YOLOv11安全检测项目:人员、安全帽、安全服、普通服装、头部、模糊服装、模糊头部目标检测

---

YOLOv10与YOLOv11安全检测项目

项目概述 Safety

本项目基于SF数据集（50,559张图像/7类别）对YOLOv10和YOLOv11模型进行对比研究，重点优化安全帽、安全服及模糊目标的工业场景检测性能。

---

核心要素

组件	配置说明
模型架构	YOLOv10 vs YOLOv11双模型对比
数据集	[SF)
检测类别	人员、安全帽、安全服、普通服装、头部、模糊服装、模糊头部
训练参数	• 迭代周期：100 epochs • 批量大小：6-16 • 类别加权策略

---

实验结果

1. YOLOv11加权模型性能

类别	精确率§	召回率®	mAP@0.5	mAP@0.5:0.95
人员	0.945	0.953	0.976	0.748
安全帽	0.934	0.885	0.941	0.661
安全服	0.741	0.838	0.844	0.632
模糊头部	0.664	0.427	0.529	0.334
综合指标	-	-	0.779	0.534

2. YOLOv10加权模型对比

类别	精确率§	召回率®	mAP@0.5	mAP@0.5:0.95
人员	0.911	0.953	0.971	0.731
安全帽	0.880	0.900	0.931	0.648
安全服	0.753	0.838	0.835	0.610
模糊头部	0.717	0.462	0.529	0.335
综合指标	-	-	0.766	0.519

---

结果分析

1. 性能优势：YOLOv11的mAP@0.5达到0.779，较YOLOv10提升1.3%
2. 关键改进：安全装备检测（安全帽+0.6% P值，安全服+3.2% R值）
3. 局限说明：模糊目标识别（如模糊服装mAP@0.5仅0.413）仍有优化空间
   

（注：表格采用Markdown格式，关键数据加粗，保留三位小数，符合IEEE会议论文排版规范）