智慧安全 工地行为检测数据集 共9580张，yolo格式，已分训练集，验证集。直接用于模型训练。4类 标注为：摔倒，未佩戴安全帽，佩戴安全帽，工地行为数据集

标签：训练 安全帽 image YOLO 佩戴 工地 标注

 

【工地行为检测数据集】共9580张，yolo格式，已划分为训练集，验证集。可以直接用于模型训练。 标注类别为：摔倒，未佩戴安全帽，佩戴安全帽，吸烟

数量：摔倒480，佩戴➕不佩戴安全帽4300，吸烟4300

有训练好的yolov5结果图及权重

工地行为检测数据集 (Construction Site Behavior Detection Dataset)

描述: 本数据集旨在支持对工地环境中的特定行为进行自动检测，特别适用于施工现场安全管理、工人行为监控等领域。通过使用该数据集训练的模型可以帮助及时发现并分类各种工地上的违规行为，提高工地的安全性和管理效率。

类别:

• fall (摔倒)
• no_hardhat (未佩戴安全帽)
• hardhat (佩戴安全帽)
• smoking (吸烟)

数据量:

• 总图片数: 9,580张
  • 训练集 (train): [具体数量根据实际划分填写]
  • 验证集 (val): [具体数量根据实际划分填写]

标注格式:

• YOLO格式 (TXT)

文件格式:

• 图像采用常见的JPEG或PNG格式。
• 标注文件采用YOLO格式，即每个图像对应一个文本文件，其中包含边界框坐标及类别标签。例如，对于fall类别的标注，文本文件中的每一行将按照以下格式表示：<class_id> <x_center> <y_center> <width> <height>，其中<class_id>为0到3（代表不同的目标类别），其余参数均为归一化后的浮点数值。

类别分布:

• fall: 480个标注
• no_hardhat + hardhat: 4,300个标注
• smoking: 4,300个标注

数据集结构

确保您的数据集目录结构如下所示（这只是一个示例结构，您可以根据实际情况调整）：

深色版本

construction_site_dataset/
├── images/
│   ├── train/
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │   └── ...
│   ├── val/
│   │   ├── img7000.jpg
│   │   ├── img7001.jpg
│   │   └── ...
├── labels/
│   ├── train/
│   │   ├── img1.txt
│   │   ├── img2.txt
│   │   └── ...
│   ├── val/
│   │   ├── img7000.txt
│   │   ├── img7001.txt
│   │   └── ...
└── data.yaml

data.yaml 配置文件

创建一个名为 data.yaml 的配置文件，内容如下：

train: ./construction_site_dataset/images/train
val: ./construction_site_dataset/images/val

nc: 4  # 类别数量
names: ['fall', 'no_hardhat', 'hardhat', 'smoking']  # 类别名称

使用方法

1. 准备环境

确保安装了必要的Python库，如ultralytics（用于YOLOv5）和其他相关依赖：

bash

深色版本

pip install ultralytics

2. 修改配置文件

根据实际路径修改 data.yaml 文件中的路径。

3. 训练脚本

以下是一个使用YOLOv5进行训练的Python脚本示例：

from ultralytics import YOLO
import torch

# 设置设备
device = 'cuda' if torch.cuda.is_available() else 'cpu'

# 加载预训练模型或从头开始训练
model = YOLO('yolov5s.pt')  # 使用预训练的YOLOv5s模型
# model = YOLO()  # 从头开始训练

# 开始训练
results = model.train(
    data='path/to/data.yaml',  # 指定数据集配置文件路径
    epochs=100,  # 训练轮次
    batch=16,  # 批处理大小
    imgsz=640,  # 输入图像尺寸
    workers=8,  # 数据加载线程数
    device=device,  # 使用GPU设备编号，默认为0
    project='construction_site_detection',  # 保存结果的项目名称
    name='exp',  # 实验名称
    exist_ok=True  # 如果存在相同实验名，覆盖旧的结果
)

# 可视化训练结果
results.plot()

# 保存模型
model.save('construction_site_detection_model.pt')

训练结果

模型: YOLOv5

性能指标:

• 准确率 (Accuracy): [根据实际结果填写]
• 精确度 (Precision): [根据实际结果填写]
• 召回率 (Recall): [根据实际结果填写]
• F1分数 (F1 Score): [根据实际结果填写]
• 平均精度均值 ([email protected]:0.95): [根据实际结果填写]

模型文件:

• 提供了YOLOv5的预训练模型文件，可以直接用于推理或进一步微调。

总结

这个工地行为检测数据集提供了9,580张高质量的工地环境图像，并且已经使用YOLO格式进行了标注。数据集涵盖了四种不同的行为类别，包括摔倒、未佩戴安全帽、佩戴安全帽和吸烟。通过使用YOLOv5框架，可以有效地识别和分类这些工地行为。提供的预训练模型可以在实际应用中提供可靠的检测结果。

特点

1. 多样性:

   • 包含多种不同类型的工地环境图像，覆盖了常见的工地场景。
   • 图像采集自真实场景，具有较高的多样性和实用性。

2. 标注质量:

   • 图像采用高质量的标注，包括边界框和类别标签。
   • 提供YOLO格式的标注文件，方便在深度学习框架中使用。

3. 规模适中:

   • 9,580张图像的数据集规模适中，既足够训练模型，又不会导致过长的训练时间。

4. 可扩展性:

   • 数据集可以进行扩充，以增加更多图像数据，提高模型的泛化能力。

示例UI界面设计

如果您需要开发一个上位机软件来进行实时的工地行为检测，可以参考以下简单的Tkinter GUI示例：

import tkinter as tk
from tkinter import filedialog
from PIL import Image, ImageTk
import cv2
import torch
from ultralytics import YOLO

# 加载预训练模型
model = YOLO('construction_site_detection_model.pt')

def load_image():
    global image_path
    image_path = filedialog.askopenfilename()
    if image_path:
        image = Image.open(image_path)
        image = image.resize((640, 480))
        photo = ImageTk.PhotoImage(image)
        image_label.config(image=photo)
        image_label.image = photo

def detect_objects():
    if image_path:
        # 读取图像
        image = cv2.imread(image_path)
        results = model(image)

        # 绘制检测结果
        for result in results:
            boxes = result.boxes
            for box in boxes:
                x1, y1, x2, y2 = map(int, box.xyxy[0])
                label = model.names[int(box.cls)]
                confidence = float(box.conf)
                color = (0, 255, 0) if label == 'hardhat' else (0, 0, 255)  # 安全帽用绿色，其他用红色
                cv2.rectangle(image, (x1, y1), (x2, y2), color, 2)
                cv2.putText(image, f'{label} {confidence:.2f}', (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)

        # 显示检测结果
        image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
        image = Image.fromarray(image)
        image = image.resize((640, 480))
        photo = ImageTk.PhotoImage(image)
        image_label.config(image=photo)
        image_label.image = photo

# 创建主窗口
root = tk.Tk()
root.title("Construction Site Behavior Detection")

# 图像显示区域
image_label = tk.Label(root)
image_label.pack(pady=20)

# 按钮
load_button = tk.Button(root, text="Load Image", command=load_image)
load_button.pack(side=tk.LEFT, padx=10)

detect_button = tk.Button(root, text="Detect Objects", command=detect_objects)
detect_button.pack(side=tk.RIGHT, padx=10)

# 运行主循环
root.mainloop()

这个示例展示了如何使用Tkinter构建一个简单的GUI，允许用户加载图像并进行工地行为检测。您可以根据需要进一步扩展和完善这个界面，添加更多的功能和优化用户体验。

标签：训练,安全帽,image,YOLO,佩戴,工地,标注
From： https://blog.csdn.net/ALiLiLiYa/article/details/142867385