深度学习，YOLOV8（安全帽佩戴识别）

木樨夜

已于 2023-11-08 15:54:12 修改

阅读量1.4k

点赞数 1

文章标签：深度学习 YOLO 人工智能

于 2023-11-05 16:23:55 首次发布

本文链接：https://blog.youkuaiyun.com/mx1431890950/article/details/134229362

版权

本文详述了使用YOLOv8算法进行安全帽佩戴识别的过程，包括创建虚拟环境、数据准备、模型训练及实验结果分析。通过PR曲线展示了模型在测试集上的优秀性能，为建筑工地安全监控提供了有效的解决方案。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

建筑工人头部伤害是造成建筑伤亡事故的重要原因。佩戴安全帽是防止建筑工人发生脑部外伤事故的有效措施,而在实际工作中工人未佩戴安全帽的不安全行为时有发生。因此,对施工现场建筑工人佩戴安全帽自动实时检测进行探究,将为深入认知和主动预防安全事故提供新的视角。然而,传统的施工现场具有安全管理水平低下、管理范围小、主要依靠安全管理人员的主观监测并且时效性差、不能全程监控等一系列问题。

一、YOLOV8搭建

1.创建一个虚拟环境

打开运行输入cmd，复制下面代码

conda create -n torch1.12.1 python=3.8.8

激活创建的虚拟环境

activate torch1.12.1

安装一个整体包：

pip install -r .\requirements.txt

找到自己 requirements.txt 文件路径复制进去运行

必须安装ultralytics ，这个是不能缺少的

pip   install   ultralytics   -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com

安装下载好包以后就是验证

 yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg' show=True save=True

一切准备就绪以后接下来就是寻找素材材料

二、数据准备

1. 我们选择的安全帽数据集含有750张图片。

2.划分数据

运行脚本划分数据集

# 将图片和标注数据按比例切分为 训练集和测试集
import shutil
import random
import os
import argparse
 
 
# 检查文件夹是否存在
def mkdir(path):
    if not os.path.exists(path):
        os.makedirs(path)
 
 
def main(image_dir, txt_dir, save_dir):
    # 创建文件夹
    mkdir(save_dir)
    images_dir = os.path.join(save_dir, 'images')
    labels_dir = os.path.join(save_dir, 'labels')
 
    img_train_path = os.path.join(images_dir, 'train')
    img_test_path = os.path.join(images_dir, 'test