简介《基于YOLOv3的口罩识别》是一份面向计算机科学与技术专业本科生的毕业论文设计文档旨在通过YOLOv3目标检测算法解决口罩佩戴自动识别问题适合用于毕业设计参考、人工智能课程实践或目标检测技术入门。文档从研究背景和国内外现状出发系统回顾卷积神经网络从LeNet、AlexNet到ResNet、DenseNet的发展并重点解析YOLOv3的多尺度预测、Darknet-53网络、特征金字塔FPN及锚框改进等核心机制。口罩识别系统的实现流程也被完整涵盖包括数据集准备、数据增强、模型训练以及NMS后处理等环节。资源为单个docx文件压缩包大小仅2.99MB内容结构包含诚信声明、目录、各章节正文及参考文献框架便于读者直接查看或修改格式。目前已有3335人学习浏览可帮助读者快速了解基于深度卷积网络的目标检测系统设计思路获得从理论分析到实验落地的完整参考框架。1. 用 YOLOv3 做口罩识别没必要追新模型2025 年再看口罩识别很多人第一反应是“换 YOLOv8 不香吗”。实际落到门禁、通道闸机、工地安全帽检测这类设备后台相当一部分 IPC 和人脸识别盒子用的仍是 YOLOv3 结构下的 darknet 权重或转出的 ONNX 模型。原因不复杂YOLOv3 结构直白、先验锚框可手工调整、部署链路成熟而它面对只有“戴口罩、未戴口罩”两类目标时精度上限完全够用。口罩识别和通用检测不同真正难点在小脸、侧脸、低照度、口罩半摘这些边界状态。下面从检测原理、数据准备、模型训练、推理部署一直聊到常见翻车点的调优整条链路可以直接照做。2. YOLOv3 的三尺度检测与锚框为什么适配固定形态的口罩目标进入实现之前先把 YOLOv3 的检测原理拆开讲清楚。很多人第一次用 darknet最大的困惑是为什么一张图会产生上万个候选框配置里的 anchors 和每个尺度之间到底是什么关系。把这两个问题打通后面调 filters、调锚框才有判断依据而不是只照抄命令。2.1 三尺度网格、先验锚框与 10647 个候选框的来源以最常见的 416×416 输入为例。图像经主干网络下采样分别在三个倍数处引出检测头13×13、26×26、52×52。每个网格单元配置 3 个先验锚框那么整个流程生成的候选框总数就是 13×13×3 26×26×3 52×52×3 10647 个。这上万候选框多数会在后处理中被丢掉真正被利用的只有目标附近的几十个。先验锚框不是最终输出它只提供宽高的初始值网络回归的是相对锚框的偏移量和缩放难度比直接回归绝对坐标小得多。放到口罩识别的场景里这一机制直接影响检测效果。口罩在画面中形态比较固定正脸时宽高比接近 1:1侧脸时变成细长条。默认的 COCO 锚框里有大量针对人体或车辆的广义形状直接沿用可以跑通但收敛速度和精度都不是最优。常见做法是统计训练集标注的宽高比用 k-means 重新聚出 9 个锚框。聚类时先把宽高值转成 log再算 IoU 距离避免大目标主导聚类中心然后把新锚框按面积从小到大写回 cfg 中。这个过程在口罩项目里通常能带来 1~3 个点的 mAP 提升不改也不至于跑不出来。2.2 为什么别一上来就换 YOLOv3-tiny训练资源吃紧的人往往第一反应是换 YOLOv3-tiny它只有 13×13 和 26×26 两个检测头速度确实快。但注意被删掉的 52×52 分支正是小目标的主要出口。摄像头装在闸机上方 3 米远时人脸宽度可能只有 40~60 像素口罩区域更小只靠 26×26 尺度去回归特征图上的细节信息已经堆叠多次边缘轮廓丢失严重。结果是近景识别很正常稍远一点就出现漏检。这是结构缺陷调任何后处理都补不回来。下表是我在选型时习惯做的一张定性判断表不看具体跑分只看结构差异下各场景的适配性模型检测头小目标能力适合机位算力开销YOLOv33 个强1~5 米门禁、通道基准YOLOv3-tiny2 个弱1~2 米固定近景明显更低YOLOv3-SPP3 个更强光照变化大的户外更高完整 YOLOv3 对小目标的支撑不只靠多一个尺度还靠特征金字塔把深层语义和浅层纹理逐级融合。浅层特征保留口罩轮廓、褶皱和肤色差异深层特征判断这是人脸区域两者结合模型才能区分“口罩边缘”和“下巴阴影”。如果只看重帧率tiny 确实可以做但相同数据下 tiny 通常要多付出 10% 以上的漏检代价园区门口这类复核成本高的场景不建议用。2.3 读懂 filters21 这个数字才不会改崩配置配置修改有个高频翻车点filters 到底填多少。以 classes2 为例每个锚框需要预测 5 个坐标和目标置信度再加 2 个类别概率一共 7 个值。cfg 中每个网格布置 3 个锚框因此最终输出通道是 3×721这就是 filters21 的来源。COCO 预训练模型的 filters255 对应 3×(580)同一个公式。值得注意mask参数如 mask0,1,2在这里是锚框索引指当前检测头使用 anchors 列表中的哪几组并不是给目标做掩码。首次接触 darknet 的人容易把 mask0,1,2 理解成“哪一类目标”改类的时候顺手改掉 mask导致锚框分配错乱模型训练不收敛。真正要同步改的只有 classes 和它前一层 conv 的 filters。3. 训练可用的口罩识别模型数据、cfg 与最小命令3.1 标注格式与目录组织一张图对应一个 txtdarknet 训练读的是 YOLO 文本标注不是 VOC XML也不是 COCO JSON。每张图片对应一个同名 txt行格式是类别 id、中心点 x、中心点 y、宽度 w、高度 h全部归一化到 [0,1] 区间。拿到公开口罩数据集如果带的是 XML 标注先做一次转换顺便把损坏样本过滤掉。下面是常用转换脚本逻辑简单但值得逐行确认import xml.etree.ElementTree as ET from pathlib import Path def voc_to_yolo(xml_path: str, out_path: str, classes: list) - None: tree ET.parse(xml_path) root tree.getroot() w int(root.findtext(size/width)) h int(root.findtext(size/height)) lines [] for obj in root.iter(object): name obj.findtext(name) if name not in classes: continue cls_id classes.index(name) box obj.find(bndbox) xmin float(box.findtext(xmin)) ymin float(box.findtext(ymin)) xmax float(box.findtext(xmax)) ymax float(box.findtext(ymax)) # YOLO 格式中心点 宽高全部归一化到 0~1 x_center ((xmin xmax) / 2) / w y_center ((ymin ymax) / 2) / h bw (xmax - xmin) / w bh (ymax - ymin) / h lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {bw:.6f} {bh:.6f}) Path(out_path).write_text(\n.join(lines)) # 类别顺序必须和后续 mask.names 文件完全一致 classes [mask, no_mask] voc_to_yolo(annotations/0001.xml, labels/0001.txt, classes)代码做三件事读取 XML 的 bndbox、归一化计算、写入 txt。findtext会自动去除空白字符XML 缺字段时会直接抛异常所以批量转换前先用单张跑通。特别要注意越界标注xmax 略大于图宽的情况在人工标注里很常见转换后宽高会超过 1darknet 训练时偶尔会出现 nan loss。建议在写入前加一步min(max(v, 0), 1)的裁剪。另外classes的顺序不能随意排训练用的mask.names也按这个顺序写两行逐行对应。3.2 修改 classes、filters 与锚框的三步操作拿标准 yolov3.cfg 来改分三步全文搜classes80共有三处改成classes2每个[yolo]层前面那个卷积层把filters255改成filters21这个 21 就是上一节里 3×(52) 的结果最后一处是确认三处[yolo]的mask参数分别是 0,1,2、3,4,5、6,7,8不涉及这两类场景就不要动。修改后的片段长这样[convolutional] size1 stride1 pad1 filters21 activationlinear [yolo] mask0,1,2 classes2锚框要不要动取决于镜头到人脸的距离是否固定。如果摄像头安装高度固定、人员走的是固定通道先不动锚框用默认 9 组也能跑到不错的效果。如果画面上口罩大多只有 20~30 像素默认锚框最小一组10,13也偏大建议对标注做一次聚类得到 9 组新锚框后按面积从小到大写入 cfg 对应的三组mask中。换锚框之后建议把max_batches增加 20%给网络重新适配的时间。3.3 obj.data 与最小训练命令、参数解读现在项目里应该有的文件images/放原图labels/放对应 txtmask.names、obj.data、yolov3-mask.cfg都就位。obj.data 内容如下classes2 train/absolute/path/to/train.txt valid/absolute/path/to/val.txt names/absolute/path/to/mask.names backup/absolute/path/to/backuptrain.txt是图片的绝对路径列表每行一张。路径写错时 darknet 会立刻报Cant open此时先检查文件而不是重训。然后执行训练# -map 每 4 个 epoch 在验证集上算一次 mAP监控精度趋势 ./darknet detector train data/obj.data cfg/yolov3-mask.cfg \ darknet53.conv.74 -dont_show -map -gpus 0参数说明-dont_show不开预览窗口适合 SSH 远程连接训练-map很关键初期训练损失下降慢可以不加到 2000 轮后加上避免验证拖慢整体速度-gpus 0指定第一块显卡多卡可以写0,1,2。darknet53.conv.74是预训练权重没有它从头训练收敛时间通常要多 30% 以上。cfg 里的batch64保持不变subdivisions8。显存不够时不要降 batch调大 subdivisions 到 16 或 32单次真正送入显存的图就变成 64/164 张。learning_rate建议 0.001steps设为总迭代的 80% 和 90%比如max_batches8000时写steps6400,7200。训练日志看avg_loss开始时 20 以上几百轮后降到 2 以下到 0.4~0.8 基本收敛。avg_loss 很低但 map 不再涨说明过拟合停止即可。3.4 数据增强参数与类别不平衡的常见处理cfg 文件头附近有增强开关默认情况下flip1水平翻转在口罩场景保留angle保持 0人脸不会倒着出现saturation、exposure、hue用默认值就行。YOLOv3 原版不包含 mosaiccfg 里即使有对应开关也保持关闭想用 mosaic 要换到 YOLOv4 一类结构不建议在 YOLOv3 上硬改。提示公开口罩数据集里 mask 样本通常比 no_mask 多训练出的模型对 mask 更自信no_mask 召回偏低。这种情况不建议只调推理阈值因为阈值是整体平移的压不低误报。常见做法是对 no_mask 样本做重采样数量不足时复制若干份保持两类接近 1:1效果比后期调参治本。4. 口罩识别推理侧的关键参数置信度、NMS 与 mAP 评估4.1 darknet 推理代码中的阈值发生在哪一步当直接用 darknet 的 Python 接口做推理代码很短import cv2 import darknet # 最后一个 0 表示不加载 GPU 权重改 1 会优先使用 CUDA net darknet.load_net(bcfg/yolov3-mask.cfg, bbackup/yolov3-mask_final.weights, 0) meta darknet.load_meta(bdata/mask.names) img cv2.imread(gate.jpg) img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # letterbox 保持宽高比返回缩放比和填充尺寸 resized, ratio, pad darknet.letterbox_image(img_rgb, (416, 416)) detections darknet.detect_image(net, meta, resized, thresh0.3) # 返回格式(bno_mask, 0.87, (218.3, 150.2, 26.7, 31.0)) # 坐标是 416x416 网格下的中心点和宽高需要映射回原图推理链路里有三个过滤点第一个是threshdarknet 内核对每个候选框先判断目标置信度小于阈值的直接丢弃第二个是类别维度置信度达标后取概率最高的类别第三个是 NMS同类别相邻框按 IoU 合并。很多人以为返回结果不需要再做过滤其实内部已经处理过但它不做类间过滤——如果一个 mask 框和一个 no_mask 框高度重叠你会同时看到两类预测。这种临界帧多出现在“口罩刚摘下”的瞬间。后处理建议加一条硬规则同一区域同时出现 mask 和 no_mask只保留置信度高的那个。4.2 0.25 / 0.45 / 0.7三档阈值分别适合什么场景阈值召回误检适合场景0.25高较高大范围画面、人工复核0.45中中闸机联动、风险告警0.7较低很低固定近景、出报告场景先说结论直接取 0.45 大概率能工作但不会最优。摄像头在 3 米外时人脸很小模型输出概率普遍在 0.4~0.6阈值提到 0.7 会漏掉一大批近景人脸很大no_mask 预测常超 0.9阈值降到 0.25 只会增加误报。正确做法是在验证集上先画 PR 曲线在误检率可接受范围内选召回最高的点再用真实场景录 5 分钟视频做一次回归测试。固定机位还有一种更优先的技巧帧间多数投票连续 5 帧对同一个目标取众数能明显压掉单帧闪烁这比反复调阈值更能解决线上告警抖动。4.3 用 mAP 和分列 AP 判断模型能否上线训练结束不能只看 lossloss 低只说明训练集拟合判断指标要用验证集 mAP。darknet 内置命令./darknet detector map data/obj.data cfg/yolov3-mask.cfg backup/yolov3-mask_last.weights输出会按类别给 AP再算平均 mAP。口罩识别项目里我会把标准定为mask 类 AP 在 0.95 以上no_mask 类 AP 在 0.9 以上mAP0.5 才建议上线。这里特别提醒看分列如果 mAP 整体 0.96 但 no_mask AP 只有 0.82风险很大因为漏过一个没戴口罩的人比误报一个戴上的人严重得多。这种情况优先回数据层补 no_mask 样本再用 3.4 的方法重采样而不是往下压推理阈值——阈值压低能找回召回但误报会同时飙升。5. 口罩识别常见的翻车点与三个实战技巧5.1 侧脸、半摘口罩与遮挡样本的处理侧脸场景中口罩在被遮挡的一侧往往只剩一条细长条模型容易把它当成背景。不要只在正面样本上训练我一般对原始数据集做两类补充一是旋转增强把训练图中的人脸区域旋转 ±15°模拟转头二是人工挑选“半摘口罩”照片口罩在下巴位置、嘴鼻暴露这类统一标注为 no_mask。如果项目里经常出现“口罩挂在脖子上”的误报可以在数据里额外加一类mask_in_hand作为干扰项推理时直接过滤这个类别。加类别后3.2 里的 classes 和 filters 要同步更新。5.2 用翻转测试时增强提升小目标召回如果验证集上 no_mask 的漏检集中在远距离不用重训先试测试时增强。推理时把输入水平翻转后再跑一次将得到的框做坐标镜像与正常推理结果合并。关键一步是坐标转换# 翻转 TTA镜像后的中心点 x 映射回原图坐标系 x 416 - x这个公式只适用正方形输入。如果用了 letterbox还要先把坐标减掉 pad、除以 ratio 还原到原图。TTA 能提升小目标召回但推理时间翻倍。线上无法接受时可以在夜间模式或远距离模式下单独启用 TTA平时走单次推理。5.3 转 ONNX 和 TensorRT 时的实际取舍边缘设备部署常见链路是 darknet 权重转 ONNX再转 TensorRT。导出 ONNX 时尽量固定输入尺寸避免动态 shape 带来额外复杂度。转 TensorRT 优先用 FP16trtexec --onnxyolov3-mask.onnx --saveEngineyolov3-mask.engine \ --fp16 --workspace1024--workspace根据目标显存调整嵌入式设备给 512~1024 即可。FP16 在口罩识别上几乎不掉点INT8 需要额外校准校准集必须同时包含 mask 和 no_mask 两类并且覆盖白天、夜间和逆光三种情况。确认校准集覆盖不全时INT8 的精度波动可能比 FP16 更明显不要为了帧率盲目上 INT8。本文还有配套的精品资源点击获取