在本系列文章中，将学习如何使用Python、OpenCV（一个开源的计算机视觉库）和ImageAI（一个用于视觉的深度学习库）来训练人工智能检测工人是否佩戴安全帽。将创建一个端到端的解决方案，这不仅仅是一个学术练习，而是可以在现实生活中使用的！
这是一个重要的用例，因为许多公司必须确保工人有适当的安全设备。但所学到的远不止检测安全帽。到本系列结束时，将能够使用AI检测图像或视频流中几乎所有类型的物体。
现在正在阅读的是本系列的第4篇文章，共6篇：
现在已经有一些图像和一个设置好的检测器，让训练自己的自定义模型来检测人们是否佩戴安全帽。为了从模型中获得最佳结果，需要确保训练它的数据是准确的。还需要注释数据，并保留一些数据用于在训练后验证模型。
即使只是简单地浏览一下，手动检查数据集总是一个好主意。然而，因为已经设置了一个相当可靠的检测器，将让检测器来清理数据。清除包含显示随机图像代码的代码块，并替换为以下内容：
hardhatImages = os.listdir("hardhat")
peopleOnly = detector.CustomObjects(person=True)
for i in hardhatImages:
imageFile = "hardhat/{0}".format(i)
detectedImage, detections = detector.detectCustomObjectsFromImage(custom_objects=peopleOnly, output_type="array", input_image=imageFile, minimum_percentage_probability=30)
if len(detections) < 1:
os.remove(imageFile)
这段代码块获取下载的安全帽图像列表，并定义检测器只检测人。因为知道所有的图像都涉及安全帽，而且只想训练模型来检测佩戴安全帽的人，所以可以使用这个检测器来确保数据大部分是正确的。然后代码遍历每张图像并尝试检测图像中的人。如果没有，它将删除该图像。
这个过程相当快，应该最终得到大约560张图像。
下一步是将数据集分成两部分。一组用于训练模型，另一组用于验证训练后的模型。可以手动分割数据，也可以编写一些代码来分割它。为了尽可能自动化这些过程，让程序化地分割数据。开始一个新的代码块并添加以下内容：
if not os.path.exists('hardhat/train/images'):
os.makedirs('hardhat/train/images')
if not os.path.exists('hardhat/validation/images'):
os.makedirs('hardhat/validation/images')
hardhatImages = os.listdir("hardhat")
hardhatTrainNums = round(len(hardhatImages) * 0.90)
for i in range(0, hardhatTrainNums):
file = "hardhat/" + hardhatImages[i]
if os.path.isfile(file):
os.rename(file, "hardhat/train/images/" + hardhatImages[i])
hardhatImages = os.listdir("hardhat")
for i in hardhatImages:
if i.is_file():
file = "hardhat/" + i
os.rename(file, "hardhat/validation/images/" + i)
这段代码块使用"os"库中的许多方法将文件分成训练数据和验证数据。一般流程是：
完成此操作后，将有两组排序、清理后的数据，可以使用这些数据来训练一个模型来检测佩戴安全帽的人，然后验证该模型的有效性。
一旦有了训练数据，就需要对图像进行注释。有时可以找到已经注释好的图像，但大多数情况下需要自己定义想要检测的对象周围的边界框。可以使用PASCAL VOC，这是一个标准化图像数据集以进行对象识别的XML格式。幸运的是，有一个名为LabelImg的实用工具使这个过程变得容易一些。
下载并运行LabelImg工具。从左侧菜单中选择“Open Dir”并指定目录"hardhat/train/images"。这个目录中的第一张图像将出现。接下来，选择“Change Save Dir”，进入"hardhat/train"文件夹，创建一个名为"annotations"的新文件夹，然后选择这个文件夹。现在准备好注释了。将需要四个热键：
注释的图像越多，模型就会训练得越好。这并不会使这个过程变得不那么繁琐，但这绝对是值得的！一旦完成了训练文件夹，也需要注释"validation"文件夹。如果真的不想做，可以在这里下载注释好的图像。
完成后，将有一个包含大量XML文件的文件夹。如果下载了并查看Labeling，将注意到两件事。首先，不需要注释一切，只需要更好的图像。其次，有些图像没有注释，因为没有合适的人佩戴安全帽。这是一个主观决定。用最好的判断力——真的没有对错。