【数据集08】面向交通领域骑行人员的安全头盔佩戴检测数据集（含电动车/摩托车/自行车等1万张，已按比例划分训练、验证、测试集，附YOLO26/YOLO11模型）

目录

 一、简介

二、应用场景

2.1、城市路口与主干道非现场执法

2.2、城乡结合部与乡村道路安全预警

2.3、夜间与恶劣天气下的增强检测

2.4、外卖/快递企业数字化安全监管

2.5、校园与园区内部交通安全管理

2.6、高速公路出入口安全劝导

三、模型选择

3.1、YOLO11 模型介绍

3.2、YOLO26 模型介绍

3.3、为何选择YOLO11与YOLO26

四、数据集制作

4.1、数据集标注

4.2、数据集分类

4.3、数据集统计

4.4、数据集结构

4.5、数据集配置文件

4.6、数据分割策略

4.7、数据预处理

4.8、数据集展示​

五、模型训练

5.1、YOLO26模型

5.1.1、训练

5.1.2、验证

5.1.3、预测

5.1.4、导出

 5.2、YOLO11模型

5.2.1、训练

5.2.2、验证

5.2.3、预测​

5.2.4、导出

六、链接

 一、简介

本数据集专为城市道路、城乡结合部、高速公路出入口等交通场景下的骑行人员安全头盔佩戴情况目标检测任务而构建。随着《道路交通安全法》的深入实施及“一盔一带”安全守护行动的持续推进，对电动车、摩托车驾乘人员佩戴安全头盔的智能化监管需求日益迫切。

图像素材广泛覆盖了城市街道、红绿灯路口、公路、乡村道路、监控抓拍、高架桥等典型交通环境，以及常规安全帽样式图。同时，数据集采集充分考虑了全天候时间维度（清晨、正午、黄昏、夜间），并特别针对雨雾天气下的镜片反光、夜间路灯补光、逆光行驶以及头盔被雨衣/帽子遮挡等复杂工况进行了样本富集。

数据集全面囊括了不同天气条件（晴天、雨天、雾霾、夜间）、光照强度（白天强光、黄昏逆光、夜间路灯/车灯补光、隧道入口）以及不同拍摄角度（交通卡口俯拍、路边监控平拍、无人机高空航拍、外卖车辆随车记录仪）下的图像样本。特别针对夜间弱光、头盔被雨披遮挡、多人共乘、车流密集遮挡等复杂工况进行了样本富集。

所有图像均采用 YOLO 标准格式进行精细化标注，严格定义了 head（未佩戴头盔）与 helmet（佩戴头盔）两个核心类别，旨在通过深度学习模型精准判别骑行人员的防护装备状态。数据集经过严格的清洗与质量筛选，剔除了模糊、过曝及标注错误的低质量样本，并统一将图像缩放至 640×640 分辨率，以平衡模型训练效率与检测精度。

该数据集的构建，旨在有效应对交通监控中目标尺度变化大（远距离小目标）、遮挡率高（尤其是面部被口罩/雨具遮挡）以及光照剧烈变化（夜间、逆光、隧道口）所带来的头盔检测难题，为构建智慧交通非现场执法系统与道路安全预警平台提供坚实可靠的数据基础。

二、应用场景

基于骑行人员头盔佩戴检测的视觉监控技术，在智慧交通管理与公共安全领域具有广泛而深远的落地价值，是落实“一盔一带”安全守护行动、实现非现场执法与主动安全预警的核心技术手段。其典型应用场景包括：

2.1、城市路口与主干道非现场执法

• 适用领域：城市红绿灯路口、高架桥下、非机动车专用道、学校与医院周边。

• 部署方式：复用现有交通卡口摄像头或部署专用抓拍球机，搭配边缘计算盒子。

• 功能实现：实时检测通过路口的电动车、摩托车骑乘人员是否佩戴头盔。当系统检测到head（未佩戴头盔）行为时，自动抓拍2-3张连续照片及短视频，上传至交管非现场执法平台。平台可据此发送提醒短信或依法进行警告/处罚，有效提升头盔佩戴率，降低事故伤亡风险。同时，系统可区分骑手与乘客，实现精细化执法。

2.2、城乡结合部与乡村道路安全预警

• 适用领域：城乡结合部、县乡公路、乡镇集市、村口出入通道。

• 挑战特点：监控覆盖率低、人员安全意识相对薄弱、路况复杂（混行严重）。

• 部署方式：在关键路口部署太阳能4G智能球机或利用现有“雪亮工程”摄像头。

• 功能实现：对过往摩托车、电动二轮/三轮车进行头盔佩戴自动检测。发现未佩戴者，通过杆载大喇叭进行实时语音提醒（“请佩戴安全头盔”），同时将违规信息推送至村社网格员或乡镇交管站，实现低成本、广覆盖的交通安全劝导，弥补警力不足的监管盲区。

2.3、夜间与恶劣天气下的增强检测

• 适用领域：夜间配送高峰时段、雨雾天气、隧道出入口、路灯照明不良路段。

• 挑战特点：低照度、镜片反光、车灯眩光、雨披遮挡。

• 部署方式：部署于低照度增强型监控摄像头或集成于移动式布控球中。

• 功能实现：利用针对夜间与雨雾工况富集训练的模型，在暗光、逆光、镜片反光等恶劣画质下，仍能精准锁定骑手头部区域并判断头盔佩戴状态。系统可联动路侧LED诱导屏，动态显示“雨雾天气，请戴盔慢行”等提示，或在发现未佩戴者时主动向附近执勤民警的手持终端推送预警。

2.4、外卖/快递企业数字化安全监管

• 适用领域：美团、饿了么等外卖站点，顺丰、京东等快递配送站点，充换电柜区域。

• 部署方式：在站点出入口、取餐口、换电柜旁安装固定摄像头，或接入骑手APP端的出工前自拍功能。

• 功能实现：对骑手出工、收工、换电等关键节点进行头盔佩戴自动核验。若检测到head状态，系统自动向站长或安全员推送预警，并计入骑手安全积分档案。企业总部可远程查看各站点头盔佩戴率统计报表与趋势分析，实现从“人工抽查”到“全量自动检测”的数字化管理升级，有效降低企业安全事故风险与合规成本。

2.5、校园与园区内部交通安全管理

• 适用领域：大学校园（学生外卖取送、通勤骑行）、大型科技园区/工厂（员工电动车通勤）、景区内部。

• 部署方式：在园区各出入口、宿舍区、食堂门口、地下车库坡道部署人脸识别闸机或安防摄像头。

• 功能实现：对进出园区的电动车骑行者进行头盔佩戴自动识别。对于未佩戴头盔的人员，道闸可拒绝放行并语音提醒“请佩戴头盔再进入园区”，同时将违规记录同步至安保中心或当事人手机端。该功能尤其适用于实施封闭或半封闭管理的区域，从入口源头杜绝安全隐患，营造文明、安全的园区交通环境。

2.6、高速公路出入口安全劝导

• 适用领域：高速公路入口收费广场、服务区、出口匝道。

• 挑战特点：摩托车（允许上高速省份）车速快、易与货车混行，风险极高。

• 部署方式：在收费岛头、服务区入口部署高清抓拍单元。

• 功能实现：自动检测欲驶入高速的摩托车骑手是否佩戴合规头盔。若检测到未佩戴，系统联动收费栏杆不放行或通过收费员手持终端告警，进行现场拦截与安全劝导。同时，服务区内可部署巡检摄像头，对休息区未戴头盔的骑手进行语音提醒，防范驶出服务区后的意外风险。

三、模型选择

3.1、YOLO11 模型介绍

YOLO11是Ultralytics官方推出的新一代目标检测模型，其核心设计围绕增强特征提取、优化效率与速度、以及跨环境适应性展开。在架构层面，YOLO11采用改进的主干网络（backbone）和颈部网络（neck），通过更精细的特征融合策略提升了小目标和密集场景下的检测精度。在效率方面，得益于优化的训练流程和架构设计，YOLO11在保持高精度的同时实现了更快的处理速度，例如YOLO11m在公开基准数据集上达到更高mAP的同时，相比YOLOv8m减少了22%的参数数量，显著提升了计算效率。此外，YOLO11支持从边缘设备到云端平台的无缝部署，可覆盖目标检测、实例分割、姿势估计等多种视觉任务，为各类计算机视觉应用提供了成熟稳定的工业级解决方案。

3.2、YOLO26 模型介绍

YOLO26是Ultralytics推出的突破性端到端检测模型，其架构遵循简洁性、部署效率和训练创新三大核心原则。在简洁性上，YOLO26原生支持无非极大值抑制（NMS）推理，直接生成预测结果，消除了后处理环节；在部署效率上，端到端设计简化了集成流程，并通过移除分布焦点损失（DFL）进一步扩展了边缘设备兼容性；在训练创新上，YOLO26引入MuSGD优化器（融合SGD与Moonshot AI在Kimi K2中采用的Muon优化器），配合ProgLoss和STAL等技术，显著提升小目标检测精度和训练稳定性。相比前代模型，YOLO26在CPU上的推理速度提升了43%，同时在小目标精度上表现更优，其低延迟和轻量化特性使其在资源受限环境中具有独特的部署优势。

3.3、为何选择YOLO11与YOLO26

从Ultralytics官方视角来看，在众多YOLO系列模型中选择YOLO11和YOLO26来训练检测模型，是基于架构成熟度、部署适配性与生产环境稳健性的专业判断。首先，YOLO11作为官方全面维护的稳定版本，其改进的backbone和neck架构在增强特征提取能力的同时实现了“更少参数、更高精度”，这一特性对于小目标和密集分布目标的检测尤为重要——轻量高效的特征提取能有效降低漏检率。其次，YOLO26代表了官方力推的下一代无NMS端到端架构，其直接生成预测结果的设计消除了NMS后处理阶段，且移除了DFL以扩展边缘设备兼容性，配合MuSGD优化器和ProgLoss损失函数，在小目标精度提升和CPU推理速度提高43%等方面实现突破。之所以不选择YOLO12这样的社区驱动版本，是因为其带有注意力机制的模块虽然在某些基准上表现亮眼，却存在训练不稳定、内存消耗偏高、CPU吞吐量较慢等问题，不适合生产级部署场景。综合而言，YOLO11作为当前最稳健的工业级基线模型保障了准确率与算力效率，YOLO26作为支持端到端无NMS推理的下一代模型解锁了低成本CPU部署的可能性，两者分别覆盖“高性能GPU部署”与“资源受限边缘设备”两大实际需求，是官方针对多场景视觉检测任务最合理的技术选型组合。

在YOLO26和YOLO11之间选择完全取决于您生产环境的限制。

何时部署 YOLO26

YOLO26 是现代全新项目的明确选择。它专为以下目的而构建：

• 边缘计算与物联网：其惊人的CPU性能以及DFL的移除，使其成为树莓派、Coral NPU和移动处理器等设备的王者。

• 无人机与航空分析：ProgLoss + STAL 的集成使其在广阔的区域内追踪微小、快速移动的物体方面具有独特的能力。

• 延迟敏感型应用：在自主机器人或制造质量控制中，免NMS设计确保了确定性延迟，避免了意外的后处理峰值。

何时保留 YOLO11

尽管YOLO26更优越，但YOLO11仍然是一个极其强大的模型。如果您符合以下情况，可以继续使用YOLO11：

• 遗留管道：您现有的 C++ 部署基础设施与旧架构中特定的基于锚点的输出和 NMS 逻辑紧密耦合。

• 学术基线：如果您正在发表研究成果，并需要一个高度认可的2024年标准来衡量您的新颖算法。

四、数据集制作

4.1、数据集标注

使用自开发的标注工具，精细标注每个目标框。

【标注工具 03】labelfast标注工具使用指南(支持YOLO\\COCO\\VOC格式)v3版本_支持导入yolo格式数据集并二次标注的工具-CSDN博客

4.2、数据集分类

4.3、数据集统计

4.4、数据集结构

dataset/
├── train/
│   ├── images/
│   │   ├── helmet_jiaotong_00001.jpg
│   │   └── …
│   └── labels/
│       ├──helmet_jiaotong_00001.txt
│       └── …
├── valid/
│   ├── images/
│   └── labels/
└── test/
    ├── images/
    └── labels/

4.5、数据集配置文件

data.yaml

train: D:/datasets/helmet/HelmetJiaotong/train/images
val: D:/datasets/helmet/HelmetJiaotong/valid/images
test: D:/datasets/helmet/HelmetJiaotong/test/images

nc: 2
names: ['head', 'helmet']

labelfast:
version: 1.3

路径使用绝对路径，如果训练自己的数据集可以改成自己的数据集路径。

4.6、数据分割策略

数据集采用科学的分割策略，确保训练、验证和测试集之间的数据分布均衡：

分割原则：

按比例分割：训练集90%，验证集9%，测试集1% 类别平衡：确保每个类别在各数据集中都有代表性样本 场景多样性：包含不同角度、不同光照条件下的图像 难度分布：从简单到复杂的检测场景都有涵盖

数据集分割

4.7、数据预处理

为了提高模型的训练效果和泛化能力，数据集经过了全面的预处理：

预处理步骤：

• 图像标准化：统一按比例640×640放缩，图像质量压缩减少存储空间。 
• 数据增强：通过旋转、翻转、缩放等方式增加数据多样性
• 标注验证：检查标注文件的准确性和完整性
• 质量筛选：移除模糊、损坏或标注错误的图像
• 格式转换：转换为模型训练所需的格式

数据增强策略：

• 几何变换：旋转、翻转、缩放、平移
• 颜色变换：亮度、对比度、饱和度调整
• 噪声添加：高斯噪声、椒盐噪声
• 混合增强：Mosaic、MixUp等技术

数据集图像大小调整

4.8、数据集展示​

五、模型训练

5.1、YOLO26模型

5.1.1、训练

训练结果文件

​

​数据分布可视化图（labels.jpg）​

训练结果指标（results.png）

​​

详细数据表格(results.csv)

每个 epoch 的训练/验证指标记录，表现内容如下。

​​

对训练模型评估分析

总体评价

模型表现较为出色，在128轮训练过程中各项指标持续平稳优化，最终达到良好至顶尖水平：

损失函数表现良好

• train/box_loss 1.242（一般），val/box_loss 1.375（一般），定位损失已降至一般水平，但泛化定位能力存在一定提升空间，验证损失略高于训练损失
• train/cls_loss 0.524（良好），val/cls_loss 0.592（良好），分类能力较强，模型能较好区分佩戴与未佩戴头盔状态，验证集分类表现稳定且处于良好水平
• train/dfl_loss 0.0037（顶尖），val/dfl_loss 0.0052（顶尖），坐标回归极其精准，边界框预测几乎无误差，泛化坐标误差同样表现完美

关键性能指标优异

• Precision 0.902（优秀）、Recall 0.853（优秀），精确率与召回率均衡性良好，误检控制在很低水平，漏检控制同样良好
• mAP50 0.908（优秀），在标准IoU阈值下综合检测能力强大，具备工业级应用价值
• mAP50-95 0.561（优秀），在严苛IoU（0.5:0.95）下鲁棒性达到优秀水平，超过0.50的优秀阈值，表明模型在不同定位精度要求下均能保持稳定的检测能力，但距离顶尖水平（≥0.65）尚有明显差距

模型泛化能力良好

• 验证集损失与训练集损失差距总体合理，无明显过拟合迹象
• 验证集各项损失整体稳定，未出现剧烈震荡或发散，模型训练过程健康、收敛充分
• val/box_loss（1.375）略高于训练损失（1.242），建议后续可针对小目标、遮挡场景增加样本以进一步缩小泛化差距

5.1.2、验证

验证结果文件

​​

精确率-召回率曲线（BoxPR_curve.png）

​​

曲线图

• 横轴（Recall）： 召回率，真实目标被检出的比例（越靠右越好）。

• 纵轴（Precision）： 精确率，预测为正例的样本中真实正例的比例（越靠上越好）。

• 曲线： 不同置信度阈值下 Precision 与 Recall 的变化轨迹。

• 曲线下面积（mailto:mAP@0.5）： 综合性能指标，越接近 1.0 越好。

各条线的含义：

曲线

检测对象

mailto:mAP@0.5

模型能力解读

• mailto:mAP@0.5 = 0.916： 在 IoU ≥ 0.5 条件下，模型平均精度为 91.6%，属于顶尖水平。这表明模型在常规检测标准下具有极高的可靠性。

• 曲线形态表明：

  • 安全帽检测（mAP=0.942）达到顶尖水平： 橙色曲线（helmet）整体包络面积最大，且在高召回率区间（Recall > 0.8）依然保持了极高的精确率。说明模型对“安全帽”这一特征的学习非常充分，能极其准确地识别佩戴状态，几乎做到了“指哪打哪”。

  • 头部检测（mAP=0.889）为优秀水平： 青色曲线（head）表现依然强劲，虽然略低于安全帽检测，但 mAP 仍接近 0.9。这可能是因为未佩戴安全帽的头部特征（如头发颜色、发型）比标准化的安全帽更具多样性，或者存在部分遮挡情况，但整体表现依然处于优秀梯队。

  • 高精确率与高召回率的良好平衡： 蓝色曲线（all classes）紧贴着两个类别的曲线中间，且在 Recall 达到 0.7-0.8 之前，Precision 几乎一直维持在 0.95 以上的高位。这意味着模型在大部分置信度阈值下，极少出现误检（False Positive），同时也能覆盖绝大多数的真实目标，误报率极低。

核心结论

模型对安全帽检测性能极为出色（mAP=0.942），对头部检测性能优秀（mAP=0.889）。整体平均精度达 91.6%，模型已达到生产级部署标准，可有效支撑电力作业现场的安全头盔佩戴检测任务。后续可针对头部小目标、复杂背景下的头部遮挡场景增加样本，进一步提升头部检测的上限。

5.1.3、预测

5.1.4、导出

导出 ONNX 格式

​

 5.2、YOLO11模型

5.2.1、训练

训练结果文件

数据分布可视化图（labels.jpg）

训练结果指标（results.png）

详细数据表格(results.csv)

每个 epoch 的训练/验证指标记录，表现内容如下。

对训练模型评估分析

总体评价

模型表现优秀，在 126 轮训练过程中各项指标持续优化，最终达到良好至顶尖水平：

训练与验证损失处于良好至顶尖水平

• train/box_loss 1.068（良好），val/box_loss 1.286（一般）

  • 定位损失收敛平稳，但绝对值略高。验证损失高于训练损失，表明模型在泛化定位能力上存在一定提升空间，需关注小目标或复杂背景下的边界框回归精度。

• train/cls_loss 0.533（良好），val/cls_loss 0.595（良好）

  • 分类能力极强，模型能精确区分佩戴与未佩戴头盔状态。验证集分类损失仅略高于训练集，说明模型对类别特征的提取非常稳定，泛化分类表现优秀。

• train/dfl_loss 0.961（良好），val/dfl_loss 1.062（良好）

  • 坐标分布估计能力良好，验证损失与训练损失接近且同步下降，泛化坐标误差表现稳健，未见明显过拟合迹象。

关键性能指标表现优异

• Precision 0.892（优秀）、Recall 0.871（优秀）

  • 精确率与召回率均衡性极佳，误检和漏检均控制在较低水平。高召回率表明模型极少漏掉真实目标，非常适合安全监测场景。

• mAP50 0.914（优秀）

  • 中等 IoU 下综合检测能力强，具备极高的工业级应用价值，能够准确判断“是否佩戴”这一核心业务逻辑。

• mAP50-95 0.553（优秀）

  • 严苛 IoU 下鲁棒性达到优秀水平，已超过 0.50 的优秀门槛。这表明模型在不同定位精度要求下均能保持稳定的检测能力，但距离 0.65 的顶尖阈值尚有微弱差距，主要体现在高精度框的定位上。

模型泛化能力良好

• 验证集性能与训练集基本一致，无明显过拟合迹象。

• 验证损失整体稳定且呈下降趋势，模型训练健康、收敛充分。

• val/box_loss（1.286）略高于训练损失（1.068），属于正常范围，建议后续可针对远距离小目标、严重遮挡场景增加样本以进一步缩小泛化差距。

5.2.2、验证

验证结果文件​

精确率-召回率曲线（BoxPR_curve.png）

​

曲线图:

1. 基础指标解读

• 横轴（Recall）： 召回率，真实目标被检出的比例（越靠右越好）。

• 纵轴（Precision）： 精确率，预测为正例的样本中真实正例的比例（越靠上越好）。

• 曲线： 不同置信度阈值下 Precision 与 Recall 的变化轨迹。

• 曲线下面积（mailto:mAP@0.5）： 综合性能指标，越接近 1.0 越好。

2. 各条线的含义

曲线

检测对象

mailto:mAP@0.5

3. 模型能力解读

• 0.917： 在 IoU ≥ 0.5 条件下，模型所有类别的平均精度为 91.7%，属于顶尖水平。

• 曲线形态表明：

  • 召回率达到 0.70 之前： 所有类别的精确率始终保持在 0.95 以上（曲线几乎贴着顶部走），说明模型在低漏检率要求下，误报极少，可靠性极高。

  • 召回率达到 0.80-0.90 左右： 精确率才开始出现明显下降，说明模型在追求高召回时依然保持了较高的准确性，具备很好的鲁棒性。

  • 类别差异： 橙色线（helmet）始终高于青色线（head），说明模型对“佩戴安全帽”这一特征的识别效果明显优于对“裸露头部”的识别，头盔特征提取更为精准且稳定。

4. 核心结论

模型整体性能非常优秀。虽然“头部”类别的精度（0.894）略低于“安全帽”（0.939），但整体 mAP 达到了 0.917。在实际应用中，模型能以极低的误报率检出绝大多数目标，完全满足工业级部署标准，特别是在交通场景下的安全帽佩戴合规性检测表现极其优异，能够有效支撑安全监控需求。

5.2.3、预测​

5.2.4、导出

导出 ONNX 格式

  ​

六、链接