基于YOLOv8的有无戴安全帽检测识别项目

项目摘要

本项目集成了 YOLOv8 安全帽检测模型 与 PyQt5 图形界面工具，实现了包括图片、文件夹、视频与摄像头等多种输入方式的自动识别功能。配套完整源码与训练流程说明，让你开箱即用、快速部署自己的安全帽检测系统。适用于建筑工地、工厂车间、实验室等对人员安全有严格要求的场所。

前言

在工业场景与施工现场中，佩戴安全帽是保障人员人身安全的基本措施。然而，人工巡查耗时低效且难以全面覆盖。借助深度学习目标检测模型，结合摄像头监控或图片采集设备，我们可以构建自动化安全帽识别系统，大幅提升安全管理水平。

本项目以轻量化、开源、可部署为目标，基于 YOLOv8模型 实现安全帽目标检测，支持“未佩戴”和“已佩戴”两类目标识别，配合 PyQt5界面交互，适合在实际项目中快速落地应用。

一、软件核心功能介绍及效果演示

1.1 模型检测效果

使用YOLOv8进行训练后，模型对两类目标（佩戴 / 未佩戴安全帽）识别精准、响应快速：

• 检测精度：mAP@0.5 达到 90%以上
• 响应速度：GPU实时检测速度可达 30 FPS+
• 适配场景：复杂工地、多人重叠、角度变化等情况均可识别

1.2 图形界面功能（PyQt5）

主界面功能一览：

二、软件效果演示

为了直观展示本系统基于 YOLOv8 模型的检测能力，我们设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。

（1）单图片检测演示

用户点击“选择图片”，即可加载本地图像并执行检测：

（2）多文件夹图片检测演示

用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。

（3）视频检测演示

支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：

（4）摄像头检测演示

实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。由于原理和视频检测相同，就不重复演示了。

（5）保存图片与视频检测结果

用户可通过按钮勾选是否保存检测结果，所有检测图像自动加框标注并保存至指定文件夹，支持后续数据分析与复审。

三、模型的训练、评估与推理

YOLOv8是Ultralytics公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如CIoU、TaskAlignedAssigner）与Anchor-Free策略，在COCO等数据集上表现优异。
其核心优势如下：

• 高速推理，适合实时检测任务
• 支持Anchor-Free检测
• 支持可扩展的Backbone和Neck结构
• 原生支持ONNX导出与部署

3.1 YOLOv8的基本原理

YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：

• 速度快：推理速度提升明显；
• 准确率高：支持 Anchor-Free 架构；
• 支持分类/检测/分割/姿态多任务；
• 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。

YOLOv8 由Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。

YOLOv8原理图如下：

3.2 数据集准备与训练

采用 YOLO 格式的数据集结构如下：

dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

每张图像有对应的 .txt 文件，内容格式为：

4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757

分类包括（可自定义）：

3.3. 训练结果评估

训练完成后，将在 runs/detect/train 目录生成结果文件，包括：

• results.png：损失曲线和 mAP 曲线；
• weights/best.pt：最佳模型权重；
• confusion_matrix.png：混淆矩阵分析图。

若 mAP@0.5 达到 90% 以上，即可用于部署。

在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在runs/目录下，具体内容如下：

3.4检测结果识别

使用 PyTorch 推理接口加载模型：

import cv2
from ultralytics import YOLO
import torch
from torch.serialization import safe_globals
from ultralytics.nn.tasks import DetectionModel

# 加入可信模型结构
safe_globals().add(DetectionModel)

# 加载模型并推理
model = YOLO('runs/detect/train/weights/best.pt')
results = model('test.jpg', save=True, conf=0.25)

# 获取保存后的图像路径
# 默认保存到 runs/detect/predict/ 目录
save_path = results[0].save_dir / results[0].path.name

# 使用 OpenCV 加载并显示图像
img = cv2.imread(str(save_path))
cv2.imshow('Detection Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

预测结果包含类别、置信度、边框坐标等信息。

四.YOLOV8+YOLOUI完整源码打包

4.1 项目开箱即用

作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。

运行项目只需输入下面命令。

python main.py

读者也可自行配置训练集，或使用打包好的数据集直接训练。

自行训练项目只需输入下面命令。

yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001

4.2 演示视频

https://www.bilibili.com/video/BV11a8MztEbh

包含：

📦完整项目源码

📦 预训练模型权重

🗂️ 数据集地址（含标注脚本）

总结

本项目通过集成 YOLOv8 强大的目标检测能力与 PyQt5 的可视化界面，构建了一个 实用性强、易于部署、安全帽自动识别系统。无论是单张图片、视频监控，还是实时摄像头输入，该系统均可稳定工作，准确判断佩戴与未佩戴状态，极大减轻了传统人工巡查压力。

项目特点总结如下：

• ✅ 高精度检测：mAP@0.5 超过 90%，适应复杂工地场景；
• ✅ 操作简便：图形界面直观，支持一键检测与结果保存；
• ✅ 源码开源：支持训练、推理、部署全流程开箱即用；
• ✅ 适配场景广泛：适用于建筑工地、实验室、工厂等安全监管领域。

本项目不仅适合科研学习使用，也具备实际应用落地能力，是一套完整、易扩展的 AI安全监管解决方案。