YOLO安全帽和反光衣背心穿戴识别数据集，数量4408，四类。模型已训练200轮。

YOLO安全帽和背心穿戴识别，数量4408，四类。模型已训练200轮。

安全帽和背心佩戴识别数据集（Safety Gear Detection Dataset, SGDS）

摘要

SGDS 是一个专注于建筑工地工人安全帽和背心佩戴情况识别的数据集，它包含了4408张工人在不同场景下的图像。数据集提供了四种类别：未戴安全帽、佩戴安全帽、未穿背心和穿着背心。通过训练基于YOLO的物体检测模型，可以自动检测出工人是否遵守了基本的安全规定，从而提升施工场地的安全管理水平。此外，该数据集还附带了XML和TXT两种格式的标注信息，方便用户根据自己的需求进行数据预处理。

数据集特点

• 丰富多样的场景：数据集包含了大量不同背景和光线条件下的工人图像，以模拟真实施工现场的各种情况。
• 精准的标注信息：每张图像都经过人工精心标注，确保了目标区域的准确性。
• 易于使用：数据集已经按照YOLO格式整理，可以直接用于训练和评估YOLO系列的目标检测模型。
• 广泛的应用前景：适用于建筑工地安全管理、视频监控以及人工智能辅助安全监管等多个领域。

数据集构成

• 图像数量：总共4408张图像。
• 类别数：4类
• 类别名称及对应数量：
  • no-helmet: 未戴安全帽 (1102张)
  • helmet: 戴着安全帽 (1102张)
  • no-vest: 未穿背心 (1102张)
  • vest: 穿着背心 (1102张)

示例代码

以下是一个简单的Python脚本示例，用于加载数据集中的一对图像-标签对，并可视化其中的标注信息：

import os
import cv2
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.patches import Rectangle

# 数据集目录路径
data_dir = 'path/to/sgds_dataset'
train_image_dir = os.path.join(data_dir, 'images/train')
train_label_dir = os.path.join(data_dir, 'labels/train')

# 选取一张训练图像及其对应标签
image_files = os.listdir(train_image_dir)
image_file = image_files[0]  # 假设取第一张图
label_file = os.path.splitext(image_file)[0] + '.xml' or '.txt'

image_path = os.path.join(train_image_dir, image_file)
label_path = os.path.join(train_label_dir, label_file)

# 加载图像
image = cv2.imread(image_path, cv2.IMREAD_COLOR)
height, width, _ = image.shape

# 解析YOLO格式标签
def parse_yolo_label(label_path, image_width, image_height):
    bboxes = []
    if label_path.endswith('.xml'):
      # 解析XML格式的标签
      pass
    elif label_path.endswith('.txt'):
      # 解析TXT格式的标签
      with open(label_path, 'r') as f:
          lines = f.readlines()
          for line in lines:
              class_id, x_center, y_center, box_width, box_height = map(float, line.strip().split())
              x_min = int((x_center - box_width / 2) * image_width)
              y_min = int((y_center - box_height / 2) * image_height)
              box_width = int(box_width * image_width)
              box_height = int(box_height * image_width)
              bboxes.append((class_id, x_min, y_min, box_width, box_height))

    return bboxes

# 解析标签
bboxes = parse_yolo_label(label_path, width, height)

# 可视化标注
fig, ax = plt.subplots(figsize=(10, 10))
ax.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
colors = ['#FFA500', '#00FFFF', '#00BFFF', '#EE82EE']
names = ['no-helmet', 'helmet', 'no-vest', 'vest']
for bbox, color_name in zip(bboxes, colors):
    class_id, x, y, w, h = bbox
    rect = Rectangle((x, y), w, h, linewidth=2, edgecolor=color_name, facecolor='none')
    ax.add_patch(rect)
    ax.text(x, y - 10, names[int(class_id)], color=color_name, fontsize=8)

plt.title('Safety Gear Detection Dataset')
plt.axis('off')
plt.show()

数据集使用指南

1. 数据准备：

   • 确认数据集路径是否正确，并且图像和标签文件均存在指定的目录下。
   • 检查数据集是否有损坏或缺失的文件，确保所有图像和对应的标注文件都是完整的。

2. 数据集划分：

   • 数据集可能已经划分为训练集、验证集和测试集，具体请查看数据集结构。

3. 配置文件：

   • 根据所使用的深度学习框架（如YOLOv5, YOLOv7, Detectron2等），创建合适的配置文件，设置好训练参数，包括学习率、批次大小、迭代次数等。

4. 模型训练：

   • 使用提供的数据集开始训练模型，注意根据实际情况调整模型参数。

5. 模型评估：

   • 训练完成后，在验证集或测试集上评估模型的表现，观察其在不同类别上的准确性和召回率。

6. 应用实践：

   • 将训练好的模型部署到实际的建筑工地监控系统中，实时检测工人的安全帽和背心佩戴情况，提醒管理人员关注违规行为。