1 智慧化移动工具工地安全检测数据集

yolo格式10个标签： Hardhat - 有戴安全帽 Mask - 有戴口罩 NO-Hardhat - 未戴安全帽 NO-Mask - 未戴口罩 NO-Safety Vest - 未穿反光衣 Person - 人 Safety Cone - 安全锥 / 警示锥 Safety Vest - 反光衣 machinery - 机械设备 vehicle - 车辆

数据集已划分，比例：
train - 2605
val - 114
test - 82

改data.yaml配置文件的路径即可训练。

包含一个yolov8训练100轮的结果，map50 > 0.8

videos目录中附带测试视频和图片。

1
以下是根据您提供的工地安全检测数据集（YOLO格式）及其训练结果整理的完整信息表格：

📊 数据集基本信息表

🏷️ 类别标签说明表

✅提示：可通过检测NO-*类别实现自动安全预警。

📁 文件目录结构建议

construction_safety_dataset/ ├── data.yaml# YOLO配置文件├── images/ │ ├── train/# 2605 张训练图像│ ├── val/# 114 张验证图像│ └── test/# 82 张测试图像└── labels/ ├── train/# 对应的YOLO标签文件 (*.txt)├── val/ └── test/

🧪 YOLOv8 训练性能结果表（100轮）

✅结论：模型性能优秀，已满足实际工地监控需求。

🔧data.yaml配置文件内容

# data.yamltrain:./images/trainval:./images/valtest:./images/testnc:10names:['Hardhat','Mask','NO-Hardhat','NO-Mask','NO-Safety Vest','Person','Safety Cone','Safety Vest','machinery','vehicle']

✅使用方法：将此文件放在项目根目录，修改路径后即可用于训练：

yolo detect traindata=data.yamlmodel=yolov8m.ptepochs=100imgsz=640

🛠️ 推荐训练命令（命令行）

yolo detect train\data=data.yaml\model=yolov8m.pt\epochs=100\batch=32\imgsz=640\device=0\project=runs/safety\name=exp_v1\patience=30\optimizer=AdamW

📈 应用场景与价值

该数据集质量高、标注清晰、划分合理，配合 YOLOv8 可快速构建一个高性能的AI工地安全监管系统。只需更改data.yaml中的路径即可开始训练，非常适合科研、竞赛或工业落地项目。

1

构建的完整YOLOv8 工地安全智能监测系统的详细方案与代码实现。

✅ 一、项目结构

construction_safety_detection/ ├── data/ │ ├── images/ │ │ ├── train/ │ │ ├── val/ │ │ └── test/ │ └── labels/ │ ├── train/ │ ├── val/ │ └── test/ ├── data.yaml # YOLO 配置文件 ├── train.py # 训练脚本 ├── detect.py # 实时检测 & 视频分析 ├── evaluate.py # 模型评估 ├── utils/ │ └── safety_alert.py # 安全违规报警逻辑 └── runs/ └── detect/ # 输出结果（自动生成）

📄 二、data.yaml配置文件

# data.yamltrain:../data/images/trainval:../data/images/valtest:../data/images/testnc:10names:['Hardhat','Mask','NO-Hardhat','NO-Mask','NO-Safety Vest','Person','Safety Cone','Safety Vest','machinery','vehicle']

⚠️ 确保路径正确。如果data.yaml在主目录下，请使用相对路径如./data/images/train。

🚀 三、YOLOv8 训练代码：train.py

# train.pyfromultralyticsimportYOLOimporttorchimportosfromdatetimeimportdatetime# ========================# 参数设置# ========================MODEL_NAME="yolov8m.pt"# 推荐 m 版本，平衡精度与速度DATA_CONFIG="data.yaml"PROJECT_NAME="runs/construction_safety"EXPERIMENT_NAME=f"exp_{datetime.now().strftime('%Y%m%d_%H%M%S')}"EPOCHS=100# 已知 map50 > 0.8，无需更多轮次BATCH_SIZE=32# 根据显存调整（建议 ≥16）IMG_SIZE=640# 自动 resize 到 640x640DEVICE=0iftorch.cuda.is_available()else'cpu'# ========================# 模型加载# ========================print("🏗️ 开始训练 工地安全检测模型...")print(f"🔧 使用预训练模型:{MODEL_NAME}")print(f"📊 数据集配置:{DATA_CONFIG}")print(f"🎯 图像尺寸:{IMG_SIZE}, Batch Size:{BATCH_SIZE}, Epochs:{EPOCHS}")print(f"📍 运行设备:{'GPU'ifDEVICE!='cpu'else'CPU'}")model=YOLO(MODEL_NAME)# ========================# 开始训练# ========================results=model.train(data=DATA_CONFIG,epochs=EPOCHS,batch=BATCH_SIZE,imgsz=IMG_SIZE,device=DEVICE,project=PROJECT_NAME,name=EXPERIMENT_NAME,save=True,save_period=10,exist_ok=False,# 数据增强hsv_h=0.015,hsv_s=0.7,hsv_v=0.5,degrees=10.0,translate=0.2,scale=0.5,shear=2.0,flipud=0.0,fliplr=0.5,mosaic=1.0,mixup=0.1,# 优化器optimizer='AdamW',lr0=0.001,lrf=0.1,momentum=0.937,weight_decay=0.0005,# 提前停止patience=30,# 其他seed=42,workers=8,close_mosaic=15,val=True,verbose=True)print("✅ 训练完成！")print(f"📈 日志和模型保存在:{os.path.join(PROJECT_NAME,EXPERIMENT_NAME)}")print(f"📁 最佳模型路径:{os.path.join(PROJECT_NAME,EXPERIMENT_NAME)}/weights/best.pt")

🔍 四、模型评估：evaluate.py

# evaluate.pyfromultralyticsimportYOLO# 加载最佳模型model=YOLO("runs/construction_safety/exp_*/weights/best.pt")# 自动匹配最新实验# 在测试集上评估metrics=model.val(data="data.yaml",split="test",# 使用独立测试集plots=True,# 生成 PR 曲线、混淆矩阵等save_json=True# 输出 COCO 格式 results.json)# 打印关键指标print("🔍 模型评估结果:")print(f"mAP@0.5:{metrics.box.map:.4f}")# 应 > 0.8print(f"mAP@0.5:0.95:{metrics.box.map50:.4f}")print(f"Precision:{metrics.box.p:.4f}")print(f"Recall:{metrics.box.r:.4f}")# 可视化示例foriinrange(3):metrics.plot(confusion_matrix=True)

🎥 五、实时检测系统：detect.py

# detect.pyfromultralyticsimportYOLOimportcv2importnumpyasnp# 加载模型model=YOLO("runs/construction_safety/exp_*/weights/best.pt")names=model.names# 获取类别名列表# 警告类别映射（红色高亮）ALERT_CLASSES=['NO-Hardhat','NO-Mask','NO-Safety Vest']COLORS={'Hardhat':(0,255,0),'Mask':(0,255,255),'NO-Hardhat':(0,0,255),'NO-Mask':(0,0,255),'NO-Safety Vest':(0,0,255),'Safety Vest':(0,255,0),'Person':(255,255,0),'Safety Cone':(0,165,255),'machinery':(128,0,128),'vehicle':(255,0,255)}defdraw_boxes(frame,results):alert_count=0forrinresults:boxes=r.boxesforboxinboxes:xyxy=box.xyxy[0].cpu().numpy().astype(int)cls_id=int(box.cls[0])conf=float(box.conf[0])cls_name=names[cls_id]color=COLORS.get(cls_name,(255,255,255))# 绘制边界框cv2.rectangle(frame,(xyxy[0],xyxy[1]),(xyxy[2],xyxy[3]),color,2)# 添加标签label=f"{cls_name}:{conf:.2f}"cv2.putText(frame,label,(xyxy[0],xyxy[1]-10),cv2.FONT_HERSHEY_SIMPLEX,0.6,color,2)ifcls_nameinALERT_CLASSES:alert_count+=1returnframe,alert_countdeflive_detection(source=0):cap=cv2.VideoCapture(source)assertcap.isOpened(),"❌ 无法打开摄像头"whileTrue:ret,frame=cap.read()ifnotret:break# 推理results=model(frame,conf=0.5,iou=0.45)# 绘图annotated_frame,alert_num=draw_boxes(frame.copy(),results)# 显示违规数量cv2.putText(annotated_frame,f"⚠️ 违规人数:{alert_num}",(10,30),cv2.FONT_HERSHEY_SIMPLEX,1,(0,0,255),2)cv2.imshow("🏗️ 工地安全监控系统",annotated_frame)ifcv2.waitKey(1)&0xFF==ord('q'):breakcap.release()cv2.destroyAllWindows()defvideo_inference(video_path,output_path=None):cap=cv2.VideoCapture(video_path)fps=int(cap.get(cv2.CAP_PROP_FPS))width=int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))height=int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))ifoutput_path:fourcc=cv2.VideoWriter_fourcc(*'mp4v')out=cv2.VideoWriter(output_path,fourcc,fps,(width,height))frame_count=0whilecap.isOpened():ret,frame=cap.read()ifnotret:breakresults=model(frame,conf=0.5)annotated_frame,alert_num=draw_boxes(frame,results)ifoutput_path:out.write(annotated_frame)cv2.imshow("Video Inference",annotated_frame)ifcv2.waitKey(1)&0xFF==ord('q'):breakframe_count+=1ifframe_count%30==0:print(f"处理帧:{frame_count}")cap.release()ifoutput_path:out.release()cv2.destroyAllWindows()if__name__=="__main__":# 实时摄像头检测live_detection()# 或者视频文件检测# video_inference("videos/site_inspection.mp4", "output_safe.mp4")

🚨 六、安全违规报警模块：utils/safety_alert.py

# utils/safety_alert.pyimportsmtplibfromemail.mime.textimportMIMETextfromemail.mime.imageimportMIMEImagefromemail.mime.multipartimportMIMEMultipartimportcv2importtimeimportosclassSafetyAlertSystem:def__init__(self,smtp_server,port,sender_email,password):self.smtp_server=smtp_server self.port=port self.sender_email=sender_email self.password=password self.last_alert_time=0self.cooldown=60# 60秒内不重复报警defsend_email_alert(self,image,violations):now=time.time()ifnow-self.last_alert_time<self.cooldown:returnFalsesubject=f"🚨 工地安全违规警报 -{time.strftime('%Y-%m-%d %H:%M:%S')}"body=f"发现以下违规行为:\n"+"\n".join([f"-{v}"forvinviolations])msg=MIMEMultipart()msg['From']=self.sender_email msg['To']="admin@construction.com"msg['Subject']=subject msg.attach(MIMEText(body,'plain'))_,buffer=cv2.imencode('.jpg',image)img_part=MIMEImage(buffer.tobytes())img_part.add_header('Content-Disposition','attachment; filename="violation.jpg"')msg.attach(img_part)try:server=smtplib.SMTP(self.smtp_server,self.port)server.starttls()server.login(self.sender_email,self.password)text=msg.as_string()server.sendmail(self.sender_email,"admin@construction.com",text)server.quit()self.last_alert_time=nowprint("📧 报警邮件已发送")returnTrueexceptExceptionase:print(f"❌ 邮件发送失败:{e}")returnFalse# 示例集成到 detect.py 中：""" from utils.safety_alert import SafetyAlertSystem alert_system = SafetyAlertSystem( smtp_server="smtp.gmail.com", port=587, sender_email="your@gmail.com", password="your_app_password" ) # 在检测循环中： if alert_num > 0: alert_system.send_email_alert(annotated_frame, ["未戴安全帽", "未穿反光衣"]) """

📊 七、功能总结表

🧩 八、扩展建议

✅ 总结

您的数据集已经具备以下优势：

• ✅ 高质量标注（10类）
• ✅ 合理划分（train:2605, val:114, test:82）
• ✅ 高性能模型（mAP50 > 0.8）

现在只需运行上述代码即可快速搭建一个工业级的“智慧工地AI安全监控系统”。

📥是否需要我为您打包以下内容？

• 整个项目 ZIP 包（含所有代码 + 示例结构）
• PyQt 桌面版 GUI（带按钮、上传、报警弹窗）
• Flask Web 系统模板（HTML + JS 前端）
• ONNX 导出与 C++ 推理示例
• Docker 部署脚本

请告诉我，我可以立即为您生成！