安全帽-安全带识别数据集 yolo数据集 共2200张 已增强
安全帽检测与安全带识别数据集
图像数量：2,200张
增强后标注数量：
- belt（安全带）：3,197个
- head（头部）：326个
- helmet（安全帽）：3,171个
- person（人员）：3,912个
- vest（反光背心）：920个
用途：该数据集专为工业和建筑工地的安全监测任务设计，适用于安全帽佩戴、安全带使用以及反光背心穿戴的检测。通过使用YOLO（You Only Look Once）等目标检测模型，可以实现实时的安全装备检测和分类。
数据集特点
- 多类别：涵盖五种主要的安全装备类型：安全带、头部、安全帽、人员和反光背心，分别用不同的标签进行标注。
- 高质量标注：所有标注均为人工标注，并经过数据增强处理，确保了标注的准确性和多样性。
- 实际应用场景：数据来源于真实的工业和建筑工地场景，具有很高的实用价值。
- 数据增强：通过数据增强技术（如旋转、缩放、亮度调整等），增加了数据的多样性和鲁棒性。
- 大规模：包含2,200张高分辨率图像，提供了丰富的训练数据。
应用领域
- 工业安全：实时检测工人是否佩戴安全帽、系好安全带及穿戴反光背心，提高工作现场的安全性。
- 自动化监控：结合自动化系统，实现对施工现场的持续监控和异常报警。
- 合规管理：辅助管理人员快速定位和处理未按规定佩戴安全装备的情况，确保符合安全标准。
- 数据分析：通过数据分析，提供关于安全装备佩戴情况的统计报告，支持决策制定。
获取方式
通常情况下，研究人员可以通过官方提供的链接或相关机构网站下载该数据集。请注意，使用时应遵循相应的许可协议和引用要求。
关键代码示例
1. 下载数据集
假设我们已经有了数据集的下载链接，可以使用 Python 的 requests 库来下载数据集：
import requests
import os
# 定义下载链接和保存路径
url = 'http://example.com/path/to/safety_equipment_detection_dataset.zip' # 替换为实际的下载链接
save_path = './safety_equipment_detection_dataset.zip'
# 检查是否已经下载过
if not os.path.exists(save_path):
print("Downloading dataset...")
response = requests.get(url, stream=True)
with open(save_path, 'wb') as f:
for chunk in response.iter_content(chunk_size=8192):
if chunk:
f.write(chunk)
print("Download complete.")
else:
print("Dataset already exists.")
# 解压数据集
import zipfile
with zipfile.ZipFile(save_path, 'r') as zip_ref:
zip_ref.extractall('./safety_equipment_detection_dataset')2. 加载和显示图像及其标注
以下是一个加载和显示图像及其标注框的示例：
import matplotlib.pyplot as plt
import numpy as np
from PIL import Image
import xml.etree.ElementTree as ET
def load_image_and_annotations(image_path, annotation_path):
image = Image.open(image_path).convert("RGB")
tree = ET.parse(annotation_path)
root = tree.getroot()
annotations = []
for obj in root.findall('object'):
name = obj.find('name').text
bbox = obj.find('bndbox')
xmin = int(bbox.find('xmin').text)
ymin = int(bbox.find('ymin').text)
xmax = int(bbox.find('xmax').text)
ymax = int(bbox.find('ymax').text)
annotations.append((name, (xmin, ymin, xmax, ymax)))
return image, annotations
def display_image_with_annotations(image, annotations):
fig, ax = plt.subplots(1, figsize=(10, 10))
ax.imshow(image)
for name, (xmin, ymin, xmax, ymax) in annotations:
rect = plt.Rectangle((xmin, ymin), xmax - xmin, ymax - ymin, fill=False, edgecolor='red', linewidth=2)
ax.add_patch(rect)
ax.text(xmin, ymin, name, fontsize=12, color='white', bbox=dict(facecolor='red', alpha=0.5))
plt.axis('off')
plt.show()
# 示例路径
image_path = './safety_equipment_detection_dataset/images/image_0001.jpg'
annotation_path = './safety_equipment_detection_dataset/annotations/image_0001.xml'
image, annotations = load_image_and_annotations(image_path, annotation_path)
display_image_with_annotations(image, annotations)3. 创建 YOLO 格式的数据集
YOLO 模型需要特定格式的数据集，通常包括图像文件和对应的标注文件（.txt 格式）。以下是一个将 XML 标注转换为 YOLO 格式的示例：
import os
import xml.etree.ElementTree as ET
def convert_to_yolo_format(xml_dir, img_dir, yolo_dir, classes):
os.makedirs(yolo_dir, exist_ok=True)
for xml_file in os.listdir(xml_dir):
if not xml_file.endswith('.xml'):
continue
tree = ET.parse(os.path.join(xml_dir, xml_file))
root = tree.getroot()
image_name = root.find('filename').text
image_path = os.path.join(img_dir, image_name)
image = Image.open(image_path)
width, height = image.size
yolo_file = os.path.splitext(xml_file)[0] + '.txt'
yolo_path = os.path.join(yolo_dir, yolo_file)
with open(yolo_path, 'w') as f:
for obj in root.findall('object'):
name = obj.find('name').text
class_id = classes.index(name)
bbox = obj.find('bndbox')
xmin = int(bbox.find('xmin').text)
ymin = int(bbox.find('ymin').text)
xmax = int(bbox.find('xmax').text)
ymax = int(bbox.find('ymax').text)
x_center = (xmin + xmax) / 2.0 / width
y_center = (ymin + ymax) / 2.0 / height
box_width = (xmax - xmin) / width
box_height = (ymax - ymin) / height
f.write(f"{class_id} {x_center} {y_center} {box_width} {box_height}\n")
# 定义类名
classes = ['belt', 'head', 'helmet', 'person', 'vest']
# 转换标注文件
convert_to_yolo_format(
xml_dir='./safety_equipment_detection_dataset/annotations',
img_dir='./safety_equipment_detection_dataset/images',
yolo_dir='./safety_equipment_detection_dataset/yolo_annotations',
classes=classes
)4. 使用 YOLOv5 进行目标检测
以下是一个使用 YOLOv5 进行目标检测的简单示例：
-
安装 YOLOv5：
git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt -
准备配置文件： 在
yolov5/data目录下创建一个配置文件safety_equipment.yaml，内容如下：train: ./safety_equipment_detection_dataset/images/train val: ./safety_equipment_detection_dataset/images/val nc: 5 names: ['belt', 'head', 'helmet', 'person', 'vest'] -
划分数据集： 将数据集划分为训练集和验证集（例如，80% 训练集，20% 验证集）。
-
训练模型：
python train.py --img 640 --batch 16 --epochs 50 --data safety_equipment.yaml --weights yolov5s.pt -
评估模型：
python val.py --img 640 --batch 16 --data safety_equipment.yaml --weights runs/train/exp/weights/best.pt -
推理和可视化：
from yolov5 import detect # 加载模型 model = torch.hub.load('ultralytics/yolov5', 'custom', path='runs/train/exp/weights/best.pt') # 推理单张图片 results = model(image_path) # 显示结果 results.show()
通过上述步骤，您将拥有一个完整的安全帽检测与安全带识别系统，包括数据集、预训练模型和相关的训练流程。希望这些代码能帮助您更好地利用该数据集！
