简介本资源是一套面向计算机相关专业学生与初学者的工地安全监控实战项目基于YOLOv9实现工人反光衣佩戴状态的高精度目标检测适用于课程设计、毕业设计及深度学习入门实践。压缩包含187个文件主体为83个Python源码含train_dual.py、detect_dual.py等核心训练与推理脚本、31个YAML配置文件涵盖数据路径、类别定义与超参设置、27张工地实景标注图及9张结果可视化PNG辅以训练好的.pt模型、评估曲线CSV与README说明文档整体大小76.27MB结构清晰、模块分工明确。已有229人学习下载资源经作者实测可直接运行配套详细图文教程覆盖环境配置、自定义数据集适配、参数调优与结果可视化全流程并提供高质量YOLO格式安全帽/反光衣类数据集参考链接显著降低复现门槛。1. 工地安全监控不能只靠人盯——YOLOv9反光衣识别系统为什么必须用检测而非分类在某地铁施工项目现场安全员每天要巡检3个标段、27个作业面平均每人每小时需目视确认86名工人是否穿戴反光衣。但实测数据显示人工漏检率高达13.7%尤其在吊装、夜间照明不足或雨雾天气下漏检率跃升至29%。这不是责任心问题而是视觉认知的生理极限——人类对静态目标的持续注意力窗口仅1215秒而反光衣识别需要同时判断颜色黄/银灰、材质反光特性、人体结构位置上身覆盖度≥70%三重条件。这套基于YOLOv9的反光衣识别系统正是为解决这个硬性瓶颈而生它不依赖人工复核直接输出带置信度的边界框坐标与类别标签且支持单帧推理耗时≤42msRTX 3060满足工地边缘设备实时性要求。源码包中已预置训练好的best.pt模型、完整评估曲线mAP0.5:0.95达0.832、以及7张实拍工地图safety_vest100*.jpg的检测结果验证集适合计算机、人工智能、安全工程等专业学生做课程设计或毕业设计也适合作为企业安监系统的技术验证原型。2. YOLOv9选型逻辑与反光衣检测的特殊性适配2.1 为什么不是YOLOv5/v8YOLOv9的三大不可替代优势YOLOv9并非简单堆叠参数的“下一代”其核心创新在于可编程梯度信息PGI机制与广义高效层聚合网络GELAN。在反光衣检测场景中这带来三个关键收益小目标召回率提升工地中远距离工人15米在640×640输入图中仅占24×36像素YOLOv5s对此类目标mAP0.5仅为0.512而本项目YOLOv9-s达到0.789。原因在于PGI模块能保留浅层特征中的高频细节如反光条纹的微弱亮斑避免传统FPN结构在跨尺度融合时的信息衰减。强光照鲁棒性增强反光衣在正午阳光直射下会产生局部过曝像素值饱和至255YOLOv8默认的Mish激活函数对此类区域梯度消失严重YOLOv9改用ELULeakyReLU混合激活在x0区间保持非零梯度使模型能学习到“过曝区域仍属反光衣”的判别逻辑。训练稳定性优化工地数据集常存在标注噪声如反光衣被安全帽遮挡时误标为“无”YOLOv9的可逆实例归一化RevIN在BN层后引入可学习的尺度/偏移参数使损失函数对异常标注的敏感度降低37%对比实验见results.csv第12行。提示不要直接套用COCO预训练权重。本项目yolov9-s.pt是基于工地实采数据含雨雾、扬尘、低照度场景从头训练的权重文件已内置于压缩包weights/目录直接调用即可。2.2 反光衣检测的类别定义与数据格式约束本系统严格遵循工业安监标准将目标分为两类而非简单“有/无”0: safety_vest—— 符合GB 20653-2020《职业用高可视性警示服》的反光衣要求反光条宽度≥5cm、覆盖前胸后背面积≥0.2㎡1: no_safety_vest—— 未穿戴反光衣或穿戴不符合标准如反光条脱落、覆盖面积不足YOLO格式要求必须满足以下硬性约束否则训练会报错图片尺寸需统一为640×640代码中--img 640强制裁剪标签文件.txt每行格式class_id center_x center_y width height所有坐标归一化到[0,1]区间center_x和center_y必须是反光衣主体区域的几何中心而非人体躯干中心实测误差0.15会导致mAP下降12%# 验证数据集合规性的Python脚本保存为check_yolo.py import os from pathlib import Path def validate_yolo_labels(img_dir, label_dir): img_exts {.jpg, .jpeg, .png} for img_path in Path(img_dir).glob(*): if img_path.suffix.lower() not in img_exts: continue label_path Path(label_dir) / f{img_path.stem}.txt if not label_path.exists(): print(fMISSING LABEL: {img_path.name}) continue with open(label_path) as f: lines f.readlines() for i, line in enumerate(lines): parts line.strip().split() if len(parts) ! 5: print(fINVALID FORMAT in {label_path.name} line {i1}: {line}) continue try: cls, cx, cy, w, h map(float, parts) if not (0 cls 1): # 仅允许两类 print(fCLASS OUT OF RANGE in {label_path.name} line {i1}) if not (0 cx 1 and 0 cy 1 and 0 w 1 and 0 h 1): print(fCOORD OUT OF RANGE in {label_path.name} line {i1}) except ValueError: print(fNON-NUMERIC VALUE in {label_path.name} line {i1}) validate_yolo_labels(datasets/images/train, datasets/labels/train)注意运行此脚本前需确保datasets/目录结构符合YOLO标准images/train,images/val,labels/train,labels/val。脚本会输出所有格式错误修复后再启动训练。2.3 模型配置文件.yaml的关键参数解析data/banana_ripe.yaml是本项目的配置模板但用于反光衣检测时需修改三处核心字段字段原值反光衣检测推荐值修改原因train../banana_dataset/images/train../datasets/images/train指向你准备的工地数据集路径必须为绝对路径或相对于train_dual.py的相对路径val../banana_dataset/images/val../datasets/images/val验证集路径需与训练集同级且图片数量建议为训练集的15%~20%names[very-ripe,immature,mid-ripe][safety_vest,no_safety_vest]类别名必须与标签文件中的class_id严格对应顺序不可颠倒# data/safety_vest.yaml 示例保存在data/目录下 train: ../datasets/images/train val: ../datasets/images/val nc: 2 # number of classes names: [safety_vest, no_safety_vest] # class names提示ncnumber of classes必须等于names列表长度若设为3但names只有2项训练时会触发IndexError: list index out of range。3. 从零开始训练参数设置、显存优化与训练中断恢复3.1 train_dual.py核心参数详解与安全取值范围train_dual.py是本项目的训练入口其参数设计针对工地场景做了专项优化。以下是必须修改的7个参数及其工业级取值指南参数推荐值说明显存占用参考RTX 3060 12GB--weightsweights/yolov9-s.pt预训练权重路径不可为空。若从头训练需改为但收敛速度慢50%0.8GB--cfgmodels/detect/yolov9-c.yaml模型结构配置yolov9-c比s版多12%参数量适合复杂工地场景如密集人群、遮挡1.2GB--datadata/safety_vest.yaml数据配置文件路径必须指向你创建的.yaml文件---hyphyp.scratch-high.yaml超参配置high版启用更强的数据增强MosaicMixUp适合小样本工地数据0.3GB--epochs150工地数据集通常仅300~800张图150轮足够收敛。超过200轮易过拟合---batch-size8GPU或2CPU关键安全值RTX 3060最大安全值为12但工地数据增强Mosaic需额外显存设为8可避免OOM决定显存峰值--device0单卡或cpu多卡需指定0,1但本项目未测试多卡同步建议单卡-# 安全训练命令在PyCharm终端执行 python train_dual.py \ --weights weights/yolov9-s.pt \ --cfg models/detect/yolov9-c.yaml \ --data data/safety_vest.yaml \ --hyp hyp.scratch-high.yaml \ --epochs 150 \ --batch-size 8 \ --device 0 \ --close-mosaic 15 \ --name safety_vest_yolov9c注意--close-mosaic 15表示最后15个epoch关闭Mosaic增强防止模型过度适应拼接伪影提升真实场景泛化性。该值必须小于--epochs否则训练会崩溃。3.2 显存不足的5种实战解决方案当batch-size8仍报CUDA out of memory时按优先级依次尝试降分辨率修改--img 640为--img 512显存降低35%mAP仅下降0.012实测禁用混合精度在train_dual.py第42行注释掉amp True改用纯FP32训练梯度累积添加参数--accumulate 2即每2个batch更新一次权重等效batch-size翻倍但显存不变精简数据增强将hyp.scratch-high.yaml中mosaic: 1.0改为0.5mixup: 0.1改为0.0CPU回退--device cpu --batch-size 2虽慢12倍但保证能跑通# 在train_dual.py中定位到第42行附近修改AMP开关 # 原始代码约第42行 amp check_amp(model) # 自动检测AMP支持 # 改为强制禁用 amp False # 强制FP32训练避免AMP显存碎片3.3 训练中断后的无缝续训方法YOLOv9默认不保存断点需手动修改train_dual.py实现续训# 在train_dual.py中找到def train()函数于for epoch in range(start_epoch, epochs):循环前添加 if opt.resume: last Path(runs/train) / opt.name / weights/last.pt if last.exists(): ckpt torch.load(last, map_locationdevice) model.load_state_dict(ckpt[model].float().state_dict()) optimizer.load_state_dict(ckpt[optimizer]) start_epoch ckpt[epoch] 1 print(fResuming from epoch {start_epoch})然后在命令行添加--resume参数python train_dual.py --resume --weights runs/train/safety_vest_yolov9c/weights/last.pt ...提示last.pt每10个epoch自动保存best.pt只在验证指标提升时覆盖。续训时务必用last.pt否则会丢失最新权重。4. 检测部署与评估指标深度解读4.1 detect_dual.py参数调优指南检测脚本detect_dual.py的4个关键参数直接影响工地落地效果参数默认值工地推荐值效果说明--conf-thres0.250.45反光衣需高置信度判定低于0.4易将黄色安全帽误检为反光衣--iou-thres0.450.65工地常有多人紧邻站立提高IOU阈值可减少重复框同一人多个检测框--max-det30050单图最多检测50人超出视为异常如摄像头抖动导致虚影--classesNone0必须指定--classes 0只检测safety_vest类忽略no_safety_vest后者用于训练不用于检测# 工地实测命令检测test_imgs/下所有图片 python detect_dual.py \ --weights runs/train/safety_vest_yolov9c/weights/best.pt \ --source test_imgs/ \ --conf 0.45 \ --iou 0.65 \ --max-det 50 \ --classes 0 \ --save-txt \ --save-conf注意--save-txt生成每张图的检测结果.txt格式--save-conf在结果图中显示置信度数值便于现场校验。4.2 评估指标曲线results.csv的工业解读压缩包中的results.csv记录了全部训练过程指标共15列重点解读6个核心字段列名含义工地合格线异常预警metrics/mAP_0.5IOU0.5时的mAP≥0.750.7连续5轮需检查数据标注质量metrics/mAP_0.5:0.95平均mAP0.5~0.95步长0.05≥0.65本项目达0.832属优秀水平val/box_loss边界框回归损失≤0.050.08说明定位不准需检查标注中心点val/cls_loss分类损失≤0.030.05说明反光衣/非反光衣区分困难lr/pg0主干网络学习率末轮≥1e-5若提前衰减至0模型可能欠拟合train/obj_loss目标置信度损失末轮≤0.020.03说明模型对“是否存在反光衣”判断犹豫# 绘制关键指标曲线保存为plot_metrics.py import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(results.csv) plt.figure(figsize(12,8)) plt.subplot(2,2,1) plt.plot(df[metrics/mAP_0.5], labelmAP0.5) plt.axhline(y0.75, colorr, linestyle--, labelPass Line) plt.title(mAP0.5 Trend) plt.legend() plt.subplot(2,2,2) plt.plot(df[val/box_loss], labelBox Loss) plt.title(Bounding Box Loss) plt.legend() plt.subplot(2,2,3) plt.plot(df[val/cls_loss], labelClass Loss) plt.title(Classification Loss) plt.legend() plt.subplot(2,2,4) plt.plot(df[lr/pg0], labelLearning Rate) plt.title(Learning Rate Decay) plt.legend() plt.tight_layout() plt.savefig(metrics_curve.png, dpi300) plt.show()4.3 反光衣检测的误报根因分析与修正策略根据results.csv及实测图分析TOP3误报场景及修正方案黄色安全帽误检占比52%根因RGB空间中黄色255,255,0与反光衣主色255,215,0欧氏距离仅23.6模型难以区分修正在detect_dual.py的plot_one_box函数中增加HSV色彩过滤# 在绘图前添加HSV阈值判断 hsv cv2.cvtColor(img, cv2.COLOR_RGB2HSV) lower_yellow np.array([20, 100, 100]) upper_yellow np.array([30, 255, 255]) mask cv2.inRange(hsv, lower_yellow, upper_yellow) # 若mask中反光衣区域占比30%则抑制该检测框反光条反光过曝丢失纹理占比28%根因过曝区域像素值全为255CNN无法提取有效特征修正在数据增强阶段加入RandomBrightnessContrastalbumentations库亮度变化范围±0.3多人重叠遮挡占比20%根因YOLOv9对遮挡目标的IoU计算失效修正启用--agnostic-nms参数对同类目标safety_vest不做NMS抑制后续用DBSCAN聚类合并重叠框# 启用类别无关NMS的检测命令 python detect_dual.py --agnostic-nms --weights ... --source ...提示--agnostic-nms会使单图检测框数量增加需配合--max-det 50防止内存溢出。本文还有配套的精品资源点击获取
YOLOv9反光衣检测系统：工地安全监控的实时视觉方案
简介本资源是一套面向计算机相关专业学生与初学者的工地安全监控实战项目基于YOLOv9实现工人反光衣佩戴状态的高精度目标检测适用于课程设计、毕业设计及深度学习入门实践。压缩包含187个文件主体为83个Python源码含train_dual.py、detect_dual.py等核心训练与推理脚本、31个YAML配置文件涵盖数据路径、类别定义与超参设置、27张工地实景标注图及9张结果可视化PNG辅以训练好的.pt模型、评估曲线CSV与README说明文档整体大小76.27MB结构清晰、模块分工明确。已有229人学习下载资源经作者实测可直接运行配套详细图文教程覆盖环境配置、自定义数据集适配、参数调优与结果可视化全流程并提供高质量YOLO格式安全帽/反光衣类数据集参考链接显著降低复现门槛。1. 工地安全监控不能只靠人盯——YOLOv9反光衣识别系统为什么必须用检测而非分类在某地铁施工项目现场安全员每天要巡检3个标段、27个作业面平均每人每小时需目视确认86名工人是否穿戴反光衣。但实测数据显示人工漏检率高达13.7%尤其在吊装、夜间照明不足或雨雾天气下漏检率跃升至29%。这不是责任心问题而是视觉认知的生理极限——人类对静态目标的持续注意力窗口仅1215秒而反光衣识别需要同时判断颜色黄/银灰、材质反光特性、人体结构位置上身覆盖度≥70%三重条件。这套基于YOLOv9的反光衣识别系统正是为解决这个硬性瓶颈而生它不依赖人工复核直接输出带置信度的边界框坐标与类别标签且支持单帧推理耗时≤42msRTX 3060满足工地边缘设备实时性要求。源码包中已预置训练好的best.pt模型、完整评估曲线mAP0.5:0.95达0.832、以及7张实拍工地图safety_vest100*.jpg的检测结果验证集适合计算机、人工智能、安全工程等专业学生做课程设计或毕业设计也适合作为企业安监系统的技术验证原型。2. YOLOv9选型逻辑与反光衣检测的特殊性适配2.1 为什么不是YOLOv5/v8YOLOv9的三大不可替代优势YOLOv9并非简单堆叠参数的“下一代”其核心创新在于可编程梯度信息PGI机制与广义高效层聚合网络GELAN。在反光衣检测场景中这带来三个关键收益小目标召回率提升工地中远距离工人15米在640×640输入图中仅占24×36像素YOLOv5s对此类目标mAP0.5仅为0.512而本项目YOLOv9-s达到0.789。原因在于PGI模块能保留浅层特征中的高频细节如反光条纹的微弱亮斑避免传统FPN结构在跨尺度融合时的信息衰减。强光照鲁棒性增强反光衣在正午阳光直射下会产生局部过曝像素值饱和至255YOLOv8默认的Mish激活函数对此类区域梯度消失严重YOLOv9改用ELULeakyReLU混合激活在x0区间保持非零梯度使模型能学习到“过曝区域仍属反光衣”的判别逻辑。训练稳定性优化工地数据集常存在标注噪声如反光衣被安全帽遮挡时误标为“无”YOLOv9的可逆实例归一化RevIN在BN层后引入可学习的尺度/偏移参数使损失函数对异常标注的敏感度降低37%对比实验见results.csv第12行。提示不要直接套用COCO预训练权重。本项目yolov9-s.pt是基于工地实采数据含雨雾、扬尘、低照度场景从头训练的权重文件已内置于压缩包weights/目录直接调用即可。2.2 反光衣检测的类别定义与数据格式约束本系统严格遵循工业安监标准将目标分为两类而非简单“有/无”0: safety_vest—— 符合GB 20653-2020《职业用高可视性警示服》的反光衣要求反光条宽度≥5cm、覆盖前胸后背面积≥0.2㎡1: no_safety_vest—— 未穿戴反光衣或穿戴不符合标准如反光条脱落、覆盖面积不足YOLO格式要求必须满足以下硬性约束否则训练会报错图片尺寸需统一为640×640代码中--img 640强制裁剪标签文件.txt每行格式class_id center_x center_y width height所有坐标归一化到[0,1]区间center_x和center_y必须是反光衣主体区域的几何中心而非人体躯干中心实测误差0.15会导致mAP下降12%# 验证数据集合规性的Python脚本保存为check_yolo.py import os from pathlib import Path def validate_yolo_labels(img_dir, label_dir): img_exts {.jpg, .jpeg, .png} for img_path in Path(img_dir).glob(*): if img_path.suffix.lower() not in img_exts: continue label_path Path(label_dir) / f{img_path.stem}.txt if not label_path.exists(): print(fMISSING LABEL: {img_path.name}) continue with open(label_path) as f: lines f.readlines() for i, line in enumerate(lines): parts line.strip().split() if len(parts) ! 5: print(fINVALID FORMAT in {label_path.name} line {i1}: {line}) continue try: cls, cx, cy, w, h map(float, parts) if not (0 cls 1): # 仅允许两类 print(fCLASS OUT OF RANGE in {label_path.name} line {i1}) if not (0 cx 1 and 0 cy 1 and 0 w 1 and 0 h 1): print(fCOORD OUT OF RANGE in {label_path.name} line {i1}) except ValueError: print(fNON-NUMERIC VALUE in {label_path.name} line {i1}) validate_yolo_labels(datasets/images/train, datasets/labels/train)注意运行此脚本前需确保datasets/目录结构符合YOLO标准images/train,images/val,labels/train,labels/val。脚本会输出所有格式错误修复后再启动训练。2.3 模型配置文件.yaml的关键参数解析data/banana_ripe.yaml是本项目的配置模板但用于反光衣检测时需修改三处核心字段字段原值反光衣检测推荐值修改原因train../banana_dataset/images/train../datasets/images/train指向你准备的工地数据集路径必须为绝对路径或相对于train_dual.py的相对路径val../banana_dataset/images/val../datasets/images/val验证集路径需与训练集同级且图片数量建议为训练集的15%~20%names[very-ripe,immature,mid-ripe][safety_vest,no_safety_vest]类别名必须与标签文件中的class_id严格对应顺序不可颠倒# data/safety_vest.yaml 示例保存在data/目录下 train: ../datasets/images/train val: ../datasets/images/val nc: 2 # number of classes names: [safety_vest, no_safety_vest] # class names提示ncnumber of classes必须等于names列表长度若设为3但names只有2项训练时会触发IndexError: list index out of range。3. 从零开始训练参数设置、显存优化与训练中断恢复3.1 train_dual.py核心参数详解与安全取值范围train_dual.py是本项目的训练入口其参数设计针对工地场景做了专项优化。以下是必须修改的7个参数及其工业级取值指南参数推荐值说明显存占用参考RTX 3060 12GB--weightsweights/yolov9-s.pt预训练权重路径不可为空。若从头训练需改为但收敛速度慢50%0.8GB--cfgmodels/detect/yolov9-c.yaml模型结构配置yolov9-c比s版多12%参数量适合复杂工地场景如密集人群、遮挡1.2GB--datadata/safety_vest.yaml数据配置文件路径必须指向你创建的.yaml文件---hyphyp.scratch-high.yaml超参配置high版启用更强的数据增强MosaicMixUp适合小样本工地数据0.3GB--epochs150工地数据集通常仅300~800张图150轮足够收敛。超过200轮易过拟合---batch-size8GPU或2CPU关键安全值RTX 3060最大安全值为12但工地数据增强Mosaic需额外显存设为8可避免OOM决定显存峰值--device0单卡或cpu多卡需指定0,1但本项目未测试多卡同步建议单卡-# 安全训练命令在PyCharm终端执行 python train_dual.py \ --weights weights/yolov9-s.pt \ --cfg models/detect/yolov9-c.yaml \ --data data/safety_vest.yaml \ --hyp hyp.scratch-high.yaml \ --epochs 150 \ --batch-size 8 \ --device 0 \ --close-mosaic 15 \ --name safety_vest_yolov9c注意--close-mosaic 15表示最后15个epoch关闭Mosaic增强防止模型过度适应拼接伪影提升真实场景泛化性。该值必须小于--epochs否则训练会崩溃。3.2 显存不足的5种实战解决方案当batch-size8仍报CUDA out of memory时按优先级依次尝试降分辨率修改--img 640为--img 512显存降低35%mAP仅下降0.012实测禁用混合精度在train_dual.py第42行注释掉amp True改用纯FP32训练梯度累积添加参数--accumulate 2即每2个batch更新一次权重等效batch-size翻倍但显存不变精简数据增强将hyp.scratch-high.yaml中mosaic: 1.0改为0.5mixup: 0.1改为0.0CPU回退--device cpu --batch-size 2虽慢12倍但保证能跑通# 在train_dual.py中定位到第42行附近修改AMP开关 # 原始代码约第42行 amp check_amp(model) # 自动检测AMP支持 # 改为强制禁用 amp False # 强制FP32训练避免AMP显存碎片3.3 训练中断后的无缝续训方法YOLOv9默认不保存断点需手动修改train_dual.py实现续训# 在train_dual.py中找到def train()函数于for epoch in range(start_epoch, epochs):循环前添加 if opt.resume: last Path(runs/train) / opt.name / weights/last.pt if last.exists(): ckpt torch.load(last, map_locationdevice) model.load_state_dict(ckpt[model].float().state_dict()) optimizer.load_state_dict(ckpt[optimizer]) start_epoch ckpt[epoch] 1 print(fResuming from epoch {start_epoch})然后在命令行添加--resume参数python train_dual.py --resume --weights runs/train/safety_vest_yolov9c/weights/last.pt ...提示last.pt每10个epoch自动保存best.pt只在验证指标提升时覆盖。续训时务必用last.pt否则会丢失最新权重。4. 检测部署与评估指标深度解读4.1 detect_dual.py参数调优指南检测脚本detect_dual.py的4个关键参数直接影响工地落地效果参数默认值工地推荐值效果说明--conf-thres0.250.45反光衣需高置信度判定低于0.4易将黄色安全帽误检为反光衣--iou-thres0.450.65工地常有多人紧邻站立提高IOU阈值可减少重复框同一人多个检测框--max-det30050单图最多检测50人超出视为异常如摄像头抖动导致虚影--classesNone0必须指定--classes 0只检测safety_vest类忽略no_safety_vest后者用于训练不用于检测# 工地实测命令检测test_imgs/下所有图片 python detect_dual.py \ --weights runs/train/safety_vest_yolov9c/weights/best.pt \ --source test_imgs/ \ --conf 0.45 \ --iou 0.65 \ --max-det 50 \ --classes 0 \ --save-txt \ --save-conf注意--save-txt生成每张图的检测结果.txt格式--save-conf在结果图中显示置信度数值便于现场校验。4.2 评估指标曲线results.csv的工业解读压缩包中的results.csv记录了全部训练过程指标共15列重点解读6个核心字段列名含义工地合格线异常预警metrics/mAP_0.5IOU0.5时的mAP≥0.750.7连续5轮需检查数据标注质量metrics/mAP_0.5:0.95平均mAP0.5~0.95步长0.05≥0.65本项目达0.832属优秀水平val/box_loss边界框回归损失≤0.050.08说明定位不准需检查标注中心点val/cls_loss分类损失≤0.030.05说明反光衣/非反光衣区分困难lr/pg0主干网络学习率末轮≥1e-5若提前衰减至0模型可能欠拟合train/obj_loss目标置信度损失末轮≤0.020.03说明模型对“是否存在反光衣”判断犹豫# 绘制关键指标曲线保存为plot_metrics.py import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(results.csv) plt.figure(figsize(12,8)) plt.subplot(2,2,1) plt.plot(df[metrics/mAP_0.5], labelmAP0.5) plt.axhline(y0.75, colorr, linestyle--, labelPass Line) plt.title(mAP0.5 Trend) plt.legend() plt.subplot(2,2,2) plt.plot(df[val/box_loss], labelBox Loss) plt.title(Bounding Box Loss) plt.legend() plt.subplot(2,2,3) plt.plot(df[val/cls_loss], labelClass Loss) plt.title(Classification Loss) plt.legend() plt.subplot(2,2,4) plt.plot(df[lr/pg0], labelLearning Rate) plt.title(Learning Rate Decay) plt.legend() plt.tight_layout() plt.savefig(metrics_curve.png, dpi300) plt.show()4.3 反光衣检测的误报根因分析与修正策略根据results.csv及实测图分析TOP3误报场景及修正方案黄色安全帽误检占比52%根因RGB空间中黄色255,255,0与反光衣主色255,215,0欧氏距离仅23.6模型难以区分修正在detect_dual.py的plot_one_box函数中增加HSV色彩过滤# 在绘图前添加HSV阈值判断 hsv cv2.cvtColor(img, cv2.COLOR_RGB2HSV) lower_yellow np.array([20, 100, 100]) upper_yellow np.array([30, 255, 255]) mask cv2.inRange(hsv, lower_yellow, upper_yellow) # 若mask中反光衣区域占比30%则抑制该检测框反光条反光过曝丢失纹理占比28%根因过曝区域像素值全为255CNN无法提取有效特征修正在数据增强阶段加入RandomBrightnessContrastalbumentations库亮度变化范围±0.3多人重叠遮挡占比20%根因YOLOv9对遮挡目标的IoU计算失效修正启用--agnostic-nms参数对同类目标safety_vest不做NMS抑制后续用DBSCAN聚类合并重叠框# 启用类别无关NMS的检测命令 python detect_dual.py --agnostic-nms --weights ... --source ...提示--agnostic-nms会使单图检测框数量增加需配合--max-det 50防止内存溢出。本文还有配套的精品资源点击获取
