工业安全监控识别 智慧工业工地安全防护检测数据集的训练及应用 通过训练出的个人安全防护装备检测数据集的权重 推理检测识别人 头 脸部 眼镜 口罩 面罩 马甲 安全帽安全服的检测与识别 穿戴检测数据集

工业安全监控识别 智慧工业工地安全防护检测数据集的训练及应用 通过训练出的个人安全防护装备检测数据集的权重 推理检测识别人 头 脸部 眼镜 口罩 面罩 马甲 安全帽安全服的检测与识别 穿戴检测数据集

智慧工业防护数据集，收集各种工业环境，高质量图像 17类别，，voc和yolo格式标注 都有人，头，脸，眼镜，医用口罩，面罩，耳朵，耳罩，手部，手套，脚，鞋，安全马甲，工具，安全帽，医用服装，安全服17类别

智慧工业工地安全防护合规检测数据集
数据集包含17个类别，为VOC和YOLO格式，图像最大分辨率8192x5462，最小1920x1080，以下是 “智慧工业工地安全防护合规检测数据集”

一、数据集情况

二、类别编号与名称对照表

三、典型应用场景

• ✅ 工业场景下的安全穿戴合规性检测
• 🔍 多部位识别用于行为分析或人员追踪
• 🧠 支持构建多任务模型：人脸/头部检测 + 口罩识别 + 安全帽识别 + 手套识别等
• 🏗️ 适用于建筑工地、工厂车间、能源设施等高危作业环境中的智能监控系统

四、适用模型与训练建议

• 支持的目标检测框架：
  • YOLO系列（YOLOv5/v8/v10）
  • Faster R-CNN
  • SSD
• 推荐用途：
  • 构建细粒度人员安全防护检测系统
  • 开展多标签人体部件识别研究
  • 进行高分辨率图像目标检测算法优化实验

你提供的 智慧工业防护数据集 是一个非常实用的目标检测数据集，适用于工业安全场景下的深度学习模型开发。该数据集包含 17类防护装备和人体部位，支持 VOC（XML）和 YOLO（TXT）格式，非常适合用于构建多目标工业安全防护检测系统。

📌 一、数据集类别说明

以下是该数据集的 17 类别列表：

🧱 二、数据集结构示例（YOLO格式）

industrial_dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
└── labels/
    ├── train/
    ├── val/
    └── test/

每个 .txt 文件内容如下（每行对应一个对象）：

class_id x_center y_center width height

示例：

14 0.51 0.49 0.18 0.22

📄 三、创建 data.yaml 文件

在项目根目录下创建一个名为 industrial_data.yaml 的配置文件：

# industrial_data.yaml

train: ./industrial_dataset/images/train
val: ./industrial_dataset/images/val
test: ./industrial_dataset/images/test

nc: 17  # 类别数量
names: [
    'person', 'head', 'face', 'glasses', 'mask',
    'visor', 'ear', 'earphone', 'hand', 'glove',
    'foot', 'shoe', 'vest', 'tool', 'helmet',
    'medical_clothes', 'safety_suit'
]

🛠️ 四、环境搭建与依赖安装

pip install ultralytics opencv-python

🚀 五、训练模型（Python脚本）

使用 YOLOv8 模型进行训练：

from ultralytics import YOLO

# 加载预训练的 YOLOv8m 模型（适合中等规模数据集）
model = YOLO('yolov8m.pt')  # 可选 yolov8n / s / m / l / x

# 开始训练
results = model.train(
    data='industrial_data.yaml',        # 数据集配置文件路径
    epochs=150,                         # 训练轮数
    imgsz=640,                          # 图像尺寸
    batch=16,                           # 批大小（根据显存调整）
    name='industrial_yolo_train',      # 训练输出目录名
    project='industrial_detector',     # 项目文件夹名
    device=0 if torch.cuda.is_available() else 'cpu'  # 使用 GPU
)

🔍 六、推理测试一张图片

训练完成后，可以用训练好的权重文件对单张图片进行预测：

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

# 对单张图片进行推理
results = model.predict(source='industrial_dataset/images/val/your_image.jpg', show=True, conf=0.25)

for result in results:
    boxes = result.boxes
    print(boxes)  # 打印检测框信息

🎥 七、实时视频流或摄像头检测

如果你想要在摄像头或视频中实时检测工业防护设备，可以使用以下代码：

# 使用摄像头
cap = cv2.VideoCapture(0)

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    results = model(frame)
    annotated_frame = results[0].plot()

    cv2.imshow('Industrial Safety Detection', annotated_frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

📊 八、性能评估（验证集）

你可以使用以下命令对验证集进行评估：

yolo task=detect mode=val model=runs/detect/industrial_yolo_train/weights/best.pt data=industrial_data.yaml

这将输出：

• mAP@0.5
• Precision / Recall
• F1-score
• Box loss 和 Object loss

📦 九、模型导出为 ONNX / TensorRT / TFLite 等格式

YOLOv8 支持多种格式导出，便于部署到不同平台：

yolo export model=runs/detect/industrial_yolo_train/weights/best.pt format=onnx

支持的格式有：

📁 十、训练结果保存路径说明

训练完成后，YOLO 会自动将以下内容保存在 runs/detect/industrial_yolo_train/ 目录中：

runs/detect/industrial_yolo_train/
├── weights/
│   ├── best.pt       # 最佳权重
│   └── last.pt       # 最后一次 epoch 的权重
├── results.csv       # 每轮的指标记录
├── results.png       # 指标曲线图
└── train_batch*.jpg  # 训练时增强后的样本图像

💡 十一、应用场景建议

✅ 应用方向

仅供参考学习使用。