【数据集】【YOLO】【目标检测】安全帽识别数据集 22789 张，YOLO安全帽佩戴目标检测实战训练教程！

数据集介绍

【数据集】安全帽识别数据集 22789 张，目标检测，包含YOLO/VOC格式标注。数据集中包含2种分类：{'0': 'head', '1': 'helmet'}，分别是无安全帽和佩戴安全帽。数据集来自国内外图片网站和视频截图。检测场景为施工地工人安全帽佩戴检测、厂房工人安全帽佩戴检测以及道路维修安全帽佩戴检测等，可用于智慧城市、智慧厂房、智慧工地、智慧工厂等，服务于保护人员安全、排查工厂安全隐患。

一、数据概述

安全帽佩戴识别的重要性

在工业生产、建筑施工等高风险行业中，安全帽的佩戴是保障工人安全的重要措施。然而，由于施工现场环境复杂、人员流动性大，传统的人工巡检方式难以全面、高效地监管工人的安全帽佩戴情况。因此，如何实现安全帽佩戴的自动检测与识别，成为了一个亟待解决的问题。

实现原理

基于YOLO的安全帽佩戴识别算法，通过训练学习到安全帽的形状、颜色等特征，从而在图像中准确地检测出安全帽的位置。在检测阶段，将待检测的图像输入到训练好的模型中，模型会输出图像中安全帽的位置信息。此外，还可以结合可视化界面等技术手段，方便用户使用和查看检测结果。

基于YOLO的安全帽佩戴识别算法

  • 安全帽佩戴识别算法可以广泛应用于工地、石化、煤矿、港口、电力、油田等各行各业。
  • 通过实时监控和自动检测，可以及时发现未佩戴安全帽或佩戴不规范的行为，并通过声光警报、短信通知等方式提醒相关人员注意安全。
  • 辅助管理人员进行安全管理，提高生产效率和安全性。

该数据集含有22789张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试施工地工人安全帽佩戴检测、厂房工人安全帽佩戴检测以及道路维修安全帽佩戴检测等。

图片格式为jpg格式，标注格式分别为：

YOLO：txt

VOC：xml

数据集均为手工标注，保证标注精确度。

二、数据集文件结构

safe_hat/

——Annotations/

————test/

————train/

————valid/

——images/

————test/

————train/

————valid/

——labels/

————test/

————train/

————valid/

——data.yaml

  • Annotations文件夹为Pascal VOC格式的XML文件 ；
  • images文件夹为jpg格式的数据样本；
  • labels文件夹是YOLO格式的TXT文件；
  • data.yaml是数据集配置文件，包含安全帽佩戴识别的目标分类和加载路径。

其中Annotations、images、labels三个文件夹下是划分好的数据集，包含测试集test、训练集train以及验证集valid。 

三、数据集适用范围 

  • 目标检测场景
  • yolo训练模型或其他模型
  • 智慧城市、智慧厂房、智慧工地、智慧工厂等，服务于保护人员安全、排查工厂安全隐患
  • 施工地工人安全帽佩戴检测、厂房工人安全帽佩戴检测以及道路维修安全帽佩戴检测等

四、数据集标注结果 

​​

1、数据集内容 

  1. 多角度场景：包含行人视角、俯视视角、监控视角、无人机视角；
  2. 标注内容：names: ['head', 'helmet']，总计2个分类。
  3. 图片总量：22789张图片数据；
  4. 标注类型：含有Pascal VOC XML格式和yolo TXT格式；

五、训练过程

1、导入训练数据

下载YOLOv8项目压缩包，解压在任意本地workspace文件夹中。

下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。

​​​​

在ultralytics-main项目根目录下，创建data文件夹，并在data文件夹下创建子文件夹：Annotations、images、imageSets、labels，其中，将pascal VOC格式的XML文件手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中，imageSets和labels两个文件夹不导入数据。

data目录结构如下：

data/

——Annotations/   //存放xml文件

——images/          //存放jpg图像

——imageSets/

——labels/

整体项目结构如下所示：

​

2、数据分割

首先在ultralytics-main目录下创建一个split_train_val.py文件，运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称。

import os
import randomtrainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')for i in list:name = total_xml[i][:-4] + '\n'if i in trainval:ftrainval.write(name)if i in train:ftrain.write(name)else:fval.write(name)else:ftest.write(name)ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

3、数据集格式化处理

这段代码是用于处理图像标注数据，将其从XML格式（通常用于Pascal VOC数据集）转换为YOLO格式。

convert_annotation函数

  • 这个函数读取一个图像的XML标注文件，将其转换为YOLO格式的文本文件。

  • 它打开XML文件，解析树结构，提取图像的宽度和高度。

  • 然后，它遍历每个目标对象（object），检查其类别是否在classes列表中，并忽略标注为困难（difficult）的对象。

  • 对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用convert函数将坐标转换为YOLO格式。

  • 最后，它将类别ID和归一化后的边界框坐标写入一个新的文本文件。

import xml.etree.ElementTree as ET
import os
from os import getcwdsets = ['train', 'val', 'test']
classes = ['head', 'helmet'] # 根据标签名称填写类别
abs_path = os.getcwd()
print(abs_path)def convert(size, box):dw = 1. / (size[0])dh = 1. / (size[1])x = (box[0] + box[1]) / 2.0 - 1y = (box[2] + box[3]) / 2.0 - 1w = box[1] - box[0]h = box[3] - box[2]x = x * dww = w * dwy = y * dhh = h * dhreturn x, y, w, hdef convert_annotation(image_id):in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')out_file = open('data/labels/%s.txt' % (image_id), 'w')tree = ET.parse(in_file)root = tree.getroot()size = root.find('size')w = int(size.find('width').text)h = int(size.find('height').text)for obj in root.iter('object'):difficult = obj.find('difficult').textcls = obj.find('name').textif cls not in classes or int(difficult) == 1:continuecls_id = classes.index(cls)xmlbox = obj.find('bndbox')b = (float(xmlbox.find('xmin').text),float(xmlbox.find('xmax').text),float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))b1, b2, b3, b4 = b# 标注越界修正if b2 > w:b2 = wif b4 > h:b4 = hb = (b1, b2, b3, b4)bb = convert((w, h), b)out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')wd = getcwd()
for image_set in sets:if not os.path.exists('data/labels/'):os.makedirs('data/labels/')image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()list_file = open('data/%s.txt' % (image_set), 'w')for image_id in image_ids:list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))convert_annotation(image_id)list_file.close()

4、修改数据集配置文件

train: ./images/train/
val: ./images/valid/# number of classes
nc: 2# class names
names: ['head', 'helmet']

5、执行命令

执行train.py

model = YOLO('yolov8s.pt')
results = model.train(data='data.yaml', epochs=200, imgsz=640, batch=16, workers=0)

也可以在终端执行下述命令：

yolo train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=0

6、模型预测 

你可以选择新建predict.py预测脚本文件，输入视频流或者图像进行预测。

代码如下：

import cv2
from ultralytics import YOLO# Load the YOLOv8 model
model = YOLO("./best.pt") # 自定义预测模型加载路径# Open the video file
video_path = "./demo.mp4" # 自定义预测视频路径
cap = cv2.VideoCapture(video_path) # Get the video properties
frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)# Define the codec and create VideoWriter object
fourcc = cv2.VideoWriter_fourcc(*'mp4v')  # Be sure to use lower case
out = cv2.VideoWriter('./outputs.mp4', fourcc, fps, (frame_width, frame_height)) # 自定义输出视频路径# Loop through the video frames
while cap.isOpened():# Read a frame from the videosuccess, frame = cap.read()if success:# Run YOLOv8 inference on the frame# results = model(frame)results = model.predict(source=frame, save=True, imgsz=640, conf=0.5)results[0].names[0] = "道路积水"# Visualize the results on the frameannotated_frame = results[0].plot()# Write the annotated frame to the output fileout.write(annotated_frame)# Display the annotated frame (optional)cv2.imshow("YOLOv8 Inference", annotated_frame)# Break the loop if 'q' is pressedif cv2.waitKey(1) & 0xFF == ord("q"):breakelse:# Break the loop if the end of the video is reachedbreak# Release the video capture and writer objects
cap.release()
out.release()
cv2.destroyAllWindows()

也可以直接在命令行窗口或者Annoconda终端输入以下命令进行模型预测：

yolo predict model="best.pt" source='demo.jpg'

六、获取数据集 

戳我头像获取数据，或者主页私聊博主哈~

基于QT的目标检测可视化界面

一、环境配置

# 安装torch环境
pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装PySide6依赖项
pip install PySide6 -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装opencv-python依赖项
pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

二、使用说明

​​​​​

界面功能介绍：

  • 原视频/图片区：上半部分左边区域为原视频/图片展示区；
  • 检测区：上半部分右边区域为检测结果输出展示区；
  • 文本框：打印输出操作日志，其中告警以json格式输出，包含标签框的坐标，标签名称等；
  • 加载模型：下拉框绑定本地文件路径，按钮加载路径下的模型文件；
  • 置信度阈值：自定义检测区的置信度阈值，可以通过滑动条的方式设置；
  • 文件上传：选择目标文件，包含JPG格式和MP4格式；
  • 开始检测：执行检测程序；
  • 停止：终止检测程序；

 三、预测效果展示

1、图片检测

​​​​​

切换置信度再次执行：

​​​​​

上图左下区域可以看到json格式的告警信息，用于反馈实际作业中的管理系统，为管理员提供道路养护决策 。

2、视频检测 

​​​​​

3、日志文本框

​

四、前端代码 

class MyWindow(QtWidgets.QMainWindow):def __init__(self):super().__init__()self.init_gui()self.model = Noneself.timer = QtCore.QTimer()self.timer1 = QtCore.QTimer()self.cap = Noneself.video = Noneself.file_path = Noneself.base_name = Noneself.timer1.timeout.connect(self.video_show)def init_gui(self):self.folder_path = "model_file"  # 自定义修改：设置文件夹路径self.setFixedSize(1300, 650)self.setWindowTitle('目标检测')  # 自定义修改：设置窗口名称self.setWindowIcon(QIcon("111.jpg"))  # 自定义修改：设置窗口图标central_widget = QtWidgets.QWidget(self)self.setCentralWidget(central_widget)main_layout = QtWidgets.QVBoxLayout(central_widget)# 界面上半部分： 视频框topLayout = QtWidgets.QHBoxLayout()self.oriVideoLabel = QtWidgets.QLabel(self)# 界面下半部分： 输出框 和 按钮groupBox = QtWidgets.QGroupBox(self)groupBox.setStyleSheet('QGroupBox {border: 0px solid #D7E2F9;}')bottomLayout = QtWidgets.QHBoxLayout(groupBox)main_layout.addWidget(groupBox)btnLayout = QtWidgets.QHBoxLayout()btn1Layout = QtWidgets.QVBoxLayout()btn2Layout = QtWidgets.QVBoxLayout()btn3Layout = QtWidgets.QVBoxLayout()# 创建日志打印文本框self.outputField = QtWidgets.QTextBrowser()self.outputField.setFixedSize(530, 180)self.outputField.setStyleSheet('font-size: 13px; font-family: "Microsoft YaHei"; background-color: #f0f0f0; border: 2px solid #ccc; border-radius: 10px;')self.detectlabel = QtWidgets.QLabel(self)self.oriVideoLabel.setFixedSize(530, 400)self.detectlabel.setFixedSize(530, 400)self.oriVideoLabel.setStyleSheet('border: 2px solid #ccc; border-radius: 10px; margin-top:75px;')self.detectlabel.setStyleSheet('border: 2px solid #ccc; border-radius: 10px; margin-top: 75px;')topLayout.addWidget(self.oriVideoLabel)topLayout.addWidget(self.detectlabel)main_layout.addLayout(topLayout)

五、代码获取

YOLO可视化界面

戳我头像获取数据，或者主页私聊博主哈~

注：以上均为原创内容，转载请私聊！！！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/diannao/59938.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

【Pytorch】model.eval()与model.train()

【Pytorch】model.eval()与model.train()

model.train()： 作用是启用Batch Normalization 和 Dropout 如果模型中有BN层(Batch Normalization）和Dropout，需要在训练时添加model.train()。model.train()是保证BN层能够用到每一批数据的均值和方差。对于Dropout&#x…
阅读更多...
Linux 系统结构

Linux 系统结构

Linux系统一般有4个主要部分：内核、shell、文件系统和应用程序。内核、shell和文件系统一起形成了基本的操作系统结构，它们使得用户可以运行程序、管理文件并使用系统。 1. linux内核 内核是操作系统的核心，具有很多最基本功能，它…
阅读更多...
飞书 富文本（Markdown）

飞书 富文本（Markdown）

飞书机器人webhook支持Markdown格式，包括表格 表格 |Syntax | Description |\n|-------- | -------- |\n|Header | Title |\n|Paragraph | Text |参考 富文本（Markdown）
阅读更多...
深入理解 Vue 3 中的 Props

深入理解 Vue 3 中的 Props

深入理解 Vue 3 中的 Props Vue 3 引入了 Composition API 等新特性，组件的定义和使用也变得更为灵活。而在组件通信中，Props（属性）扮演了重要角色，帮助父组件向子组件传递数据，形成单向的数据流动&#x…
阅读更多...
R语言实战——一些批量对地理数据进行操作的方法

R语言实战——一些批量对地理数据进行操作的方法

各位朋友在进行数据处理时，当有多张栅格影像时，如果我们都要进行同一操作时，一张一张做很繁琐，用ArcGIS模型构建器是一种比较好的方法。当然，今天小编新学了R语言上面进行批量裁剪，一起来学习一下吧&#x…
阅读更多...
【时间之外】IT人求职和创业应知【31】

【时间之外】IT人求职和创业应知【31】

目录 新闻一：2024年“秦创原沣东杯”陕西省科技工作者创新创业大赛颁奖仪式暨沣东新城机器人产业发展大会盛大启幕 新闻二：声网CEO赵斌：RTE将成为生成式AI时代AI Infra的关键部分 新闻三：“5G工业互联网”融合应用试点城市名单…
阅读更多...
使用ThorUi

使用ThorUi

摘要： 官网 今天遇到一个老项目，使用的是ThorUi组件库！之前没有用过这组件库，所以记录一下不同框架是使用情况！ ThorUI 是一个基于 Thorium 的 UI 框架，用于构建跨平台的桌面应用程序。如果你打算使用 Thor…
阅读更多...
科研绘图系列：R语言文章组合图形（barplot scatterplot）

科研绘图系列：R语言文章组合图形（barplot scatterplot）

文章目录 介绍加载R包数据下载清理环境设置计算资源数据处理图1图2图3图4图5图6图7图8图9系统信息介绍 R语言组合图形 加载R包 library(xlsx) library(reshape2) library(ggplot2) library(ggh4x) library(wbstats
阅读更多...
内网部署web项目，外网访问不了？只有局域网能访问！怎样解决？

内网部署web项目，外网访问不了？只有局域网能访问！怎样解决？

相关技术 要实现“内网部署，外网访问”，可以使用内网穿透、VPN技术、DMZ主机、端口映射等方法。以下是对这些方法的详细解释： 一、内网穿透 内网穿透是一种技术，它通过将内网设备映射到公网上的方式，实现外网访问内…
阅读更多...
从零开始训练一个大语言模型需要多少天？

从零开始训练一个大语言模型需要多少天？

一，前言 在AI领域，训练一个大型语言模型（LLM）是一个耗时且复杂的过程。几乎每个做大型语言模型（LLM）训练的人都会被问到：“从零开始，训练大语言模型需要多久和花多少钱？”…
阅读更多...
ubuntu 22.04 如何调整进程启动后能打开的文件数限制

ubuntu 22.04 如何调整进程启动后能打开的文件数限制

在 Ubuntu 22.04 中，可以通过修改系统配置来调整进程启动后能够打开的文件数软限制。软限制是指操作系统允许单个进程打开的文件描述符的最大数量。以下是调整该限制的方法： 1. 查看当前限制 首先，你可以通过 ulimit 命令查看当前的软限制和…
阅读更多...
Halcon resistor.hedv 使用多个对焦级别提取深度

Halcon resistor.hedv 使用多个对焦级别提取深度

depth_from_focus * Extract depth using multiple focus levels * 使用多个对焦级别提取深度 Names : [] * 初始化一个空数组，用于存储图像名称 dev_close_window () * 关闭当前打开的图像窗口 for i : 1 to 10 by 1 * 循环开始，从1到10 …
阅读更多...
C语言 | Leetcode C语言题解之第546题移除盒子

C语言 | Leetcode C语言题解之第546题移除盒子

题目： 题解： int dp[100][100][100];int calculatePoints(int* boxes, int l, int r, int k) {if (l > r) {return 0;}if (dp[l][r][k] 0) {int r1 r, k1 k;while (r1 > l && boxes[r1] boxes[r1 - 1]) {r1--;k1;}dp[l][r][k] calcu…
阅读更多...
玩的花，云产品也能拼团了！！！

玩的花，云产品也能拼团了！！！

说起拼单大家都不陌生，电商一贯的营销手段，不过确实可以给消费者省下一笔钱。双11到了，腾讯云产品也玩起了拼团，这明显是对开发人员和各企业的福利。 对于有云产品需求的个人或企业，这次绝对是难得的一次薅羊毛机会。…
阅读更多...
win10@win10 配置openssh服务

win10@win10 配置openssh服务

1.下载离线包：https://github.com/PowerShell/Win32-OpenSSH/releases 2.然后管理员打开powershell，cd到这个安装包放置的目录中来，输入以下命令：powershell.exe -ExecutionPolicy Bypass -File install-sshd.ps1 此时要注意pow…
阅读更多...
独孤思维：曾经副业赚大钱的人，怎么不见了

独孤思维：曾经副业赚大钱的人，怎么不见了

01 总有一双眼睛默默关注你。 别以为自己每天做项目，日更文章，没人看。 总会有人默默观察你。 看你能坚持多久，看多段时间，你是不是还在。 今天上午，有个2年前认识的副业同行，今天突然跟我发消息。 说…
阅读更多...
全面解析：网络协议及其应用

全面解析：网络协议及其应用

💓 博客主页：瑕疵的CSDN主页 📝 Gitee主页：瑕疵的gitee主页 ⏩ 文章专栏：《热点资讯》 # 全面解析：网络协议及其应用 文章目录 网络协议概述定义发展历程主要优势 主要网络协议应用层协议传输层协议网络层…
阅读更多...
Linux系统编程之--多线程

Linux系统编程之--多线程

一.线程概述 线程是允许应用程序并法执行多个任务的一种机制,提高操作系统的运行效率. 线程是轻量级的进程(LWP),在Linux环境下线程的本质仍是进程 查看指定进程的LWP号:ps -LF pid 二.进程与线程的区别(重点) 一个进程可以包含多个线程,同一个程序中的所有线程均会独立执行…
阅读更多...
技术总结(二十四)

技术总结(二十四)

一、Redis 分布式锁的常见使用场景有哪些？ 资源竞争控制 数据库事务控制：在分布式系统中，多个服务可能会同时对数据库中的同一行数据进行操作。例如，在一个电商系统里，多个订单处理服务可能会同时尝试更新同一个订单的…
阅读更多...
webWorker基本用法

webWorker基本用法

我们都知道js是一个单线程的语言，当线程堵塞时，可能会导致页面无法正常交互，如一些复杂的可视化处理。即使是异步处理，也只是将其暂存到任务队列中去，等主线程执行完后依然会从任务队列中取过去。 为此，js提…
阅读更多...
最新文章

Copyright @ 2022~2023