任务介绍：随着食品安全问题的日益严峻，后厨的卫生也成为了当下人们关心的问题。后厨人员的卫生穿戴习惯直接影响到食品的卫生品质，因此规范后厨穿着逐渐成为后厨人员卫生管理重要一环。算法应用场景：厨房监控摄像头取像，识别厨房人员的穿着情况，识别到厨房人员没有识别对象，进行告警。

数据集：

训练集：17725个 测试集：7776个 目标类别数目：31类

本赛题采用的评审指标如下：

注意： 

1.PRCV赛题中对厨师工作服/工作帽识别模型榜，有一个最低分数要求，成绩分需达到0.9 

2.本赛题最终得分采取准确率、算法性能绝对值综合得分的形式，其中IoU使用0.4

解决方案：

算法选择：

上图为yolov6文章中的几个yolo算法的性能指标比对，yolov6主要基于repvgg结构进行改进，以及采用anchorfree方式，笔者最开始使用的是yolov5m模型进行训练，速度可以达到100fps，但是调整训练和测试参数都无法达到赛题中要求的0.9的基准值，还是模型精度不够好，对比看yolov5-m和yolov6-m的性能指标，几乎同样的推演延时情况下，yolov6-m的mAP值比yolov5-L的精度还要高，因此笔者最终采用的是yolov6-m进行训练。

模型训练：

yolov6在代码结构上数据集上以及训练方法上有很多都和yolov5很类似。

数据集的生成：

由于笔者最开始使用的是yolov5进行训练测试的，yolov6的数据生成都是和之前yolov5一样的，参考了https://cvmart.net/document其中《基于YOLOV5的新手任务实践》中的步骤，训练集和测试集的比例采用的是9:1的比例。

数据配置文件如下：

train: /project/train/src_repo/dataset/images/train
val: /project/train/src_repo/dataset/images/val

nc: 31  # number of classes
names: ["person", "short_sleeve_red", "short_sleeve_black", "short_sleeve_white", "short_sleeve_grey", "short_sleeve_green",
"short_sleeve_blue", "short_sleeve_dark_blue", "long_sleeve_red", "long_sleeve_black", "long_sleeve_white", "long_sleeve_grey", 
"non_uniform", "other_uniform", "chef_hat_red", 


    
"chef_hat_black", "chef_hat_white", "peaked_cap_red", "peaked_cap_black", "peaked_cap_white", "peaked_cap_blue",
"peaked_cap_beige", "disposable_cap_white", "disposable_cap_blue", "head", "other_hat", "apron_red", "apron_black", "apron_white", "apron_grey", "other_apron"]  # class names

模型配置文件如下：

 YOLOv6m model
model = dict(
    type='YOLOv6m',
    pretrained='yolov6m.pt',
    depth_multiple=0.60,  
    width_multiple=0.75,
    backbone=dict(
        type='CSPBepBackbone',
        num_repeats=[1, 6, 12, 18, 6],
        out_channels=[64, 128, 256, 512, 1024],
        csp_e=float(2)/3,
        ),
    neck=dict(
        type='CSPRepPANNeck',
        num_repeats=[12, 12, 12, 12],
        out_channels=[256, 128, 128, 256, 256, 512],
        csp_e=float(2)/3,
        ),
    head=dict(
        type='EffiDeHead',
        in_channels=[128, 256, 512],
        num_layers=3,
        begin_indices=24,
        anchors=1,
        out_indices=[17, 20, 23],
        strides=[8, 16, 32],
        iou_type='giou',
        use_dfl=True,
        reg_max=16, #if use_dfl is False, please set reg_max to 0
        distill_weight={
            'class': 1.0,
            'dfl': 1.0,
        },
    )
)

solver=dict(
    optim='SGD',
    lr_scheduler='Cosine',
    lr0=0.01,
    lrf=0.01,
    momentum=0.937,
    weight_decay=0.0005,
    warmup_epochs=3.0,
    warmup_momentum=0.8,
    warmup_bias_lr=0.1       
)
 
data_aug = dict(
    hsv_h=0.015,  
    hsv_s=0.7, 
    hsv_v=0.4,
    degrees=0.0,
    translate=0.1,
    scale=0.9,
    shear=0.0,
    flipud=0.0,
    fliplr=0.5,
    mosaic=1.0,
    mixup=0.1,
)

训练代码修改：

由于yolov6训练的模型太大，平台上最多只能存1G的模型，在代码engine.py中将self.tblogger = None 以及tblogger相关的屏蔽掉防止其占用太多的空间。

笔者采用yolov6训练的时候到截止提交时间没剩几天，将最大epochs改为了200，这里有可能使用默认的400效果更好。训练命令如下：

python /project/train/src_repo/YOLOv6/tools/train.py   
--data /project/train/src_repo/yolov5/data/object.yaml 
--img 640 
--conf  configs/yolov6m.py 
--epochs 200 
--output-dir /project/train/models/train \
--batch 16

推理测试：

推理代码主要基于的是极市封装程序的代码https://github.com/ExtremeMart/ev_sdk_demo4.0_pedestrian_intrusion_yolov5

为了方便进行测试，这里在cpp代码中增加python代码用于方便导出onnx模型

std::system("cd /project/train/src_repo/YOLOv6 && python /project/train/src_repo/YOLOv6/deploy/ONNX/export_onnx.py --weights /project/train/models/train/exp/weights/best_ckpt.pt --simplify --inplace --img-size 640 640"),笔者使用这种方法在测试代码中直接导出onnx，后面的部分ev_sdk中包含使用onnx转换为tensorrt的代码。前面的测评标准中有写到使用IOU 0.4，因此在后处理做非极大抑制的时候将阈值改成了0.4，这个地方多次测试对比会对结果有影响。

推理效果：

测试结果：

总结：

1.基于yolov6-m进行训练，在同样推理速度的情况下比yolov5-m的精度要好，这里模型的选择很重要。

2.注意测评标准中有提到IOU是用的是0.4，因此我们在推演的时候也使用的是0.4的IOU进行测试，这里对精度也有影响。

3.基于tensorrt fp16进行推演，同时为了要满足推演速度，需要调整合适的尺寸满足这个条件。

https://github.com/ultralytics/yolov5

https://github.com/meituan/YOLOv6

https://github.com/ExtremeMart/ev_sdk_demo4.0_pedestrian_intrusion_yolov5