一、需求分析：根据客户背景和客户的要求进行需求分析，对有着未穿戴工作服异常行为
进行警告处理，具有实际意义；
二、数据获取：通过分析场景，发现我们需要穿戴工作服的图片数据，这些数据甲方提供
需要把数据筛选，数据划分，进行数据增强，增强
数据的可使用性，而且把数据划分为训练集和测试集，总共有 10000 张图片，分为 7000
张训练图片和 3000 张测试图片。
三、模型选择和训练使用：选择使用 yoloV5 作为检测模型，根据甲方提供的已经打好标
签的数据进行训练，将数据送进去 yolov5 训练过程中，通过 yoloV5 训练，并得到模型。
四、模型验证：将训练好的模型使用测试集进行验证，并根据得到的结果判断是否需要进
行超参数调优（需要则首先是检测数据是否符合要求， 数据合理的情况再去查看具体网
络存在的问题）。
五、模型部署：模型是部署在光学摄像头的，通过实时的检测和识别，当发现视频画面内
出现未穿戴工作服异常行为时，主动触发告警提示， 通知安全管理人员进行处理。
项目难点：模型泛化能力较差，背景环境复杂度高，导致精确度明显下降, 数据量不足。
项目优化：增加、丰富数据集，增加训练集多样化，加强模型对于多种环境下的泛化能力
在其基础上使用数据增强技术，如数据旋转，改变色域以及数据大小方面改变。同时对不
标准的数据进行清洗, 调整网络的深度，使用更合适的超参数，使得最终模型的 FPS 实时
帧数为 28，准确率为 95.5% 。