safesight-edge/train

鞋子检测模型训练指南

方案：640x640 单模型（部署时用2窗口）

训练阶段：

• 输入：640x640 完整图片
• 模型：YOLOv8s
• 输出：640x640 模型文件

部署阶段（pipeline配置）：

• 原图 1920x1080
• 分成 2 个 960x1080 窗口
• 每个窗口 resize 到 640x640 送入模型
• 合并检测结果

---

目录结构

train/
├── README.md                 # 本文件
├── 01_download_dataset.py    # 下载 Construction-PPE 数据集
├── 02_train.bat              # Windows 一键训练脚本
├── 03_export_onnx.bat        # 导出 ONNX 脚本
├── 04_convert_rknn.py        # 转换为 RKNN 脚本
├── data.yaml.template        # 数据集配置文件
└── samples/                  # 示例图片
    ├── calibration/          
    ├── test_images/          
    └── README.md

---

快速开始

1. 下载数据集

cd train
python 01_download_dataset.py --source ultralytics

或手动下载：

wget https://github.com/ultralytics/assets/releases/download/v0.0.0/construction-ppe.zip
unzip construction-ppe.zip -d datasets/construction-ppe/

2. 准备配置

cp data.yaml.template datasets/construction-ppe/data.yaml

3. 训练（640x640）

02_train.bat

或手动：

yolo detect train \
    data=datasets/construction-ppe/data.yaml \
    model=yolov8s.pt \
    epochs=150 \
    imgsz=640 \
    batch=16 \
    device=0

训练参数：

• 模型：YOLOv8s（速度和精度平衡）
• 输入：640x640
• 预计时间：30-60分钟

4. 导出 ONNX

03_export_onnx.bat

5. 转换为 RKNN

在 Ubuntu PC 上：

python 04_convert_rknn.py runs/detect/train/weights/best.onnx -o shoe_detector_640.rknn -t rk3588

6. 部署（2窗口配置）

复制到 RK3588：

scp shoe_detector_640.rknn orangepi@<rk3588_ip>:/home/orangepi/apps/OrangePi3588Media/models/

Pipeline 配置（部署阶段用2窗口）：

{
  "id": "pre_shoe",
  "type": "preprocess",
  "windows": [
    {"x": 0, "y": 0, "w": 960, "h": 1080},
    {"x": 960, "y": 0, "w": 960, "h": 1080}
  ],
  "dst_w": 640,
  "dst_h": 640
}

---

类别说明（Construction-PPE）

使用原始11类：

• 0: helmet
• 1: gloves
• 2: vest
• 3: boots ← 主要关注
• 4: goggles
• 5: none
• 6: Person
• 7: no_helmet
• 8: no_goggle
• 9: no_gloves
• 10: no_boots

---

相关链接

• Construction-PPE 数据集
• Ultralytics YOLOv8