工鞋工服穿戴识别工帽防护服穿戴检测系统基于AI视觉智能分析算法，具备精确、高效的穿戴识别能力。工鞋工服穿戴识别 工帽防护服穿戴检测系统根据不同车间的着装要求选择对应的AI着装模型，对员工的工鞋、工服、工帽和防护服进行识别。一旦系统发现员工未按要求穿戴，系统立即进行抓拍，并通过告警方式提醒员工进行调整。工鞋工服穿戴识别 工帽防护服穿戴检测系统通过及时发现监控区域范围未穿戴工作服人员等，对未穿戴工作服的不安全行为实时预警并纠正工作装备的不当穿戴，提高工作环境的安全性，降低事故发生的风险。
YOLOX在YOLO系列的基础上做了一系列的工作，其主要贡献在于：在YOLOv3的基础上，引入了Decoupled Head，Data Aug，Anchor Free和SimOTA样本匹配的方法，构建了一种anchor-free的端到端目标检测框架，并且达到了一流的检测水平。此外，本文提出的 YOLOX-L 模型在视频感知挑战赛(CVPR 2021年自动驾驶研讨会)上获得了第一名。作者还提供了支持ONNX、TensorRT、NCNN和Openvino的部署版本。
Yolox 将 Anchor free 的方式引入到Yolo系列中，使用anchor free方法有如下好处：降低了计算量，不涉及IoU计算，另外产生的预测框数量较少。假设feature map的尺度为80x80，anchor based方法在Feature Map上，每个单元格一般设置三个不同尺寸大小的锚框，因此产生3x80x80=19200个预测框。而使用anchor free的方法，仅产生80x80=6400个预测框，降低了计算量。缓解了正负样本不平衡问题，anchor free方法的预测框只有anchor based方法的1/3，而预测框中大部分是负样本，因此anchor free方法可以减少负样本数，进一步缓解了正负样本不平衡问题。避免了anchor的调参， anchor based方法的anchor box的尺度是一个超参数，不同的超参数设置会影响模型性能。anchor free方法避免了这一点。
在工业生产过程中，员工正确穿戴工鞋、工服、工帽和防护服等安全装备是保障工作环境安全的重要措施。为了确保员工按要求穿戴相关装备，基于AI视觉智能分析算法的工鞋工服穿戴识别工帽防护服穿戴检测系统应运而生。工鞋工服穿戴识别 工帽防护服穿戴检测系统可以根据不同车间的着装检测需求选择相应的AI着装模型，保障员工和工作环境的安全。工鞋工服穿戴识别 工帽防护服穿戴检测系统采用AI视频智能分析技术，提高企业的安全生产监督和竞争力。
class Detect(nn.Module):
stride = None # strides computed during build
onnx_dynamic = False # ONNX export parameter
def __init__(self, nc=80, anchors=(), ch=(), inplace=True): # detection layer
super().__init__()
self.nc = nc # number of classes
self.no = nc + 5 # number of outputs per anchor
self.nl = len(anchors) # number of detection layers
self.na = len(anchors[0]) // 2 # number of anchors
self.grid = [torch.zeros(1)] * self.nl # init grid
self.anchor_grid = [torch.zeros(1)] * self.nl # init anchor grid
self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2)) # shape(nl,na,2)
self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch) # output conv
self.inplace = inplace # use in-place ops (e.g. slice assignment)
def forward(self, x):
z = [] # inference output
for i in range(self.nl):
x[i] = self.m[i](x[i]) # conv
bs, _, ny, nx = x[i].shape # x(bs,255,20,20) to x(bs,3,20,20,85)
x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()
if not self.training: # inference
if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)
y = x[i].sigmoid()
if self.inplace:
y[..., 0:2] = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i] # xy
y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
else: # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
xy = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i] # xy
wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
y = torch.cat((xy, wh, y[..., 4:]), -1)
z.append(y.view(bs, -1, self.no))
return x if self.training else (torch.cat(z, 1), x)
def _make_grid(self, nx=20, ny=20, i=0):
d = self.anchors[i].device
if check_version(torch.__version__, '1.10.0'): # torch>=1.10.0 meshgrid workaround for torch>=0.7 compatibility
yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)], indexing='ij')
else:
yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)])
grid = torch.stack((xv, yv), 2).expand((1, self.na, ny, nx, 2)).float()
anchor_grid = (self.anchors[i].clone() * self.stride[i]) \
.view((1, self.na, 1, 1, 2)).expand((1, self.na, ny, nx, 2)).float()
return grid, anchor_grid工鞋工服穿戴识别工帽防护服穿戴检测系统适用于各个工业生产场景。工鞋工服穿戴识别 工帽防护服穿戴检测系统通过选择不同的AI着装模型，系统可以满足不同车间的着装检测需求。系统的工作流程简单高效，能够实时识别员工的工装穿戴情况，并提供及时告警和抓拍功能。有助于确保员工按照工作要求正确穿戴工鞋、工服、工帽和防护服，保障他们的安全。工鞋工服穿戴识别 工帽防护服穿戴检测系统为各个工业生产场景提供更加智能、高效的解决方案，致力于打造更加安全、健康的工作环境。
