在当前的技术领域中，人工智能的发展已经渗透到多个行业和应用场景之中，其中一个重要的应用就是基于深度学习的安全帽检测系统。安全帽检测系统的作用是在施工现场、建筑行业等领域通过自动检测工作人员是否佩戴安全帽，从而降低工作环境中的安全风险。本项目基于YOLOv5模型，利用openvino作为推理框架进行高效运行，并使用pyqt5开发了一个用户友好的界面。 YOLOv5是一种流行的目标检测算法，它能够快速准确地识别出图片中的物体。YOLOv5算法以其速度快、检测准确而受到业界青睐，它适用于实时目标检测，并且在各种硬件设备上都能够实现较好的性能。在本项目中，YOLOv5被用作安全帽检测的核心技术，负责从监控视频或图片中识别出佩戴安全帽的人员。 OpenVINO（Open Visual Inference & Neural Network Optimization）是由英特尔开发的一个推理引擎，它能够加速深度学习模型的部署和运行，尤其是在边缘计算设备上。OpenVINO支持多种深度学习框架，能够将训练好的模型转换成可优化的格式，并在不同的硬件平台上执行。通过使用OpenVINO作为推理框架，YOLOv5模型的运行效率得到了进一步的提升，尤其适合于对实时性和资源占用有严格要求的安全帽检测系统。 PyQt5是一个用于开发跨平台应用程序的框架，它结合了Qt库和Python语言的特点。PyQt5支持创建丰富的图形用户界面（GUI），并且能够兼容各种操作系统。在本项目中，PyQt5被用来开发一个直观易用的操作界面，使用户能够方便地管理安全帽检测系统，如加载视频、显示检测结果、调整参数等。 项目文件名称列表中的“tflite-demos-master”可能指向了使用TensorFlow Lite进行部署的示例应用程序或演示项目。TensorFlow Lite是谷歌开发的一个轻量级解决方案，专门用于移动和嵌入式设备上的机器学习应用。这可能意味着项目开发者在实际部署阶段考虑了多种选择，并在不同的平台上进行了测试。 本项目结合了YOLOv5的高效目标检测能力、OpenVINO在边缘计算设备上的优秀性能以及PyQt5开发的便捷用户界面，旨在创建一个能够实时检测人员是否佩戴安全帽的系统，以提高施工现场等高风险环境的安全管理水平。此外，考虑到不同设备的部署需求，项目还可能涉及了TensorFlow Lite的使用，从而提供了更多灵活性和适应性。

openvino的安装包：l_openvino_toolkit_p_2022.1.0.643_offline.sh，由于官方把这个版本的下架了，所以将这个暴露出来，供有需要的同学使用

OpenVINO Runtime支持同步或异步模式下的推理。Async API的主要优点是，当设备忙于推理时，应用程序可以并行执行其他任务（例如，填充输入或调度其他请求），而不是等待当前推理首先完成。 当我们使用异步API时，第二个请求的传输与第一个推理的执行重叠，这防止了任何硬件空闲时间。本视频中，我们以YOLOv8模型为例，对比了OpenVINO分别使用同步推理接口以及异步推理接口的推理速度情况。 其中同步推理一帧平均推理时间为43.02毫秒，而异步接口一帧平均推理时间仅为11.37毫秒，异步接口一秒钟平均可以实现87.98FPS的推理，是同步推理的3.78倍，速度快到飞起！！

w_openvino_toolkit_p_2020.2.117的exe文件，可用于cpu加速，opencv dnn调用

对应文章https://blog.csdn.net/taifyang/article/details/124332344

oppenvino推理用runtime，适用于windows系统包含lib及dll 其64位qt配置为： LIBS += -L$$PWD/runtime/lib/intel64/Release -lopenvino -lopenvino_c -lopenvino_ir_frontend -lopenvino_onnx_frontend -lopenvino_paddle_frontend INCLUDEPATH +=\ $$PWD/runtime/3rdparty/tbb/bin \ $$PWD/runtime/bin/intel64/Release \ $$PWD/runtime/3rdparty/hddl/bin \ $$PWD/compile_tooln \ $$PWD/runtime/include \ $$PWD/runtime/include/ie \ $$PWD/runtime/include/ngraph \ $$PWD/runtime/include/openvino

arcfaceresnet100-8及scrfd_2.5g_kps_S模型（openvino的xml及bin及普通的onnx模型） 两者均为开源预训练模型，注意arcfaceresnet100-8模型输入已由RGB调整为BGR，即可由opencv读取后直接输入。其内findface.xml为opencv的开源人脸检测库。调用方式为： cv::CascadeClassifier cascade_face = cv::CascadeClassifier("findFace.xml"); cascade_face.detectMultiScale(frame,faces,1.09,1,0,Size(90,90),Size(400,400)); if(faces.size()!=0) { }

OpenVINO的深度学习部署工具套件主要包括两部分，一个是模型优化器，另外一个是推理引擎。模型优化器是由Python编写的，推理引擎是一套C++函数库以及C++的类

#清磁盘啦~，CSDN“网盘”真好用，感谢CSDN~ 基于openvino实现的口罩检测模型face_mask_detection

openvino 版本2021.4.752