戴口罩与不戴口罩的训练样本

首先进行图片的读取，使用opencv的haar鼻子特征分类器，如果检测到鼻子，则证明没有戴口罩。如果没有检测到鼻子，接着使用opencv的haar眼睛特征分类器，如果没有检测到眼睛，则结束。如果检测到眼睛，则把RGB颜色空间转为HSV颜色空间。进行口罩区域的检测。口罩区域检测流程是首先把距离坐标原点的较近的横坐标作为口罩区域开始横坐标，离坐标原点较远的横坐标作为口罩区域结束横坐标。离坐标原点较远的纵坐标作为口罩区域开始纵坐标，离坐标原点较远的纵坐标与眼睛高度2倍的和作为口罩区域结束纵坐标。

使用yolov5训练好的口罩检测模型，其中具体训练方法见我的博文《使用YOLOV5训练口罩检测模型》，链接https://blog.csdn.net/wchwdog13/article/details/128311482?spm=1001.2014.3001.5501

https://download.csdn.net/download/weixin_32759777/12545262 这个项目的数据集

戴口罩人脸检测和戴口罩识别(含Python Android源码): https://blog.csdn.net/guyuealian/article/details/125428609 ； 戴口罩人脸检测和戴口罩识别Android Demo APP体检： https://download.csdn.net/download/guyuealian/85771596 目前项目开发的戴口罩识别（face-mask recognition）的准确率还挺高的，在resnet50,可以高达99%的准确率，即使采用轻量化版本MobileNet-v2，准确率也可以高达98.18%左右。

利用yolov5实现口罩佩戴检测算法(非常详细) 基于YOLOV5口罩检测数据集+代码+训练好的模型+标注好的数据

资源包含文件：设计报告word文档+源码 针对目标检测的任务，可以分为两个部分：目标识别和位置检测。通常情况下，特征提取需要由特有的特征提取神经网络来完成，如 VGG、MobileNet、ResNet 等，这些特征提取网络往往被称为 Backbone 。而在 BackBone 后面接全连接层***(FC)***就可以执行分类任务。但 FC 对目标的位置识别乏力。经过算法的发展，当前主要以特定的功能网络来代替 FC 的作用，如 Mask-Rcnn、SSD、YOLO 等。我们选择充分使用已有的人脸检测的模型，再训练一个识别口罩的模型，从而提高训练的开支、增强模型的准确率。 详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/124897861

标注为txt格式，适用于yolo，2000张，其中标签为mask和unmask，只需要修改yaml文件中的地址就可以使用，训练识别精度高

基于YOLOV5口罩检测数据集+代码+训练好的模型+标注好的数据.zip基于YOLOV5口罩检测数据集+代码+训练好的模型+标注好的数据.zip基于YOLOV5口罩检测数据集+代码+训练好的模型+标注好的数据.zip

yolov5 自定义训练口罩检测模型，检测是否佩戴口罩