运行说明

项目程序在 python3.7 环境下搭建，相关结构及文件说明请看文件的结构目录以及文件功能.xmind（里面详细描述了各个文件的关联结构以及各文件的功能）

问题一

所需文件以及文件包所依赖的环境

export.py:

需要安装的包：pandas版本:：1.2.4
pyhton3.7自带的包：os、sys、random、glob、shutil、xml

plot.py:

需要安装的包：matplotlib版本：3.4.1、pandas版本: 1.2.4
python3.7自带的包：os

问题一的整体流程：

用pycharm整体编辑question_1

运行export.py文件，读取存放在./question_1/data/Annotations下的xml文件中的标签信息生成test.csv文件。

运行plot.py文件，读取生成的test.csv文件中的信息以生成带有颜色人脸框的图片。不同颜色的人脸框对应不同的口罩佩戴情况，本项目规定佩戴口罩为红色方框，未佩戴口罩为橙色方框，未正确佩戴口罩为青色方框。

问题二

所需文件以及文件包所依赖的环境

make_normalized_txt.py

需要安装的包：pandas版本: 1.2.4
python3.7自带的包：glob、xml

82fen.py

需要安装的包：无
python3.7自带的包：glob、xml、shutil、os

enhance_data.py:

需要安装包的：numpy版本：1.18.5、opencv-python版本: 4.5.1.48
python3.7自带的包：random、os

train.py、test.py、detect.py：

这三个都在maskyolov5-5.0文件夹下，运行yolov5-5.0需要的官方环境如下：

base ----------------------------------------

matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
Pillow
PyYAML>=5.3.1
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0

logging -------------------------------------

tensorboard>=2.4.1

wandb

plotting ------------------------------------

seaborn>=0.11.0
pandas

export --------------------------------------

coremltools>=4.1

onnx>=1.8.1

scikit-learn==0.19.2 # for coreml quantization

extras --------------------------------------

thop # FLOPS computation
pycocotools>=2.0 # COCO mAP

问题二的整体流程：

用pycharm整体编辑enhance_data文件夹，copy文件夹下存放的是特征稀缺难以检测的样本。

运行enhance_data.py文件，对copy的文件进行了数据增强，产生的图片存放在after文件下。运用labelImg进行标注，将标注后的标签数据集放到enhance_data_annotations文件夹下。

用pycharm整体编辑make_normalized_txt文件夹
运行make_normalized_txt.py
如果要对数据增强后的数据集进行操作，需开启相应的代码，

#annotations=glob('enhance_data_annotations/\*.xml')
#data.to_csv('./enhance_data_label/'+filename,sep='\t',index=False,header=None)

并注释原来代码：

annotations = glob('train_annotations/\*.xml')
data.to_csv('./label/'+filename,sep='\t',index=False,header=None)）

再从数据增强生成的数据集中选取特征数稀少难以检测的图片当作最终数据的数据集。图片数据集存放在copy_image数据集中，标签数据集存放在copy_txt数据集中。

检索train_annotations文件夹下的xml文件生成对应归一化的标签txt文件并存放到label文件夹下。

将数据增强后的图片与赛题B训练样本中图片合并后随机8，2分之后放到路径./maskyolov5-5.0/mydata/images文件夹下，其中比例为8的部分放入train文件夹，比例为2的部分放入test文件夹下。数据增强后的标签txt文件与原标签txt文件合并后随机8，2分之后放到路径./maskyolov5-5.0/mydata/labels文件夹下,其中比例为8的部分放入train文件夹，比例为2的部分放入test文件夹下。

用pycharm整体编辑maskyolov5-5.0文件夹

调整参数（初始权重选为我们训练的best.pt、IOU、置信区间、测试集改为653张样本图片)

运行detect.py文件
得到最终结果。

问题三

所需文件以及文件包所依赖的环境

make_xlsx.py：

需要安装包的：pandas版本: 1.2.4、numpy版本： 1.18.5
python3.7自带的包：os

问题三的整体流程：

用pycharm整体编辑question_3下的maskyolov5-5.0
调整detect.py中的参数开启–save-txt
文件夹200存放的是数据增强后运行detect.py(已启用–save-txt变量)产生的标签txt文件。

运行make_xlsx.py，读取200文件夹下的txt文件并将信息录入到赛题B提交结果.xlsx文件中。