数据分析汽车销量，通过爬虫获取二手车信息，结合机器学习预测分析数据，实现汽车销售数据的预测改进，主要的工作内容：爬取数据和构建模型训练数据，分析数据，通过作图工具和python分析工具分析数据，结合Boost机器学习实现

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% 。

主要负责的内容： 项目描述： 一、需求分析：通过光学摄像头结合红外传感器记录人体姿势行为，家居设备根据人类的 姿态判断人的行为进行相应的控制，现有的技术可以实现热感图人体姿态识别。 二、 数据 获取 ：数 据来 源于 甲方 ，一 方面 是光 学摄 像头 记录 的数 据， 这些 数据 通过 openpose 算法打好 18 个关键点的标签，另一方面就是红外传感器获得的热感图数据，前者 的标签和后者的图的关键点一一对应，以此作为训练数据，并且进行图像增强、清洗不相 关数据。 三、模型构建和模型训练：模型采用的是 3d 卷积的方式来处理，五层 3d 卷积和四层 3d 反 卷积（光学摄像头和红外传感器的热感图是利用时间戳来进行一一对应），设计好之后， 将数据放到模型里进行训练，观察训练过程中的热感图关键点实时检测情况，检查精度。 四、模型优化：采用更好优化器 adm、激活函数使用 leakey，通过调整学习率衰减公式中 的 local_step 优化学习率经过模型训练优化，模型准确率达到 96.98%。 五、模型部署：模型部署在服务器上，有服务器对数据进行预测处理，光学摄像头和红外 传感器只是存储数据的媒介。 项目难点： 一、光学摄像头和红外传感器分辨率不一致，红外传感器的图像大小是 32x24,通过 FPN 扩 大图片的特征性。 二、一开始得到的结果发现图像效果存在网格化，人体特征度识别效果并没有达到要求， 确认数据没有问题之后，调整学习率的衰减度(local_step)解决。