當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

YOLOv5在建筑工地中安全帽佩戴检测的应用（已开源+数据集）

發布時間：2025/3/11 编程问答 26 豆豆

生活随笔收集整理的這篇文章主要介紹了 YOLOv5在建筑工地中安全帽佩戴检测的应用（已开源+数据集）小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

前言

Amusi 發現一個很棒的開源項目，利用YOLOv5進行目標檢測的"落地化"應用：安全帽佩戴檢測。

該項目使用了YOLOv5s、YOLOv5m、YOLOv5l來訓練安全帽佩戴檢測數據集，代碼和權重均已開源！安全帽佩戴檢測數據集也是開源的（共含7581 張圖像）！

項目教程也相當詳細，推薦入門練手學習！而且有意思的是，該項目和數據集的兩位作者均是中國人，點贊！

項目鏈接（文末附下載）：https://github.com/xiaobingchan/Smart_Construction

數據集鏈接（文末附下載）：https://github.com/xiaobingchan/Safety-Helmet-Wearing-Dataset

Smart_Construction

該項目是使用 YOLOv5 來訓練在智能工地安全領域中頭盔目標檢測的應用

指標

yolov5s 為基礎訓練，epoch = 50

對應的權重文件：百度云，提取碼:?b981

yolov5m 為基礎訓練，epoch = 100

對應的權重文件：百度云，提取碼:?psst

yolov5l 為基礎訓練，epoch = 100

對應的權重文件：百度云，提取碼:?a66e

1.YOLO v5訓練自己數據集教程

使用的數據集：Safety-Helmet-Wearing-Dataset?，感謝這位大神的開源數據集！

本文結合?YOLOv5官方教程?來寫

環境準備

首先確保自己的環境：

Python >= 3.7 Pytorch == 1.5.x

訓練自己的數據

提示：

關于增加數據集分類的方法，請看【5. 增加數據集的分類】

1.1 創建自己的數據集配置文件

因為我這里只是判斷【人沒有帶安全帽】、【人有帶安全帽】、【人體】 3個類別，基于?data/coco128.yaml?文件，創建自己的數據集配置文件?custom_data.yaml

# 訓練集和驗證集的 labels 和 image 文件的位置 train: ./score/images/train val: ./score/images/val# number of classes nc: 3# class names names: ['person', 'head', 'helmet']

1.2 創建每個圖片對應的標簽文件

使用標注工具類似于?Labelbox?、CVAT?、精靈標注助手?標注之后，需要生成每個圖片對應的?.txt?文件，其規范如下：

每一行都是一個目標
類別序號是零索引開始的（從0開始）
每一行的坐標?class x_center y_center width height?格式
框坐標必須采用歸一化的 xywh格式（從0到1）。如果您的框以像素為單位，則將x_center和width除以圖像寬度，將y_center和height除以圖像高度。代碼如下：

import numpy as np def convert(size, box):"""將標注的 xml 文件生成的【左上角x,左上角y,右下角x，右下角y】標注轉換為yolov5訓練的坐標:param size: 圖片的尺寸： [w,h]:param box: anchor box 的坐標 [左上角x,左上角y,右下角x,右下角y,]:return: 轉換后的 [x,y,w,h]"""x1 = int(box[0])y1 = int(box[1])x2 = int(box[2])y2 = int(box[3])dw = np.float32(1. / int(size[0]))dh = np.float32(1. / int(size[1]))w = x2 - x1h = y2 - y1x = x1 + (w / 2)y = y1 + (h / 2)x = x * dww = w * dwy = y * dhh = h * dhreturn [x, y, w, h]

生成的?.txt?文件放置的名字是圖片的名字，放置在 label 文件夾中，例如：

./score/images/train/00001.jpg # image ./score/labels/train/00001.txt # label

生成的?.txt?例子：

1 0.1830000086920336 0.1396396430209279 0.13400000636465847 0.15915916301310062 1 0.5240000248886645 0.29129129834473133 0.0800000037997961 0.16816817224025726 1 0.6060000287834555 0.29579580295830965 0.08400000398978591 0.1771771814674139 1 0.6760000321082771 0.25375375989824533 0.10000000474974513 0.21321321837604046 0 0.39300001866649836 0.2552552614361048 0.17800000845454633 0.2822822891175747 0 0.7200000341981649 0.5570570705458522 0.25200001196935773 0.4294294398277998 0 0.7720000366680324 0.2567567629739642 0.1520000072196126 0.23123123683035374

1.3 文件放置規范

文件樹如下

1.4 聚類得出先驗框（可選）

使用代碼?./data/gen_anchors/clauculate_anchors.py?，修改數據集的路徑

FILE_ROOT = r"xxx" # 根路徑 ANNOTATION_ROOT = r"xxx" # 數據集標簽文件夾路徑 ANNOTATION_PATH = FILE_ROOT + ANNOTATION_ROOT

跑完會生成一個文件?anchors.txt，里面有得出的建議先驗框：

Best Accuracy = 79.72%Best Anchors = [[14.74, 27.64], [23.48, 46.04], [28.88, 130.0], [39.33, 148.07], [52.62, 186.18], [62.33, 279.11], [85.19, 237.87], [88.0, 360.89], [145.33, 514.67]]

1.5 選擇一個你需要的模型

在文件夾?./models?下選擇一個你需要的模型然后復制一份出來，將文件開頭的?nc =?修改為數據集的分類數，下面是借鑒?./models/yolov5s.yaml來修改的

# parameters nc: 3 # number of classes <============ 修改這里為數據集的分類數 depth_multiple: 0.33 # model depth multiple width_multiple: 0.50 # layer channel multiple# anchors anchors: # <============ 根據 ./data/gen_anchors/anchors.txt 中的 Best Anchors 修改，需要取整（可選）- [14,27, 23,46, 28,130] - [39,148, 52,186, 62.,279] - [85,237, 88,360, 145,514]# YOLOv5 backbone backbone:# [from, number, module, args][[-1, 1, Focus, [64, 3]], # 0-P1/2[-1, 1, Conv, [128, 3, 2]], # 1-P2/4[-1, 3, BottleneckCSP, [128]],[-1, 1, Conv, [256, 3, 2]], # 3-P3/8[-1, 9, BottleneckCSP, [256]],[-1, 1, Conv, [512, 3, 2]], # 5-P4/16[-1, 9, BottleneckCSP, [512]],[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32[-1, 1, SPP, [1024, [5, 9, 13]]],[-1, 3, BottleneckCSP, [1024, False]], # 9]# YOLOv5 head head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]], # cat backbone P4[-1, 3, BottleneckCSP, [512, False]], # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 4], 1, Concat, [1]], # cat backbone P3[-1, 3, BottleneckCSP, [256, False]], # 17[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]], # cat head P4[-1, 3, BottleneckCSP, [512, False]], # 20[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]], # cat head P5[-1, 3, BottleneckCSP, [1024, False]], # 23[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)]

1.6 開始訓練

這里選擇了?yolov5s?模型進行訓練，權重也是基于?yolov5s.pt?來訓練

python train.py --img 640 --batch 16 --epochs 10 --data ./data/custom_data.yaml --cfg ./models/custom_yolov5.yaml --weights ./weights/yolov5s.pt

其中，yolov5s.pt?需要自行下載放在本工程的根目錄即可，下載地址?官方權重

1.7 看訓練之后的結果

訓練之后，權重會保存在?./runs?文件夾里面的每個?exp?文件里面的?weights/best.py?，里面還可以看到訓練的效果

2. 偵測

偵測圖片會保存在?./inferenct/output/?文件夾下

運行命令：

python detect.py --source 0 # webcamfile.jpg # image file.mp4 # videopath/ # directorypath/*.jpg # globrtsp://170.93.143.139/rtplive/470011e600ef003a004ee33696235daa # rtsp streamhttp://112.50.243.8/PLTV/88888888/224/3221225900/1.m3u8 # http stream

3. 檢測危險區域內是否有人

3.1 危險區域標注方式

我這里使用的是?精靈標注助手?標注，生成了對應圖片的 json 文件

3.2 執行偵測

偵測圖片會保存在?./inferenct/output/?文件夾下

運行命令：

python area_detect.py --source ./area_dangerous --weights ./weights/helmet_head_person_s.pt

3.3 效果：在危險區域里面的人體會被?紅色框?選出來

4. 生成 ONNX

4.1 安裝?onnx?庫

pip install onnx

4.2 執行生成

python ./models/export.py --weights ./weights/helmet_head_person_s.pt --img 640 --batch 1

onnx?和?torchscript?文件會生成在?./weights?文件夾中

5. 增加數據集的分類

關于增加數據集分類的方法：

SHWD?數據集里面沒有?person?的類別，先將現有的自己的數據集執行腳本生成 yolov5 需要的標簽文件?.txt，之后再用?yolov5x.pt?加上?yolov5x.yaml?，使用指令檢測出人體

python detect.py --save-txt --source ./自己數據集的文件目錄 --weights ./weights/yolov5x.pt

yolov5?會推理出所有的分類，并在?inference/output?中生成對應圖片的?.txt?標簽文件；

修改?./data/gen_data/merge_data.py?中的自己數據集標簽所在的路徑，執行這個python腳本，會進行?person?類型的合并

歡迎 star ???

項目開源鏈接：https://github.com/PeterH0323/Smart_Construction

CVer-目標檢測交流群

建了目標檢測微信群，目前近450人。想要進檢測群的同學，可以直接加微信號：CVer5555。加的時候備注一下：目標檢測+學校+昵稱，即可。然后就可以拉你進群了?？梢栽谌豪锝涣饔懻?D/3D目標檢測、遙感/水下目標檢測等方向。

另外強烈推薦閱讀，Amusi 整理過的最全資料系列如下：

GitHub：深度學習最全資料集錦
GitHub：圖像分類最全資料集錦
GitHub：目標檢測最全論文集錦
GitHub：圖像分割最全資料集錦
GitHub：目標跟蹤最全資料集錦
GitHub：人群密度估計最全資料集錦
GitHub：車道線檢測最全資料集錦
GitHub：TensorFlow最全資料集錦
GitHub：Anchor-free目標檢測最全資料集錦
GitHub：數據增廣最全資料集錦
GitHub：語義分割最全資料集錦
GitHub：人群計數最全資料集錦

推薦大家關注計算機視覺論文速遞知乎專欄和CVer微信公眾號，可以快速了解到最新優質的CV論文。

總結

以上是生活随笔為你收集整理的YOLOv5在建筑工地中安全帽佩戴检测的应用（已开源+数据集）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。

上一篇：卡尔曼滤波器推导
下一篇： Python RSA加密与解密公钥和私