产生告警。

数据集分析

根据人的姿态设定了如下6个类别：

(1) 站着的人 stand

(2) 坐着的人 sit

(3) 蹲着的人 crouch

(4) 趴着睡的人（趴在桌子、台子上） prostrate_sleep

(5) 坐着睡的人 sit_sleep

(6) 躺着睡的人（身体横着的） lie_sleep

人体骨胳点标签

一共17个关键点，如下图所示：

数据集的尺寸和类别统计信息

评测标准

算法方案

算法选型

从赛题分析来看，该任务属于目标检测+姿态估计。这两个任务之间没有特别强的关联性，可以采用两个模型同时对图像进行分析，但是缺点是对资源占用较高。当然也可以通过单个模型算法实现，例如YOLOv8-pose，这样能够减小算法对资源的占用。出于对资源和性能的考虑，笔者选取了YOLOv8-pose作为方案的baseline。 whaosoft aiot http://143ai.com

YOLOv8 是ultralytics 公司在 2023 年 1月 10 号开源的，目前支持图像分类、物体检测、实例分割和姿态估计任务，是一个 SOTA 模型。训练策略

采用YOLOv8m-pose模型
调整训练类别
- 去掉 crouch 的类别，合并到 sit 类别
灵活的训练策略
- 第一阶段，随机数种子1，采用YOLOv8m-pose预训练模型，训练集：验证集 = 4 ：1，使用强数据增强
- 第二阶段，随机数种子2，采用第一阶段的模型作为预训练模型，训练集：验证集 = 4 ：1，采用弱数据增强，低学习率
- 第三阶段，随机数种子3，采用第二阶段的模型作为预训练模型，训练集：验证集 = 1 : 3，关闭数据增强，低学习率

部署方案

算法部署采用的是uYOLODeploy，该部署工具是笔者团队自研，具有如下特点：uYOLODeploy使用简单，部署迅速，下面是应用示例：

\#include \<iostream\>\
\#include \"uyolo_deploy.h\"\
\
// Detector\
auto mDetector = std::make_shared\<Detector\>();\
\
// Init\
mDetector-\>Init(\"model file path\");\
mDetector-\>UpdateLabelsNames(\"coco.names\");\
mDetector-\>UpdateThresh(confThresh, nmsThresh);\
\
// Process\
for (;;)\
{\
\...\
mDetector-\>ProcessImage(inMat);\
// handle results \...\
mDetector-\>detectResults;\
}

测试结果总结

1、数据分析对于训练模型至关重要。

2、针对算法精度和性能两者取舍来说，可先实验网络大小和输入图片大小对模型结果的影响，不同任务和不同数据情况，两者相差较大。所以不能一味为了提高速度，单纯压缩网络大小；

3、针对性能要求时，可采用TensorRT等方式部署模型，也可采用模型压缩等方式，这样可在保证速度的前提下，使用较大网络，提升模型精度。