【数据集】【YOLO】【目标检测】安全帽、反光衣和安全鞋识别数据集 9911 张，YOLO施工地工人安全佩戴识别算法实战训练教程，yolo安全帽反光衣识别毕业设计。

2025-3-3 10:19| 发布者: Honkers| 查看: 87| 评论: 0

摘要: 一、数据集介绍【数据集】安全帽、反光衣识别数据集 9911 张，目标检测，包含YOLO/VOC格式标注。数据集中包含5种分类：names:['Helmet', 'NO-Safety Vest', 'No Helmet

一、数据集介绍

【数据集】安全帽、反光衣识别数据集 9911 张，目标检测，包含YOLO/VOC格式标注。

数据集中包含5种分类：names:['Helmet', 'NO-Safety Vest', 'No Helmet', 'Safety Vest', 'shoes']，表示"安全帽、未穿戴反光衣、未穿戴安全帽、反光衣、安全鞋"。

数据集图片来自国内外网站、网络爬虫等；

可用于施工区域人身安全设备识别。

检测场景为建筑工地、道路施工等高风险作业环境中，可以应用于提高工地安全管理效率、降低安全事故风险等。

更多数据集请查看置顶博文！

1、数据概述

施工地工人安全识别的重要性

在建筑工地、道路施工等高风险作业环境中，工人的安全是至关重要的。为了确保工人的安全，工地通常会要求工人佩戴安全帽和反光衣等个人防护装备。然而，由于工地环境复杂，人员流动大，传统的人工监督方式难以做到全面覆盖和实时监控。因此，开发一种能够自动识别工人是否佩戴安全帽和反光衣的目标检测算法，对于提高工地安全管理效率、降低安全事故风险具有重要意义。

基于YOLO的安全帽反光衣识别算法

实时性：YOLO算法通过单次前向传播即可预测出图像中目标的位置和类别，无需进行多次迭代或后处理，因此具有较快的推理速度，能够满足实时性要求。
准确性：YOLO算法采用深度卷积神经网络作为特征提取器，能够提取图像中丰富的特征信息，从而提高目标检测的精度。通过不断迭代和优化，YOLO算法在准确性和鲁棒性方面得到了显著提升。
灵活性：YOLO算法可以适应不同尺寸和形状的目标检测任务。通过调整网络结构和参数，可以实现对不同种类安全帽和反光衣的准确识别。

该数据集含有 9911 张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试建筑工地、道路施工等高风险作业环境中进行安全帽反光衣等穿戴识别。

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。

2、数据集文件结构

person_safety/

——test/

————Annotations/

————images/

————labels/

——train/

————Annotations/

————images/

————labels/

——valid/

————Annotations/

————images/

————labels/

——data.yaml

该数据集已划分训练集样本，分别是：test目录（测试集）、train目录（训练集）、valid目录（验证集）；
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，包含安全帽反光衣佩戴识别的目标分类和加载路径。

Annotations目录下的xml文件内容如下：

[code]<annotation> <folder></folder> <filename>image_209_jpg.rf.2bb3f7995146ba1405570ee72434bde4.jpg</filename> <path>image_209_jpg.rf.2bb3f7995146ba1405570ee72434bde4.jpg</path> <source> <database>roboflow.com</database> </source> <size> <width>640</width> <height>640</height> <depth>3</depth> </size> <segmented>0</segmented> <object> <name>Safety Vest</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <occluded>0</occluded> <bndbox> <xmin>225</xmin> <xmax>339</xmax> <ymin>185</ymin> <ymax>354</ymax> </bndbox> </object> <object> <name>Helmet</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <occluded>0</occluded> <bndbox> <xmin>258</xmin> <xmax>318</xmax> <ymin>381</ymin> <ymax>443</ymax> </bndbox> </object> <object> <name>No Helmet</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <occluded>0</occluded> <bndbox> <xmin>254</xmin> <xmax>310</xmax> <ymin>94</ymin> <ymax>146</ymax> </bndbox> </object> <object> <name>shoes</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <occluded>0</occluded> <bndbox> <xmin>267</xmin> <xmax>300</xmax> <ymin>571</ymin> <ymax>631</ymax> </bndbox> </object> <object> <name>shoes</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <occluded>0</occluded> <bndbox> <xmin>305</xmin> <xmax>342</xmax> <ymin>571</ymin> <ymax>636</ymax> </bndbox> </object> </annotation>[/code]

3、数据集适用范围

目标检测场景，监控摄像头识别
yolo训练模型或其他模型
建筑工地、道路施工等高风险作业环境
可以用于提高工地安全管理效率、降低安全事故风险等

4、数据集标注结果

4.1、数据集内容

多角度场景：行人视角，监控摄像头视角；
标注内容：names: ['Helmet', 'NO-Safety Vest', 'No Helmet', 'Safety Vest', 'shoes']，总计5个分类；
图片总量：9911 张图片数据；
标注类型：含有Pascal VOC XML格式和yolo TXT格式；

5、训练过程

5.1、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：

5.2、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。

[code]import os import random trainval_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()[/code]

5.3、数据集格式化处理

在ultralytics-main目录下创建一个voc_label.py文件，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。

[code]import xml.etree.ElementTree as ET import os from os import getcwd sets = ['train', 'val', 'test'] classes = ['Helmet', 'NO-Safety Vest', 'No Helmet', 'Safety Vest', 'shoes'] # 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 - 1 y = (box[2] + box[3]) / 2.0 - 1 w = box[1] - box[0] h = box[3] - box[2] x = x * dw w = w * dw y = y * dh h = h * dh return x, y, w, h def 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').text cls = obj.find('name').text if cls not in classes or int(difficult) == 1: continue cls_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 = w if b4 > h: b4 = h b = (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()[/code]

5.4、修改数据集配置文件

在ultralytics-main目录下创建一个wheat.yaml文件

[code]train: data/train.txt val: data/val.txt test: data/test.txt nc: 5 names: ['Helmet', 'NO-Safety Vest', 'No Helmet', 'Safety Vest', 'shoes'][/code]

5.5、执行命令

执行train.py

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

也可以在终端执行下述命令：

[code]yolo train data=wheat.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=0[/code]

5.6、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：

[code]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 video success, 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 frame annotated_frame = results[0].plot() # Write the annotated frame to the output file out.write(annotated_frame) # Display the annotated frame (optional) cv2.imshow("YOLOv8 Inference", annotated_frame) # Break the loop if 'q' is pressed if cv2.waitKey(1) & 0xFF == ord("q"): break else: # Break the loop if the end of the video is reached break # Release the video capture and writer objects cap.release() out.release() cv2.destroyAllWindows()[/code]

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：

[code]yolo predict model="best.pt" source='demo.jpg'[/code]

6、获取数据集

看头像或主页私聊博主哈~

二、基于QT的目标检测可视化界面

1、环境配置

[code]# 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[/code]

2、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；

3、预测效果展示

3.1、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。

3.2、视频检测

3.3、日志文本框

4、前端代码

[code]class MyWindow(QtWidgets.QMainWindow): def __init__(self): super().__init__() self.init_gui() self.model = None self.timer = QtCore.QTimer() self.timer1 = QtCore.QTimer() self.cap = None self.video = None self.file_path = None self.base_name = None self.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)[/code]