前言

此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。

一、摘要

 近年来，随着硬件算力的提升和人工智能算法的创新发展，使得深度学习算法在目标检测方面有着广泛的应用。针对现有人工方式查看人员口罩佩戴情况的不足，提出了一种基于深度学习YOLOv5算法实现对口罩佩戴情况的实时检测。算法首先将数据集进行归一化处理，再将数据接入YOLOv5网络进行迭代训练，并将最优权重数据保存用作测试集测试，算法通过tensorboard可视化显示训练和测试结果。实验结果表明，所提算法检测的准确性高，实时性强，满足实际使用需求。

二、网络模型及核心创新点

1. Input端

2. Backbone

3. Neck

4. Prediction

三、应用数据集

实验从线上收集了5 000张人员口罩佩戴图像，制作训练和测试数据集，数据集包括了3种类别，分别为mask、none、poor。

四、实验效果（部分展示）

1. 模型训练完成后，将测试数据集输入至模型中，测试结果如下图所示。

2. 下表给出了本文算法与参考文献中其他3种算法测试性能对比，本文算法的准确率为92.4%，分别比文献中的3种算法提高了6%、3.4%、4.7%;检测速度为140帧/s，相比于文献［8］中的算法提高了近8倍的速度，这得益于YOLOv5较小的权重数据。

、实验结论

综上所述，为实现检测的准确性和实时性，并将人工从繁杂的检测工作中解放出来，提出一种基于YOLOv5网络模型的人员口罩佩戴实时检测算法。该方法经实验测试，准确率高且能达到视频图像实时性要求，证明本文方法具有一定的优势。

六、投稿期刊介绍

注：论文原文出自谈世磊，别雄波 ，卢功林，谈小虎；基于YOLOv5网络模型的人员口罩佩戴实时检测；《激光杂志》。

解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注下面公众号，私信我。