工业和建筑工地 安全帽-安全带识别数据集 yolo数据集 共2200张 已增强 标注

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 ETdef 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').textbbox = 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, annotationsdef 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 ETdef 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'):continuetree = ET.parse(os.path.join(xml_dir, xml_file))root = tree.getroot()image_name = root.find('filename').textimage_path = os.path.join(img_dir, image_name)image = Image.open(image_path)width, height = image.sizeyolo_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').textclass_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 / widthy_center = (ymin + ymax) / 2.0 / heightbox_width = (xmax - xmin) / widthbox_height = (ymax - ymin) / heightf.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：

1. 安装 YOLOv5：

   git clone https://github.com/ultralytics/yolov5
   cd yolov5
   pip install -r requirements.txt

2. 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']

3. 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）。

4. 训练模型：

   python train.py --img 640 --batch 16 --epochs 50 --data safety_equipment.yaml --weights yolov5s.pt

5. 评估模型：

   python val.py --img 640 --batch 16 --data safety_equipment.yaml --weights runs/train/exp/weights/best.pt

6. 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！