深度学习实战 | 智慧工地安全帽和危险区域检测系统（代码已开源！）

---

原创声明

本文为 HinGwenWoong 原创，如果这篇文章对您有帮助，欢迎转载，转载请阅读文末的【授权须知】，感谢您对 HinGwenWoong 文章的认可！

前言

随着人工智能的发展，现在越来越多的场景需要人工智能。在工厂的厂区中以安全为首，但工人普遍缺乏佩戴安全帽意识；工厂环境复杂，有各种各样的禁止进入的区域，普通的图像识别算法很难实现；加上使用传统的人工监管存在诸多缺点。

基于计算机视觉的安全帽自动识别技术设计通过在施工现场布设视频监控设备或利用现有的施工监控设备，采用机器视觉的相关方法进行安全帽的自动识别，可以实现对作业人员安全帽佩戴情况信息的全程快速识别，在降低监管费用的同时提升了监管信息化水平。

希望您能够看完这篇介绍，之后再去下载源码，我将源码地址置于文末，感谢您对我的支持！

下面是我的 【智慧工地安全帽和危险区域检测系统】，代码已经开源在 Github 🍗🍗🍗， 目前已有 100+ star ✨✨✨ ！！

我是 HinGwenWoong，一个有着清晰目标不停奋斗的程序猿，热爱技术，喜欢分享，码字不易，如果帮到您，请帮我在屏幕下方点赞 👍 ，您的点赞可以让技术传播得更远更广，谢谢！

---

Smart_Construction

如果帮到您请在 GitHub 给个 star ✨✨✨，您的 star 是我最大的鼓励！

该项目是使用 YOLOv5 v2.x 来训练在智能工地安全领域中头盔目标检测的应用, 先来一波演示！

指标

yolov5s 为基础训练，epoch = 50

分类	P	R	mAP0.5
总体	0.884	0.899	0.888
人体	0.846	0.893	0.877
头	0.889	0.883	0.871
安全帽	0.917	0.921	0.917

对应的 yolov5s 权重文件：百度云，提取码: b981

---

yolov5m 为基础训练，epoch = 100

分类	P	R	mAP0.5
总体	0.886	0.915	0.901
人体	0.844	0.906	0.887
头	0.9	0.911	0.9
安全帽	0.913	0.929	0.916

对应的 yolov5m 权重文件：百度云，提取码: psst

---

yolov5l 为基础训练，epoch = 100

分类	P	R	mAP0.5
总体	0.892	0.919	0.906
人体	0.856	0.914	0.897
头	0.893	0.913	0.901
安全帽	0.927	0.929	0.919

对应的 yolov5l 权重文件：百度云，提取码: a66e

---

1.YOLO v5训练自己数据集教程

使用的数据集：Safety-Helmet-Wearing-Dataset ，感谢这位大神的开源数据集！

本文结合 YOLOv5官方教程 来写

环境准备

首先确保自己的环境：

    Python >= 3.7
    Pytorch == 1.5.x

训练自己的数据

提示：

关于增加数据集分类的方法，请看【5. 增加数据集的分类】

---

1.1 创建自己的数据集配置文件

因为我这里只是判断 【人没有带安全帽】、【人有带安全帽】、【人体】 3个类别 ，基于 data/coco128.yaml 文件，创建自己的数据集配置文件 custom_data.yaml

# 训练集和验证集的 labels 和 image 文件的位置
train: ./score/images/train
val: ./score/images/val

# number of classes
nc: 3

# class names
names: ['person', 'head', 'helmet']

1.2 创建每个图片对应的标签文件

使用标注工具类似于 Labelbox 、CVAT 、精灵标注助手 标注之后，需要生成每个图片对应的 .txt 文件，其规范如下：

• 每一行都是一个目标
• 类别序号是零索引开始的（从0开始）
• 每一行的坐标 class x_center y_center width height 格式
• 框坐标必须采用归一化的 xywh格式（从0到1）。如果您的框以像素为单位，则将x_center和width除以图像宽度，将y_center和height除以图像高度。代码如下：

import numpy as np
def convert(size, box):
    """
    将标注的 xml 文件生成的【左上角x,左上角y,右下角x，右下角y】标注转换为yolov5训练的坐标
    :param size: 图片的尺寸： [w,h]
    :param box: anchor box 的坐标 [左上角x,左上角y,右下角x,右下角y,]
    :return: 转换后的 [x,y,w,h]
    """

    x1 = int(box[0])
    y1 = int(box[1])
    x2 = int(box[2])
    y2 = int(box[3])

    dw = np.float32(1. / int(size[0]))
    dh = np.float32(1. / int(size[1]))

    w = x2 - x1
    h = y2 - y1
    x = x1 + (w / 2)
    y = y1 + (h / 2)

    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return [x, y, w, h]

生成的 .txt 文件放置的名字是图片的名字，放置在 label 文件夹中，例如：

./score/images/train/00001.jpg  # image
./score/labels/train/00001.txt  # label

生成的 .txt 例子：

1 0.1830000086920336 0.1396396430209279 0.13400000636465847 0.15915916301310062
1 0.5240000248886645 0.29129129834473133 0.0800000037997961 0.16816817224025726
1 0.6060000287834555 0.29579580295830965 0.08400000398978591 0.1771771814674139
1 0.6760000321082771 0.25375375989824533 0.10000000474974513 0.21321321837604046
0 0.39300001866649836 0.2552552614361048 0.17800000845454633 0.2822822891175747
0 0.7200000341981649 0.5570570705458522 0.25200001196935773 0.4294294398277998
0 0.7720000366680324 0.2567567629739642 0.1520000072196126 0.23123123683035374

1.3 文件放置规范

文件树如下

1.4 聚类得出先验框（Yolov5 内部已做适配，可选）

使用代码 ./data/gen_anchors/clauculate_anchors.py ，修改数据集的路径

FILE_ROOT = r"xxx" # 根路径
ANNOTATION_ROOT = r"xxx"  # 数据集标签文件夹路径
ANNOTATION_PATH = FILE_ROOT + ANNOTATION_ROOT

跑完会生成一个文件 anchors.txt，里面有得出的建议先验框：

Best Accuracy = 79.72%

Best Anchors = [[14.74, 27.64], [23.48, 46.04], [28.88, 130.0], [39.33, 148.07], [52.62, 186.18], [62.33, 279.11], [85.19, 237.87], [88.0, 360.89], [145.33, 514.67]]

1.5 选择一个您需要的模型

在文件夹 ./models 下选择一个你需要的模型然后复制一份出来，将文件开头的 nc = 修改为数据集的分类数，下面是借鉴 ./models/yolov5s.yaml来修改的

# parameters
nc: 3  # number of classes     <============ 修改这里为数据集的分类数
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple

# anchors
anchors: # <============ 根据 ./data/gen_anchors/anchors.txt 中的 Best Anchors 修改，需要取整（可选）
  - [14,27, 23,46, 28,130] 
  - [39,148, 52,186, 62.,279] 
  - [85,237, 88,360, 145,514]

# YOLOv5 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Focus, [64, 3]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, BottleneckCSP, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 9, BottleneckCSP, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, BottleneckCSP, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 1, SPP, [1024, [5, 9, 13]]],
   [-1, 3, BottleneckCSP, [1024, False]],  # 9
  ]

# YOLOv5 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, BottleneckCSP, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, BottleneckCSP, [256, False]],  # 17

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, BottleneckCSP, [512, False]],  # 20

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, BottleneckCSP, [1024, False]],  # 23

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

1.6 开始训练

这里选择了 yolov5s 模型进行训练，权重也是基于 yolov5s.pt 来训练

python train.py --img 640 --batch 16 --epochs 10 --data ./data/custom_data.yaml --cfg ./models/custom_yolov5.yaml --weights ./weights/yolov5s.pt

其中，yolov5s.pt 需要自行下载放在本工程的根目录即可，下载地址 官方权重

1.7 看训练之后的结果

训练之后，权重会保存在 ./runs 文件夹里面的每个 exp 文件里面的 weights/best.py ，里面还可以看到训练的效果

---

2. 侦测

侦测图片会保存在 ./inferenct/output/ 文件夹下

运行命令：

python detect.py --source   0  # webcam
                            file.jpg  # image 
                            file.mp4  # video
                            path/  # directory
                            path/*.jpg  # glob
                            rtsp://170.93.143.139/rtplive/470011e600ef003a004ee33696235daa  # rtsp stream
                            http://112.50.243.8/PLTV/88888888/224/3221225900/1.m3u8  # http stream

例如使用我的 s 权重检测图片，可以运行以下命令，侦测图片会保存在 ./inferenct/output/ 文件夹下

python detect.py --source 图片路径 --weights ./weights/helmet_head_person_s.pt

---

3. 检测危险区域内是否有人

3.1 危险区域标注方式

我这里使用的是 精灵标注助手 标注，生成了对应图片的 json 文件

3.2 执行侦测

侦测图片会保存在 ./inferenct/output/ 文件夹下

运行命令：

python area_detect.py --source ./area_dangerous --weights ./weights/helmet_head_person_s.pt

3.3 效果：在危险区域里面的人体会被 红色框 选出来

---

4. 生成 ONNX

4.1 安装 onnx 库

pip install onnx

4.2 执行生成

python ./models/export.py --weights ./weights/helmet_head_person_s.pt --img 640 --batch 1

onnx 和 torchscript 文件会生成在 ./weights 文件夹中

---

5. 增加数据集的分类

关于增加数据集分类的方法：

SHWD 数据集里面没有 person 的类别，先将现有的自己的数据集执行脚本生成 yolov5 需要的标签文件 .txt，之后再用 yolov5x.pt 加上 yolov5x.yaml ，使用指令检测出人体

python detect.py --save-txt --source ./自己数据集的文件目录 --weights ./weights/yolov5x.pt

yolov5 会推理出所有的分类，并在 inference/output 中生成对应图片的 .txt 标签文件；

修改 ./data/gen_data/merge_data.py 中的自己数据集标签所在的路径，执行这个python脚本，会进行 person 类型的合并

---

总结

以上就是 YOLOv5 实现 智慧工地安全帽和危险区域检测系统 的全部内容。

---

Github 开源地址：

感谢您看到这里，请不要告诉我您是直接跳过来的 🤣

如果帮到您请给在 GitHub 个 star ✨✨✨，您的 star 是我最大的鼓励！

Github 开源地址 : Smart_Construction ，不要怀疑我非原创，我的 Github 用户名是 PeterH0323 🤣

如果帮到您请给在 GitHub 个 star ✨✨✨，您的 star 是我最大的鼓励！

---

如果能帮到您的项目快速落地，可以 buy me a coffee ☕

授权须知

1. 原创文章在推送一天后才可进行转载
2. 转载文章，禁止声明原创
3. 不允许直接二次转载，转载请根据原文链接联系作者
4. 若无需改版，在文首清楚标注作者及来源/原文链接，并删除【原创声明】，即可直接转载。
   但对于未注明转载来源/原文链接的文章，我将保留追述的权利。

作者：HinGwenWoong
一个有着清晰目标不停奋斗的程序猿，热爱技术，喜欢分享，共同进步！
CSDN: HinGwenWoong
原文链接：深度学习实战 | 智慧工地安全帽和危险区域检测系统（代码已开源！）

5. 若需要修改文章的排版，请根据原文链接联系作者
6. 再次感谢您的认可，转载请遵守如上转载须知！