基于YOLOv11的安全帽佩戴检测算法

前言

安全帽佩戴检测是工业安全领域的一项关键任务。无论是在建筑工地、工厂还是其他高危作业场所，确保工作人员佩戴安全帽是保护生命安全的基本要求。传统的人工巡查方式效率低下且容易出现遗漏，而基于深度学习的自动检测系统可以实时、准确地监测工作人员的安全帽佩戴情况。

本文基于YOLOv11算法框架，详细介绍了安全帽佩戴检测系统的设计与实现全过程，包括数据准备、模型训练、性能评估等关键环节。通过实际项目案例，展示了如何训练目标检测算法。

1、系统概述

1.1 系统目标

本系统旨在构建一个实时、准确的安全帽佩戴检测算法，能够：

• • 识别三类对象：
• • helmet：佩戴安全帽的人员
• • head：未佩戴安全帽的人员
• • person：人体
• • 实时处理：支持视频流和图像的实时检测，满足工地实时监控需求
• • 高准确率：在复杂场景下保持较高的检测准确率，减少误检和漏检
• • 轻量化部署：支持边缘设备部署，降低硬件成本

1.2 核心特点

2、需求分析

2.1 功能需求

1. 1. 多源输入支持
• • 支持单张图片检测
• • 支持视频流检测
• • 支持摄像头实时监控
2. 2. 检测输出
• • 目标位置（边界框坐标）
• • 目标类别（helmet/head/person）
• • 置信度得分
3. 3. 数据统计
• • 检测框的数量统计
• • 各类别的比例统计
• • 检测性能指标

2.2 非功能需求

1. 1. 性能要求
• • 实时处理能力（≥25 FPS）
• • 低延迟处理
2. 2. 可靠性要求
• • 异常图片容错处理
• • 稳定的后台运行
3. 3. 易用性要求
• • 简单的API接口
• • 清晰的日志输出
• • 完整的配置文件

3、技术方案

3.1 为什么选择YOLOv11？

3.2 系统架构

3.3 技术栈

4、数据准备

4.1 数据集概况

本项目使用了包含5000张工地作业人员图片的数据集，具体统计如下：

类别分布

数据集包含三个检测类别：

4.2 数据格式转换

原始数据采用Pascal VOC格式（XML标注），需要转换为YOLO格式（TXT标注）。

Pascal VOC格式示例

<?xml version="1.0" encoding="UTF-8"?><annotation><filename>hard_hat_workers0001.png</filename><size><width>1920</width><height>1080</height></size><object><name>helmet</name><bndbox><xmin>100</xmin><ymin>50</ymin><xmax>250</xmax><ymax>300</ymax></bndbox></object><object><name>head</name><bndbox><xmin>500</xmin><ymin>100</ymin><xmax>650</xmax><ymax>350</ymax></bndbox></object></annotation>

YOLO格式说明

<class_id> <x_center> <y_center> <width> <height>其中：- class_id: 类别ID (0-2)- x_center, y_center: 目标中心点的相对坐标 (归一化到0-1)- width, height: 目标宽高的相对尺寸 (归一化到0-1)

YOLO格式示例：

0 0.345 0.210 0.208 0.2901 0.725 0.350 0.185 0.3152 0.500 0.500 0.300 0.400

4.3 数据集划分

数据集按以下比例划分为训练集、验证集和测试集：

转换脚本实现

defconvert_dataset(dataset_dir, output_dir, train_ratio=0.8, val_ratio=0.1):"""    转换数据集为YOLO格式    划分: 训练集80%, 验证集10%, 测试集10%    """# 1. 解析XML标注文件for xml_file in annotation_files:        annotation = parse_xml(xml_file)# 2. 将Pascal VOC坐标转换为YOLO格式        yolo_lines = convert_to_yolo_format(annotation)# 3. 保存为TXT文件        save_yolo_annotation(yolo_lines, output_path)# 4. 划分数据集    train_files, temp_files = split(image_files, train_ratio)    val_files, test_files = split(temp_files, val_ratio/(1-train_ratio))# 5. 生成data.yaml配置文件    create_data_yaml(output_dir)

4.4 数据统计分析

通过分析转换后的数据集，获得如下统计信息：

4.5 数据质量验证

可视化样本验证

通过随机可视化样本来检查数据标注的准确性：

defvisualize_random_samples(dataset_dir, output_dir, num_samples=20):"""随机可视化样本用于质量检查"""# 随机选择样本    samples = random.sample(image_files, num_samples)# 绘制边界框for img_path in samples:        img = cv2.imread(img_path)        annotation = parse_xml(xml_path)# 绘制目标框for obj in annotation['objects']:            x1, y1, x2, y2 = obj['bbox']            cv2.rectangle(img, (x1, y1), (x2, y2), color, 2)# 保存可视化结果        cv2.imwrite(save_path, img)

验证结果示例

已生成可视化样本，包括：

• • 正确标注的helmet类（佩戴安全帽）
• • 正确标注的head类（未佩戴安全帽）
• • 正确标注的person类（人体）

4.6 data.yaml配置文件

# 安全帽检测数据集path:/root/HelmetDetection/yolo_dataset# 数据集根目录train:images/train# 训练集图片路径val:images/val# 验证集图片路径test:images/test# 测试集图片路径# 类别names:0:helmet# 佩戴安全帽1:head# 未佩戴安全帽2:person# 人# 类别数量nc:3

5、模型训练

5.1 训练环境配置

硬件配置

GPU: NVIDIA RTX 3090 (48GB 显存)CPU: Intel Xeon 处理器内存: 128GB RAM存储: SSD 高速存储

软件环境

CUDA: 11.8cuDNN: 8.7Python: 3.10PyTorch: 2.0+

5.2 模型选择

选择YOLOv11n（纳米级模型）的理由：

对于工地应用，选择YOLOv11n能够：

• • ✅ 快速实时推理
• • ✅ 降低硬件要求
• • ✅ 易于部署到边缘设备
• • ✅ 在本数据集上性能足够

5.3 训练配置详解

核心超参数

results = model.train(# 数据配置    data='/root/HelmetDetection/yolo_dataset/data.yaml',# 训练基础配置    epochs=300,           # 总训练轮数    imgsz=640,            # 输入图片尺寸（单位：像素）    batch=64,             # 批次大小（batch size）    workers=16,           # 数据加载线程数    device=0,             # GPU设备ID# 优化器配置    optimizer='SGD',      # 优化器选择    lr0=0.01,             # 初始学习率    lrf=0.01,             # 最终学习率比例    momentum=0.937,       # SGD动量参数    weight_decay=0.0005,  # L2正则化系数# 学习率调度    cos_lr=True,          # 使用余弦学习率衰减# 其他配置    patience=20,          # 早停耐心值（验证集不改进轮数）    save_period=10,       # 每10轮保存一次检查点    amp=True,             # 自动混合精度训练)

参数详解

5.4 数据增强策略

# 数据增强配置hsv_h=0.015,        # HSV色调增强幅度hsv_s=0.7,          # HSV饱和度增强幅度hsv_v=0.4,          # HSV亮度增强幅度degrees=0.0,        # 旋转增强（本项目不使用）translate=0.1,      # 平移增强：±10%scale=0.5,          # 缩放增强：±50%shear=0.0,          # 剪切增强（本项目不使用）perspective=0.0,    # 透视变换增强（本项目不使用）flipud=0.0,         # 上下翻转（本项目不使用）fliplr=0.5,         # 左右翻转：50%概率mosaic=1.0,         # Mosaic增强：100%启用mixup=0.0,          # Mixup增强（本项目不使用）copy_paste=0.0,     # Copy-paste增强（本项目不使用）

增强效果说明

5.5 训练过程监控

关键指标

训练损失 (Train Loss)├── Box Loss: 边界框位置损失├── Cls Loss: 分类损失└── DFL Loss: 分布焦点损失验证指标 (Val Metrics)├── mAP@0.5: IoU=0.5时的平均精度├── mAP@0.75: IoU=0.75时的平均精度├── mAP@0.5:0.95: IoU从0.5到0.95的平均精度├── Precision: 精确率├── Recall: 召回率└── F1-Score: F1得分

5.6 训练脚本使用

运行训练

# 方法1：直接运行脚本python train_yolo.py --mode train# 方法2：使用Python调用from train_yolo import train_helmet_detectorresults = train_helmet_detector()

完整的训练流程

deftrain_helmet_detector():"""    训练安全帽检测模型    """# 1. 加载预训练模型    model = YOLO('/root/HelmetDetection/yolo11n.pt')# 2. 执行训练    results = model.train(        data='/root/HelmetDetection/yolo_dataset/data.yaml',        epochs=300,        imgsz=640,        batch=64,# ... 其他参数    )# 3. 输出结果print(f"最佳模型: {results.best}")return results

6、性能评估

6.1 评估指标详解

平均精度 (Average Precision, AP)

AP = ∫ P(r) dr (从 r=0 到 r=1)其中：P(r) = TP / (TP + FP) - 精确率r = TP / (TP + FN) - 召回率mAP = (AP_class1 + AP_class2 + ... + AP_classN) / N

mAP@0.5 vs mAP@0.5:0.95

7、模型优化

7.1 模型导出与格式转换

支持的导出格式

# 导出为不同格式model = YOLO('best.pt')# PyTorch格式model.export(format='pt')          # PyTorch格式# ONNX格式 (跨平台)model.export(format='onnx',             imgsz=640,             dynamic=True)          # 支持动态尺寸# TensorRT格式 (NVIDIA GPU加速)model.export(format='engine',      # TensorRT引擎            imgsz=640,            half=True)             # 半精度加速# CoreML格式 (iOS部署)model.export(format='coreml')# OpenVINO格式 (Intel设备)model.export(format='openvino')

导出过程代码

defexport_model():"""    导出模型为不同格式    """    model = YOLO('/root/HelmetDetection/runs/helmet_detection/weights/best.pt')# 1. 导出ONNX格式print("\n导出ONNX格式...")    model.export(format='onnx', imgsz=640, dynamic=True)# 输出: best.onnx (可用于C++、Java等语言调用)# 2. 导出TensorRT格式print("\n导出TensorRT格式...")try:        model.export(format='engine', imgsz=640, half=True)# 输出: best.engine (GPU推理加速)except Exception as e:print(f"TensorRT导出失败: {e}")

7.2 量化与加速

INT8量化

# TensorRT INT8量化model.export(format='engine',            imgsz=640,            half=False,            # 不使用半精度            int8=True)             # 启用INT8量化

效果：

• • 模型体积：↓ 75%
• • 推理速度：↑ 2-3倍
• • 精度损失：< 1%

半精度(FP16)推理

model = YOLO('best.pt')results = model.predict(    source='image.jpg',    half=True,             # 使用半精度    imgsz=640)

效果：

• • 显存占用：↓ 50%
• • 推理速度：↑ 1.5-2倍
• • 精度保持：完全相同

7.3 批量推理优化

# 批量处理多张图片images = ['img1.jpg', 'img2.jpg', 'img3.jpg', ...]results = model.predict(    source=images,    batch=32,              # 批量推理    device=0,    conf=0.65,    iou=0.5)# 结果处理for result in results:    boxes = result.boxesfor box in boxes:        x1, y1, x2, y2 = box.xyxy[0]        confidence = box.conf[0]        class_id = box.cls[0]

8、部署与应用

8.1 单图片检测

from ultralytics import YOLO# 加载模型model = YOLO('/root/HelmetDetection/runs/helmet_detection/weights/best.pt')# 检测单张图片results = model.predict(    source='worker_image.jpg',    conf=0.65,             # 置信度阈值    imgsz=640)# 获取结果result = results[0]boxes = result.boxesfor box in boxes:    x1, y1, x2, y2 = box.xyxy[0]    confidence = box.conf[0]    class_id = int(box.cls[0])    class_name = model.names[class_id]print(f"类别: {class_name}, 置信度: {confidence:.2%}")print(f"坐标: ({x1:.0f}, {y1:.0f}, {x2:.0f}, {y2:.0f})")

8.2 视频检测

import cv2from ultralytics import YOLOmodel = YOLO('best.pt')# 打开视频文件或摄像头cap = cv2.VideoCapture('video.mp4')  # 或 0 表示摄像头whileTrue:    ret, frame = cap.read()ifnot ret:break# 检测    results = model.predict(source=frame, conf=0.65, verbose=False)# 绘制结果    annotated_frame = results[0].plot()# 显示    cv2.imshow('Helmet Detection', annotated_frame)if cv2.waitKey(1) & 0xFF == ord('q'):breakcap.release()cv2.destroyAllWindows()

8.3 实时摄像头监控

import cv2from ultralytics import YOLOfrom datetime import datetimeclassHelmetDetector:def__init__(self, model_path):self.model = YOLO(model_path)self.class_names = {0: 'helmet', 1: 'head', 2: 'person'}defdetect_violations(self, frame, conf=0.65):"""        检测安全帽违规情况        """        results = self.model.predict(source=frame, conf=conf, verbose=False)        result = results[0]        violations = []for box in result.boxes:            x1, y1, x2, y2 = box.xyxy[0]            class_id = int(box.cls[0])            confidence = float(box.conf[0])# 检测到未佩戴安全帽的人员if class_id == 1:  # head类                violations.append({'type': 'no_helmet','box': (int(x1), int(y1), int(x2), int(y2)),'confidence': confidence,'time': datetime.now().isoformat()                })return violations, resultdefdraw_results(self, frame, result, violations):"""        绘制检测结果        """        annotated = result.plot()# 在未佩戴安全帽的人员周围绘制红色警告框for violation in violations:            x1, y1, x2, y2 = violation['box']            cv2.rectangle(annotated, (x1, y1), (x2, y2), (0, 0, 255), 3)            cv2.putText(annotated, 'WARNING: NO HELMET', (x1, y1-10),                       cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)return annotated# 使用示例detector = HelmetDetector('best.pt')cap = cv2.VideoCapture(0)whileTrue:    ret, frame = cap.read()ifnot ret:break    violations, result = detector.detect_violations(frame, conf=0.65)    annotated = detector.draw_results(frame, result, violations)# 显示违规数量    cv2.putText(annotated, f'Violations: {len(violations)}',                (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)    cv2.imshow('Helmet Detection', annotated)if cv2.waitKey(1) & 0xFF == ord('q'):breakcap.release()cv2.destroyAllWindows()

8.4 Web服务部署

使用FastAPI构建REST API服务：

from fastapi import FastAPI, File, UploadFilefrom ultralytics import YOLOimport cv2import numpy as npimport iofrom PIL import Imageapp = FastAPI(title="Helmet Detection API")model = YOLO('best.pt')@app.post("/detect")asyncdefdetect_helmet(file: UploadFile = File(...)):"""    检测上传图片中的安全帽    """# 读取上传的图片    contents = await file.read()    nparr = np.frombuffer(contents, np.uint8)    img = cv2.imdecode(nparr, cv2.IMREAD_COLOR)# 运行检测    results = model.predict(source=img, conf=0.65)    result = results[0]# 提取检测结果    detections = []for box in result.boxes:        x1, y1, x2, y2 = box.xyxy[0]        class_id = int(box.cls[0])        confidence = float(box.conf[0])        detections.append({'class': model.names[class_id],'confidence': confidence,'bbox': {'x1': float(x1), 'y1': float(y1), 'x2': float(x2), 'y2': float(y2)}        })return {'filename': file.filename,'detections': detections,'total_detections': len(detections)    }@app.get("/health")asyncdefhealth():return {"status": "ok"}# 启动服务: uvicorn main:app --reload

8.5 Docker容器部署

FROM ultralytics/yolov5:latestWORKDIR /app# 复制模型和应用代码COPY best.pt /app/COPY app.py /app/COPY requirements.txt /app/RUN pip install -r requirements.txtEXPOSE8000CMD ["python", "app.py"]

部署命令：

# 构建镜像docker build -t helmet-detector:latest .# 运行容器docker run -d -p 8000:8000 helmet-detector:latest# 测试APIcurl -X POST -F "file=@test.jpg" http://localhost:8000/detect

九、总结与展望

9.1 项目成果总结

9.2 主要特点

✅ 高精度：三个类别均达到98%以上的准确率✅ 高效率：实时视频处理，满足工地监控需求✅ 易部署：支持多种硬件平台和部署方式✅ 可扩展：支持进一步优化和定制

9.3 应用场景

1. 1. 工地安全监控
• • 实时检测工人安全帽佩戴情况
• • 自动报警系统
2. 2. 出入口管理
• • 工地大门通行检查
• • 非法入场预警
3. 3. 事后审计
• • 视频记录回放分析
• • 安全事件调查
4. 4. 数据分析
• • 工地安全合规统计
• • 历史趋势分析

9.4 改进方向

1. 1. 模型优化
• • 尝试更大的模型（YOLOv11m/l）提升精度
• • 多模型融合Ensemble方法
• • 知识蒸馏压缩模型
2. 2. 数据扩展
• • 增加不同场景的训练数据
• • 处理恶劣天气条件
• • 增加夜间监控数据
3. 3. 功能增强
• • 添加人体姿态识别
• • 集成行为分析
• • 多摄像头跟踪
4. 4. 工程优化
• • 分布式推理部署
• • 移动端适配
• • 边缘计算优化

9.5 未来研究方向

多任务学习

同时检测：

• • 安全帽佩戴情况
• • 反光衣穿着
• • 安全鞋穿着
• • 身体姿态

# 伪代码：多任务输出results = model.predict(source=image)helmet_detection = results['helmet']reflective_vest = results['vest']safety_shoes = results['shoes']posture = results['posture']

3D检测与跟踪

# 集成深度学习和3D检测from ultralytics import YOLOmodel = YOLO('best.pt')depth_model = load_depth_model()results = model.predict(source=video)depth_map = depth_model.predict(source=video)# 3D位置重构for detection in results:    pos_2d = detection.boxes.xyxy    depth = extract_depth(depth_map, pos_2d)    pos_3d = project_to_3d(pos_2d, depth)

异常行为检测

# 长期跟踪与行为分析from collections import dequeclassBehaviorAnalyzer:def__init__(self):self.track_history = deque(maxlen=30)  # 保留30帧历史defanalyze_behavior(self, detection):# 检测是否有人员摘下安全帽ifself.switched_from_helmet_to_head():return"ALERT: Helmet removed!"# 检测是否有人员奔跑或摔倒ifself.detect_fall():return"ALERT: Worker fell!"

9.6 资源下载

项目所有资源已保存在 /root/HelmetDetection/ 目录：

项目目录结构：├── yolo11n.pt              # 预训练权重├── train_yolo.py           # 训练脚本├── convert_to_yolo.py      # 数据格式转换├── yolo_dataset/           # YOLO格式数据集├── runs/helmet_detection/  # 训练输出结果│   ├── weights/best.pt     # 最佳模型权重│   ├── results.csv         # 训练曲线数据│   └── ...└── visualization/          # 可视化结果

9.7 引用与致谢

本项目基于以下开源框架和库：

• • Ultralytics YOLO: https://github.com/ultralytics/ultralytics
• • PyTorch: https://pytorch.org/
• • OpenCV: https://opencv.org/

附录：快速入门指南

A. 环境配置

# 1. 创建虚拟环境python -m venv helmet_envsource helmet_env/bin/activate  # Linux/Mac# 或helmet_env\Scripts\activate     # Windows# 2. 安装依赖pip install -r requirements.txt# 或手动安装pip install ultralytics torch torchvision opencv-python numpy pyyaml

B. 快速开始

# 1. 数据转换 (如果需要)python convert_to_yolo.py# 2. 训练模型python train_yolo.py --mode train# 3. 验证模型python train_yolo.py --mode val# 4. 导出模型python train_yolo.py --mode export# 5. 检测python -c "from ultralytics import YOLOmodel = YOLO('runs/helmet_detection/weights/best.pt')results = model.predict(source='image.jpg')"

C. 常见问题

Q: 如何加快训练速度？A:

• • 增加 batch 大小 (如果显存允许)
• • 启用 amp=True 自动混合精度
• • 减少 workers 数量
• • 使用更小的模型 (YOLOv11n)

Q: 显存不足怎么办？A:

• • 减小 batch 大小
• • 减小 imgsz (如改为512或384)
• • 使用 YOLOv11n (最轻量)
• • 启用 amp=True

Q: 如何提升检测精度？A:

• • 使用更大的模型 (YOLOv11m/l)
• • 增加训练数据
• • 增加 epochs 训练轮数
• • 调整 confidence 阈值

参考资源

• • YOLOv11 官方文档: https://docs.ultralytics.com/
• • COCO 数据集: https://cocodataset.org/
• • 目标检测综述: https://arxiv.org/abs/2012.12556

感谢您的阅读！如有任何疑问，欢迎沟通交流。