Deep Learning-based Face Mask Detection Using YoloV5

Ieamsaard, Jirarat; Charoensook, Surapon Nathanael; Yammen, Suchart

doi:10.1109/ieecon51072.2021.9440346

Cited by 79 publications

(24 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Single-stage methods based on deep learning techniques account for the largest proportion among the methods. They include Faster R-CNN [23], [77], Context-Attention R-CNN [47], InceptionV3 [78], MobileNet [60], SSD [79], YOLO [80], YOLOv2 [42], YOLOv3 [26], [29], [50], [81], [82], YOLOv4 [31], [51], [83], [84], YOLOv5 [85]- [88], and others [11], [41], [46], [52], [89]- [94], etc. It can be clearly concluded that YOLO and its variants are used widely.…”

Section: B Single-stage (End-to-end) Methodsmentioning

confidence: 99%

See 1 more Smart Citation

A Survey on Masked Facial Detection Methods and Datasets for Fighting Against COVID-19

Wang¹,

Chen²,

Zheng³

2022

Preprint

View full text Add to dashboard Cite

Coronavirus disease 2019 (COVID-19) continues to pose a great challenge to the world since its outbreak. To fight against the disease, a series of artificial intelligence (AI) techniques are developed and applied to real-world scenarios such as safety monitoring, disease diagnosis, infection risk assessment, lesion segmentation of COVID-19 CT scans, etc. The coronavirus epidemics have forced people wear masks to counteract the transmission of virus, which also brings difficulties to monitor large groups of people wearing masks. In this paper, we primarily focus on the AI techniques of masked facial detection and related datasets. We survey the recent advances, beginning with the descriptions of masked facial detection datasets. Thirteen available datasets are described and discussed in details. Then, the methods are roughly categorized into two classes: conventional methods and neural network-based methods. Conventional methods are usually trained by boosting algorithms with handcrafted features, which accounts for a small proportion. Neural network-based methods are further classified as three parts according to the number of processing stages. Representative algorithms are described in detail, coupled with some typical techniques that are described briefly. Finally, we summarize the recent benchmarking results, give the discussions on the limitations of datasets and methods, and expand future research directions. To our knowledge, this is the first survey about masked facial detection methods and datasets. Hopefully our survey could provide some help to fight against epidemics. <br>

show abstract

Section: B Single-stage (End-to-end) Methodsmentioning

confidence: 99%

“…It seems the response time is a bit longer. Ieamsaard et al [88] tested the performance of YOLOv5-based model with 300 epochs, outperforming those models with less than 300 epochs.…”

Section: B Single-stage (End-to-end) Methodsmentioning

confidence: 99%

A Survey on Masked Facial Detection Methods and Datasets for Fighting Against COVID-19

Wang¹,

Chen²,

Zheng³

2022

Preprint

View full text Add to dashboard Cite

show abstract

“…Subsequently, a series of lightweight networks optimising convolutional computation performed had been proposed [33–35]. In object detection, many lightweight detection networks, such as YOLOv4 [20], YOLOv4‐tiny [36], and YOLOv5 [37], have emerged in detection to overcome the problem of time‐consuming two‐stage algorithms. The goal of these lightweight networks is to achieve balanced accuracy, while reducing the number of model parameters and increasing the inference speed of the model.…”

Section: Related Workmentioning

confidence: 99%

Lightweight and Deep Appearance Embedding for Multiple Object Tracking

Zheng

et al. 2022

IET Computer Vision

View full text Add to dashboard Cite

The main challenge of Multiple Object Tracking (MOT) is that there is great uncertainty in data association when using the tracked predicted values and tracked trajectories. Meanwhile, the MOT is complex and time‐consuming. When equipment resources are limited or real‐time requirement is high, its application is very limited. Therefore, we propose a Lightweight Deep Appearance Embedding (LDAE) to assist the association of trajectories. Firstly, in addition to motion information in data association, we also introduce more discriminative appearance features to participate in the affinity measure to effectively distinguish similar targets. Secondly, according to the idea of feature mapping, we design a lightweight deep appearance embedding module. It can help extract appearance features with less computation. Finally, we propose a simulated occlusion strategy for the training of the LDAE, which helps improve the ability to recognise different targets in dense scenes. The LDAE dramatically reduces the computational cost and improves the accuracy of data association. Extensive experiments are conducted on the MOT datasets (MOT16, MOT17 and MOT20), which prove that the LDAE outperforms several state‐of‐the‐art trackers in the tracking accuracy and anti‐occlusion performance. Furthermore, we apply the LDAE to escalators, which can achieve fast and stable tracking effect.

show abstract

“…YOLOv5 derin öğrenme algoritması ile maske tespiti yapan başka bir çalışmada 300 iterasyon sonunda %96,5 doğruluğa erişildiği görülmüştür [14]. SSD (Single Shot Detector) ve MobileNetV2 sınıflandırıcının birleştirilmesi ile yapılan başka bir çalışma %92,64 başarı oranı ulaştığı ve gömülü sistemlerde kullanılabilecek düzeyde olduğu belirtilmiştir [15].…”

Section: Introductionunclassified

Derin Öğrenme Temelli Robotik Maske Kontrol Sistemi

GÖKSU¹,

Alkan²

2022

Fırat Üniversitesi Mühendislik Bilimleri Dergisi

View full text Add to dashboard Cite

Öz: Korona virüsün (COVID-19) hızlı bulaşması nedeniyle dünya büyük bir sağlık kriziyle karşı karşıya kalmıştır. Korona virüsün yayılmasını engellemek için Dünya Sağlık Örgütüne (WHO) göre en etkili tedbir, halka açık yerlerde ve kalabalık alanlarda maske takmaktır. Ancak kalabalık ortamlarda uzun süre kalan kişilerde sıkılma, boş verme ve umursamazlık gibi nedenlerle insanlar bu kuralı ihlal edebilmektedir. Bu nedenle kalabalık alanlarda insanların izlenmesi ve gerektiğinde ilgililerin uyarılarak toplum sağlığını korumak önem arz etmektedir. Bu çalışmada maske takmayan, maskesini yanlış takan ve maskesini doğru takan kişileri belirleme sürecini otomatikleştirmek için iki derin öğrenme modeli kullanan bir robotik model geliştirilmiştir. İnternetten elde edilen veri setleri ve çevreden alınan fotoğraflar kullanılarak özgün bir veri seti oluşturulmuştur. Geliştirilen yapay zekâ modellerinin daha iyi tahmin sonuçları verebilmesi için veri seti görüntüleri üzerinde veri çoğaltma (aynalama, döndürme) teknikleri kullanılmıştır. Çalışmada gerçek zamanlı olarak maskeli, maskesiz ve maskesini yanlış takan kişilerin tespiti gerçekleştirilmiş sesli olarak kişilere dönütler verilmiştir. Geliştirilen yapay zekâ modellerinde üç sınıf (maskeli, maskesiz, maskesini yanlış takan) için ortalama tahmin/sınıflandırma başarı oranı (mAP) %96,58 ile %98,45 olarak tespit edilmiştir. Hız ve eğitim süresi açısından YOLOv4-tiny algoritmasıyla geliştirilen modelin daha başarılı olduğu tespit edilmiştir. Çalışma kapsamında geliştirilen yapay zekâ modellerinin farklı donanımlar üzerinde gerçek zamanlı çalıştırılması için MKS (Maske Kontrol Sistemi) olarak adlandırılan etkileşimli yazılım önerilmektedir. MKS yazılımı geliştirilen hareketli bir robot üzerinde çalıştırılmıştır. Prototip robotla gerçekleştirilen uygulamalarda oldukça yüksek maske denetleme başarımları elde edilmiştir. Geliştirilen robotun, kullanımıyla kurumlara personel ve zaman tasarrufu sağlayabileceği, COVID-19 tedbirlerinin kontrolü ve toplum bilincinin arttırılmasında yararlı olacağı düşünülmektedir.

show abstract

Deep Learning-based Face Mask Detection Using YoloV5

Cited by 79 publications

References 4 publications

A Survey on Masked Facial Detection Methods and Datasets for Fighting Against COVID-19

A Survey on Masked Facial Detection Methods and Datasets for Fighting Against COVID-19

Lightweight and Deep Appearance Embedding for Multiple Object Tracking

Derin Öğrenme Temelli Robotik Maske Kontrol Sistemi

Contact Info

Product

Resources

About