项目简介
安全帽佩戴检测是计算机视觉在工业安全领域应用的典型场景，本文使用PaddleX动态图进行yolov3_mobilenet迁移学习训练。PaddleX升级到2.0.0-rc，基于动态图的训练和预测依然非常便捷。

准备模型库
在新发布的2.0.0-rc版本中，PaddleX全面升级了对动态图的支持。

数据集准备
本项目使用的安全帽检测数据集已经按VOC格式进行标注，将训练集、验证集和测试集按照7：2：1的比例划分。 PaddleX中提供了简单易用的API，方便用户直接使用进行数据划分。下面这行代码正确执行的前提是，PaddleX的版本和Paddle匹配，要么都是2.0+，要么都是1.8.X。

模型训练
PaddleX最核心的特点就是模型训练极其简单，比如下面几行代码演示的，只要配置了数据集目录，选择好模型即可。

模型预测
可以挑选测试集图片进行预测，还可以写一个简单的逻辑，完成图片中目标数量的计数。比如，统计下一张图片中，共有多少人未佩戴安全帽。

模型裁剪
模型裁剪可以更好地满足在端侧、移动端上部署场景下的性能需求，可以有效得降低模型的体积，以及计算量，加速预测性能。PaddleX集成了PaddleSlim的基于敏感度的通道裁剪算法，可以在此前训练模型的基础上，加载并进行裁剪，重新开始训练。