【数据集】【YOLO】【目标检测】安全帽、反光衣和安全鞋辨认数据集 9911 张
一、数据集介绍【数据集】安全帽、反光衣辨认数据集 9911 张，目标检测，包含YOLO/VOC格式标注。
数据会合包含5种分类：names:['Helmet', 'NO-Safety Vest', 'No Helmet', 'Safety Vest', 'shoes']，表示"安全帽、未穿着反光衣、未穿着安全帽、反光衣、安全鞋"。
数据集图片来自国表里网站、网络爬虫等；
可用于施工地区人身安全设备辨认。
检测场景为构筑工地、蹊径施工等高风险作业情况中，可以应用于提高工地安全管理服从、降低安全事故风险等。
更多数据集请检察置顶博文！
https://i-blog.csdnimg.cn/direct/fe63ba1f3d064f59a35c5ca7113578fb.png https://i-blog.csdnimg.cn/direct/3d41428f65f24e04bf65e0a72feaea02.png https://i-blog.csdnimg.cn/direct/05a5e61ce6054dcfb36ec270ac2e4095.png
1、数据概述
施工地工人安全辨认的告急性
在构筑工地、蹊径施工等高风险作业情况中，工人的安全是至关告急的。为了确保工人的安全，工地通常会要求工人佩带安全帽和反光衣等个人防护装备。然而，由于工地情况复杂，职员流动大，传统的人工监督方式难以做到全面覆盖和及时监控。因此，开辟一种可以或许自动辨认工人是否佩带安全帽和反光衣的目标检测算法，对于提高工地安全管理服从、降低安全事故风险具有告急意义。
基于YOLO的安全帽反光衣辨认算法
[*] 及时性：YOLO算法通过单次前向传播即可猜测出图像中目标的位置和类别，无需举行多次迭代或后处理，因此具有较快的推理速度，可以或许满意及时性要求。
[*] 正确性：YOLO算法接纳深度卷积神经网络作为特性提取器，可以或许提取图像中丰富的特性信息，从而提高目标检测的精度。通过不断迭代和优化，YOLO算法在正确性和鲁棒性方面得到了明显提升。
[*] 灵活性：YOLO算法可以顺应差异尺寸和外形的目标检测任务。通过调解网络结构和参数，可以实现对差异种类安全帽和反光衣的正确辨认。
该数据集含有 9911 张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试构筑工地、蹊径施工等高风险作业情况中举行安全帽反光衣等穿着辨认。
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，保证标注正确度。
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带辨认的目标分类和加载路径。
https://i-blog.csdnimg.cn/direct/17988b61d7dc48cdac9cb9969f964469.pnghttps://i-blog.csdnimg.cn/direct/b565a5c5f835496b9273213c3773927c.png
https://i-blog.csdnimg.cn/direct/ec158b6d2ad844a8817fd827ee8d2685.png https://i-blog.csdnimg.cn/direct/b8873d6e3c224939a82c8b67b1553caa.png https://i-blog.csdnimg.cn/direct/6d3836e9e5744efba83003fad0c219fa.png Annotations目录下的xml文件内容如下：
<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> 3、数据集实用范围
[*]目标检测场景，监控摄像头辨认
[*]yolo训练模型或其他模型
[*]构筑工地、蹊径施工等高风险作业情况
[*]可以用于提高工地安全管理服从、降低安全事故风险等
4、数据集标注结果
https://i-blog.csdnimg.cn/direct/4fa83064237242afae75aee6f10d1294.png https://i-blog.csdnimg.cn/direct/502a119bddc044d8b3b59776ee5af0f0.png
https://i-blog.csdnimg.cn/direct/2bcfafe1280e464183924f4b67a2a993.png https://i-blog.csdnimg.cn/direct/ec6eaa0d6e60426689a5f362586ef9b6.png
https://i-blog.csdnimg.cn/direct/cfbaf4d09a3b4cc194a79d69d54e4201.png https://i-blog.csdnimg.cn/direct/2fd403a11f8740fbaf5e95a59032b6ca.png
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；
[*]标注范例：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，解压在恣意本地workspace文件夹中。
下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。
https://i-blog.csdnimg.cn/direct/0bed55f82ab64c478e2ed724a07abad0.png
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：
https://i-blog.csdnimg.cn/direct/4417fb0d7f8042c58aeec3b3051e2f22.png
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。
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[:-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() 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，举行须要的越界修正，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。
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)
dh = 1. / (size)
x = (box + box) / 2.0 - 1
y = (box + box) / 2.0 - 1
w = box - box
h = box - box
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() + '\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() 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
train: data/train.txt
val: data/val.txt
test: data/test.txt
nc: 5
names: ['Helmet', 'NO-Safety Vest', 'No Helmet', 'Safety Vest', 'shoes'] 5.5、实行命令
实行train.py
model = YOLO('yolov8s.pt')
results = model.train(data='wheat.yaml', epochs=200, imgsz=640, batch=16, workers=0) 也可以在终端实行下述命令：
yolo train data=wheat.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=0 5.6、模型猜测
你可以选择新建predict.py猜测脚本文件，输入视频流大概图像举行猜测。
代码如下：
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.names = "道路积水"
# Visualize the results on the frame
annotated_frame = results.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() 也可以直接在命令行窗口大概Annoconda终端输入以下命令举行模型猜测：
yolo predict model="best.pt" source='demo.jpg' 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、情况配置
# 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 2、使用阐明
https://i-blog.csdnimg.cn/direct/166ee2f0e2724478883d2923fd825aad.png
界面功能介绍：
[*]原视频/图片区：上半部分左边地区为原视频/图片展示区；
[*]检测区：上半部分右边地区为检测结果输出展示区；
[*]文本框：打印输出操作日记，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：实行检测步调；
[*]停止：终止检测步调；
3、猜测效果展示
3.1、图片检测
https://i-blog.csdnimg.cn/direct/4009ff3e6f5d4c68b31198b8d61bfe34.png
切换置信度再次实行：
https://i-blog.csdnimg.cn/direct/2d8a50808e60446e8d26aed7cdcb5e97.png
上图左下地区可以看到json格式的告警信息，用于反馈实际作业中的管理系统，为管理员提供蹊径养护决策 。
3.2、视频检测
https://i-blog.csdnimg.cn/direct/2753862ef7f545708f384cdf4fe0da56.png
3.3、日记文本框
https://i-blog.csdnimg.cn/direct/4a08d3a9ba4b45a4aba12eb2ca9f51f6.png
4、前端代码
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) 5、代码获取
YOLO可视化界面
看头像或主页私聊博主哈~
更多数据集请检察
以上内容均为原创。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]