工地安全行为识别数据集 头盔背心检测数据集 工地施工安全行为监测数据集 工地安全帽头盔反光衣检测数据集的训练及应用 智慧工地安全行为模型

YOLOV8模型训练工地安全行为头盔背心检测数据集 工地施工安全行为监测数据集 工地安全帽头盔反光衣检测数据集的训练及应用 智慧工地安全行为模型

文章目录

• • YOLOV8模型训练工地安全行为头盔背心检测数据集 工地施工安全行为监测数据集 工地安全帽头盔反光衣检测数据集的训练及应用 智慧工地安全行为模型 @[toc]
  • • 🛠️ 施工安全检测数据集（Construction Safety Detection Dataset）信息表
    • 📁 推荐数据组织结构
    • 🧾 `data.yaml` 配置文件示例
    • 🎯 主要应用方向
    • ✅ 数据集优势总结
    • ✅ 一、环境准备（CUDA + Anaconda + 虚拟环境 + 依赖安装）
    • • 1. 检查 CUDA 驱动
      • 2. 安装 Anaconda
      • 3. 创建 Python 虚拟环境
      • 4. 安装必要依赖
    • ✅ 二、数据集结构与 `data.yaml` 配置
    • • 数据目录结构要求如下：
      • 创建 `data.yaml` 文件（放在项目根目录）
    • ✅ 三、模型训练代码（使用 YOLOv8 官方预训练模型）
    • ✅ 四、推理代码（单张图 / 视频 / 文件夹）
    • • 1. 加载训练好的模型进行预测
      • 2. 批量推理整个文件夹
      • 3. 视频流检测（摄像头或视频文件）
    • ✅ 五、模型评估代码（在测试集上评估）
    • ✅ 六、可视化训练结果（可选）
    • ✅ 七、模型导出（用于部署）

🛠️ 施工安全检测数据集（Construction Safety Detection Dataset）信息表

📁 推荐数据组织结构

construction_safety_dataset/
├── images/
│ ├── train/ # 997 张
│ ├── val/ # 119 张
│ └── test/ # 90 张
├── labels/
│ ├── train/ # 对应 .txt 标签文件
│ ├── val/
│ └── test/
├── data.yaml # YOLO训练配置文件
└── README.md

🧾 data.yaml 配置文件示例

# data.yaml
train: ./construction_safety_dataset/images/train
val: ./construction_safety_dataset/images/val
test: ./construction_safety_dataset/images/test

# 类别数量
nc: 5

# 类别名称（按ID顺序）
names:
– helmet # 戴头盔
– no–helmet # 未戴头盔
– no–vest # 未穿背心
– person # 人员（通用）
– vest # 穿反光背心

🎯 主要应用方向

✅ 数据集优势总结

1 使用 YOLOv8 训练这个施工安全检测数据集的详细步骤。你已经提供了清晰的数据信息，接下来将涵盖从环境配置到训练、推理和评估的完整流程。代码示例，仅供参考学习使用。

✅ 一、环境准备（CUDA + Anaconda + 虚拟环境 + 依赖安装）

1. 检查 CUDA 驱动

确保你的 GPU 支持 CUDA，并已安装对应驱动：

nvidia-smi

输出应显示驱动版本和 GPU 状态。

2. 安装 Anaconda

前往官网下载并安装：https://www.anaconda.com/products/distribution

3. 创建 Python 虚拟环境

conda create -n safety_detection python=3.9
conda activate safety_detection

4. 安装必要依赖

# PyTorch (根据你的CUDA版本选择，这里是cu118)
pip install torch torchvision torchaudio –index-url https://download.pytorch.org/whl/cu118

# YOLOv8 (Ultralytics)
pip install ultralytics

# 其他常用库
pip install opencv-python matplotlib pandas seaborn

💡 验证安装成功：

import torch
print(torch.cuda.is_available()) # 应输出 True

✅ 二、数据集结构与 data.yaml 配置

数据目录结构要求如下：

safety_dataset/
├── images/
│ ├── train/ # 997 张
│ ├── val/ # 119 张
│ └── test/ # 90 张
├── labels/
│ ├── train/ # 对应 txt 标注文件
│ ├── val/
│ └── test/
└── data.yaml # 数据集配置文件

创建 data.yaml 文件（放在项目根目录）

# data.yaml
train: ./safety_dataset/images/train
val: ./safety_dataset/images/val
test: ./safety_dataset/images/test

# 类别数量
nc: 5

# 类别名称（必须与标签索引一致）
names: ['helmet', 'no-helmet', 'no-vest', 'person', 'vest']

⚠️ 注意：YOLO 的标签 .txt 文件中类别索引为 0~4，分别对应上述名字。

✅ 三、模型训练代码（使用 YOLOv8 官方预训练模型）

from ultralytics import YOLO
import os

# 设置路径
DATA_YAML = "safety_dataset/data.yaml"
PROJECT_DIR = "runs/safety_helmet_vest"

# 加载预训练模型（推荐使用 yolov8m 或 yolov8l 提升精度）
model = YOLO('yolov8m.pt') # 可选: yolov8n, yolov8s, yolov8m, yolov8l, yolov8x

# 开始训练
results = model.train(
data=DATA_YAML,
epochs=100, # 可根据 loss 曲线调整
imgsz=640, # 输入图像大小
batch=16, # 根据显存调整（16适合12GB显卡）
name='yolov8m_safety',
project=PROJECT_DIR,
device=0 if torch.cuda.is_available() else 'cpu', # 使用GPU
workers=4, # 数据加载线程数
optimizer='AdamW', # 更稳定的优化器
lr0=0.001, # 初始学习率
patience=10, # 早停：验证loss连续10轮不下降则停止
save_period=5, # 每5轮保存一次模型
exist_ok=True
)

print("✅ 训练完成！")

📁 模型和日志将保存在 runs/safety_helmet_vest/yolov8m_safety/ 目录下。

✅ 四、推理代码（单张图 / 视频 / 文件夹）

1. 加载训练好的模型进行预测

from ultralytics import YOLO
import cv2

# 加载最佳权重
model = YOLO('runs/safety_helmet_vest/yolov8m_safety/weights/best.pt')

# 单张图像检测
results = model.predict(
source='test_image.jpg', # 可是路径、URL、ndarray
conf=0.25, # 置信度阈值
iou=0.45, # NMS IOU 阈值
show=False, # 是否弹窗显示
save=True, # 保存结果图
project='inference_results',
name='output'
)

# 显示结果
for r in results:
im_array = r.plot() # 绘制边界框和标签
im = cv2.cvtColor(im_array, cv2.COLOR_BGR2RGB)
cv2.imshow('Result', im)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 批量推理整个文件夹

results = model.predict(
source='safety_dataset/images/test/',
save=True,
project='inference_results',
name='batch_test'
)

3. 视频流检测（摄像头或视频文件）

results = model.predict(
source=0, # 0 表示摄像头；也可传入视频路径
show=True, # 实时显示
conf=0.3
)

✅ 五、模型评估代码（在测试集上评估）

from ultralytics import YOLO

# 加载训练好的模型
model = YOLO('runs/safety_helmet_vest/yolov8m_safety/weights/best.pt')

# 在测试集上评估
metrics = model.val(
data='safety_dataset/data.yaml',
split='test', # 使用 test 集
batch=16,
imgsz=640,
device=0 if torch.cuda.is_available() else 'cpu',
project='val_results',
name='test_evaluation'
)

# 输出关键指标
print(f"mAP@0.5: {metrics.box.map:.4f}")
print(f"mAP@0.5:0.95: {metrics.box.map50_95:.4f}")
print(f"Precision: {metrics.box.precision:.4f}")
print(f"Recall: {metrics.box.recall:.4f}")

# 每类的 AP
for i, name in enumerate(metrics.names):
print(f"AP@0.5 for {name}: {metrics.box.maps[i]:.4f}")

✅ 六、可视化训练结果（可选）

训练完成后，runs/safety_helmet_vest/yolov8m_safety/ 目录会生成以下图表：

• results.png：训练损失、mAP、precision、recall 曲线
• confusion_matrix.png：混淆矩阵
• PR_curve.png：各类别的 Precision-Recall 曲线

你可以用 matplotlib 手动加载查看：

from PIL import Image
Image.open("runs/safety_helmet_vest/yolov8m_safety/results.png").show()

✅ 七、模型导出（用于部署）

# 导出为 ONNX（通用格式，可用于 C++, Python, TensorRT）
model.export(format='onnx', dynamic=True, opset=13)

# 导出为 TensorRT（高性能部署）
# model.export(format='engine', device=0)

# 导出为 TorchScript
model.export(format='torchscript')