【YOLOv8系列】（六）毕设第二弹：YOLOv8+Pyqt5实现安全帽检测系统

置顶到点就困告

已于 2024-09-09 18:53:28 修改

阅读量1.7k

点赞数 25

分类专栏： YOLO 文章标签： YOLO

于 2024-09-08 22:07:45 首次发布

本文链接：https://blog.csdn.net/weixin_44765053/article/details/142032488

版权

YOLO 专栏收录该内容

6 篇文章 9 订阅

订阅专栏

前言

随着计算机视觉技术的发展，目标检测技术在各个领域得到了广泛应用。安全帽检测作为工业安全领域的重要应用之一，可以有效减少工地人员因未佩戴安全帽而发生的事故。在本文中，我将带领大家基于YOLOv8与PyQt5开发一个智能化的安全帽检测系统。本项目适合毕业设计或有兴趣学习目标检测与界面开发的小伙伴，系统功能包括图像检测、视频检测、文件夹批量检测、摄像头实时检测等。

本系列其他文章：

【YOLOv8系列】（一）YOLOv8介绍：实时目标检测的最新突破-CSDN博客

【YOLOv8系列】（二）YOLOv8环境配置，手把手嘴对嘴保姆教学-CSDN博客

【YOLOv8系列】（三）YOLOv8应用实践：从识别到分类再到分割的全方位视觉解决方案_yolov8 分类-CSDN博客

【YOLOv8系列】（四）YOLOv8使用自己的数据集进行模型训练，成就感满满-CSDN博客

【YOLOv8系列】（五）毕设实战：YOLOv8+Pyqt5实现智能车牌检测与识别系统_python怎么使用yolov8识别图片-CSDN博客

一、数据集获取与介绍

在工业领域，安全帽佩戴的检测需要一个包含大量真实场景的数据集，以确保模型在实际应用中的泛化能力。常见的安全帽检测数据集一般包含工地或施工现场的图片，这些图片包含各种角度、不同光照、复杂背景下的人物和安全帽。我们需要确保数据集具备多样性，以提升模型的鲁棒性。本系统使用的数据集包含5000张图片进行标注、并划分成训练集以及验证集。

数据集目录如下所示：

HelmetDetection
├── annotations
│   ├── hard_hat_workers0.xml
│   ├── ............................................
├──images
│   ├──hard_hat_workers0.jpg
│   ├── .....................................
├── label_list.txt
├── vaild.txt
└── train.txt

有需要的小伙伴可以点击我上传的资源进行数据集下载，自行进行训练。

https://download.csdn.net/download/weixin_44765053/89725820?spm=1001.2014.3001.5501https://download.csdn.net/download/weixin_44765053/89725820?spm=1001.2014.3001.5501

二、模型训练

1.数据集划分

按照数据集里面的train.txt以及valid.txt内容所示进行训练集以及验证集划分

2. 新建data.yaml文件

新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。data.yaml的具体内容如下：

train: .\dataset\helmet\train  # train images
val: .\dataset\helmet\val  # val images
test:  # val images (optional)

# number of classes
nc: 2

# Classes
names: ['Helmet', 'head']

3.模型训练

使用以下代码进行YOLOv8模型训练，具体内容可以看这篇

【YOLOv8系列】（四）YOLOv8使用自己的数据集进行模型训练，成就感满满_yolov8训练自己的数据集-CSDN博客

#coding:utf-8
from ultralytics import YOLO
 
# 加载预训练模型
model = YOLO("yolov8n.pt")
# Use the model
if __name__ == '__main__':
    # Use the model
    results = model.train(data='/helmet/data.yaml', epochs=300, batch=4)  # 训练模型

4.模型效果预测

使用以下代码进行predict

from ultralytics import YOLO

model = YOLO('best.pt')
if __name__ == '__main__':
    results = model.predict(source='test.jpg')
    results[0].show()

执行上述代码后，会将执行的结果直接标注在图片上，结果如下：

可以看到，模型的预测效果还是不错的。置信度都在90%左右，满足我们使用。

三、pyqt实现

1.ui界面设计

使用Qt designer进行ui界面设计，具体pycharm配置过程可以参考我这篇文章

PyCharm专业版配置PyQt5/QtDesigner/PyUic完整教程_pyuic5支持什么版本python-CSDN博客

大致界面如下所示：

包含：

QLabel，显示图像、序号、类别、置信度等

QTableWidget，显示序号、类别、置信度等识别信息

QPushButton，选择图片、文件夹、视频或者摄像头检测，保存识别csv

2.功能实现

①图片检测

    def detectImage(self, imagePath):
        frame = cv2.imread(imagePath)
        results = self.model(frame)
        self.displayResults(frame, results)

效果如下所示：

安全帽图片检测

②文件夹检测

    def detect_folder(self):
        image_extensions = ('.png', '.jpg', '.jpeg', '.gif', '.bmp', '.tiff')
        image_paths = [os.path.join(self.source, f) for f in os.listdir(self.source) if
                       f.lower().endswith(image_extensions)]
        for image_path in image_paths:
            image = cv2.imread(image_path)
            results = self.model(frame)
            self.displayResults(frame, results)

效果如下所示：

安全帽文件夹检测

③视频检测

    def detectVideo(self):
        ret, frame = self.cap.read()
        if ret:
            results = self.model(frame)
            self.displayResults(frame, results)
        else:
            self.timer.stop()
            self.cap.release()

效果如下所示：

安全帽视频检测