OpenCV与AI深度学习 | CIB-SE-YOLOv8: 优化的YOLOv8, 用于施工现场的安全设备实时检测 !

本文来源公众号“OpenCV与AI深度学习”，仅用于学术分享，侵权删，干货满满。

原文链接：CIB-SE-YOLOv8: 优化的YOLOv8, 用于施工现场的安全设备实时检测 !

安全设备是确保建筑施工现场安全的关键组成部分，其中头盔尤为重要，能有效减少伤害和死亡。传统的监督和项目经理手动检查方法效率低下且劳动密集，往往无法预防因缺乏安全设备引发的事故。

为了解决这个问题，利用计算机视觉和深度学习的新方法已经被开发出来，特别是实时检测技术，即YOLO。

本研究利用公开的SHEL5K数据集进行头盔检测任务。提出的CIB-SE-YOLOv8模型在YOLOv8n的基础上，通过引入SE注意力机制和用C2TCIB块替换某些C2T块构建而成。

与YOLOv8n相比，作者的模型在mAP50方面取得了88.4%的分数，提高了3.2%。同时，作者的模型在精确度上提高了0.5%，在召回率上提高了3.9%，显著提升了头盔检测性能。

此外，提出的模型在参数方面有2.68百万，计算速度方面有7.6 GFLOPs，与YOLOv8n的3百万参数和8.1 GFLOPs相比，提供了更高效的实时检测任务解决方案，因此，它是一种更有效的提高建筑施工现场安全的方法。

I Introduction

建筑安全是建筑和相关行业的一个关键问题。确保所有建筑工人佩戴合适的安全设备，如安全帽，至关重要。然而，传统的由主管和项目经理手动监督的方法效率低下。利用计算机视觉和深度学习技术的新方法可以实现实时检测能力。当工人未佩戴安全帽时，配备计算机视觉技术的摄像头可以立即检测到这一情况，并向工人发出警报，同时向管理层报告事件。这种系统大大降低了受伤和其他与安全相关问题的风险。

在本论文中，作者首先在公开可用的数据集SHEL5k上比较了YOLOv5n和YOLOv8n在头盔检测任务上的性能，分别获得了mAP50分数为84.7%和85.2%。由于YOLOv8n在性能和推理时间方面表现更好，作者进一步通过引入SE注意力并替换部分C2f模块为C2fCIB模块来增强模型。

改进后的模型，称为CIB-SE-YOLOv8，在