基于深度学习YOLOv8+Pyqt5的工地安全帽头盔佩戴检测识别系统（源码+跑通说明文件）_python 安全帽识别

wx供重浩：创享日记
对话框发送：318安全帽
获取完整源码源文件+7000张已标注的数据集+训练好的模型+配置说明文件
可有偿59yuan一对一远程操作配置环境跑通程序

---

效果展示（图片检测+批量检测+视频检测+摄像头检测）

---

各文件说明

---

程序运行说明

---------【第一步：安装python3.9】---------
方法一【推荐】：
先安装ananconda软件，官网地址：https://www.anaconda.com/download
安装完成后，在conda命令窗口，使用命令"conda create -n yolov8 python=3.9"创建3.9的虚拟环境
然后激活虚拟环境“conda activate py39”,然后再进行第二步依赖库的安装。
方法二：
直接在python官网下载pyhon3.9的exe文件，安装即可。

---------【第二步：安装软件所需的依赖库】---------
（注意：输入命令前，命令行需先进入项目目录的路径下，不然会提示找不到文件）
方法一：【推荐】
直接运行installPackages.py一键安装第三方库的脚本。命令为：python installPackages.py
方法二: 运行下方命令
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

---------【运行程序】---------
按照以上两步环境配置完成后，直接运行MainProgram.py文件即可打开程序。
命令为：python MainProgram.py

模型评价指标

精确度（Precision）：这个指标告诉你，系统检测到的对象中，有多少是真正存在的。就像你在一个果园里找苹果，精确度就是你能正确找到的苹果数占你找到的所有“苹果”的比例。

召回率（Recall）：这个指标衡量的是，所有真实存在的对象中，有多少被系统正确检测到了。继续果园的例子，召回率就是所有真实苹果中，你找到的苹果所占的比例。

F1分数（F1 Score）：这是一个综合考虑精确度和召回率的指标。如果一个系统既有很高的精确度也有很高的召回率，那么它的F1分数就会很高。这就像是你既找到了很多苹果，又确保了几乎所有的苹果都被你找到了。

平均精度（Average Precision, AP）：这个指标衡量的是，在不同的置信度阈值下，精确度和召回率的平均表现。置信度可以理解为系统对检测到的对象存在的把握程度。AP越高，表示系统在不同置信度下的表现越稳定。

mAP（Mean Average Precision）：这是在多个类别上计算AP后的平均值。如果一个系统需要检测多种类型的对象，比如猫、狗、鸟等，mAP就是这些类别AP值的平均，它提供了一个整体的性能评价。

速度（Speed）：虽然不是直接的评价指标，但速度对于实时对象检测系统非常重要。YOLO系列的一个优点就是它的速度非常快，可以在视频流中实时检测对象，而不会有明显的延迟。

模型大小（Model Size）：这个指标衡量的是模型的文件大小。在资源有限的设备上，如手机或嵌入式系统，模型大小是一个重要的考虑因素。

泛化能力（Generalization）：这个指标衡量的是模型在未见过的数据上的表现。一个好的对象检测系统应该能够在多种环境和条件下都能稳定地工作。

这些指标通常在研究论文或技术报告中被用来比较不同的对象检测系统。在实际应用中，根据具体需求，可能会更关注某些指标。例如，对于需要实时反馈的应用，速度可能比精确度更重要。而对于安全监控系统，精确度和召回率可能更为关键。

---

在工业和建筑领域，确保工地工作人员正确佩戴安全帽至关重要，以减少工伤事故的发生。然而，传统的人工监管方法效率低下且容易出错。为了提高工地安全管理的效率和准确性，本文提出了一种基于YOLOv8（You Only Look Once version 8）和PyQt5的工地安全帽佩戴检测系统。该系统利用深度学习技术和图形用户界面框架，旨在实时监测并识别工地上的安全帽佩戴情况。

工地安全帽佩戴检测系统的设计和实现如下：

系统设计
数据集准备
首先，需要收集和标注一个包含各种工地环境和工作人员的图像数据集，确保数据集中包含不同角度、光照条件以及各种颜色和样式的安全帽。图像标注需要精确指出工作人员的头部区域和是否佩戴安全帽，以便训练模型识别安全帽佩戴情况。

模型训练
利用准备好的数据集，对YOLOv8模型进行训练。在训练过程中，需要调整超参数，如学习率、批大小和训练周期，以提高检测的准确性。此外，通过数据增强技术，如随机裁剪、旋转和颜色变换，增强模型对复杂工地环境的适应性。

系统实现
系统核心是YOLOv8模型，负责从实时视频流中检测工作人员的安全帽佩戴情况。系统还包括一个基于PyQt5的用户界面，用于展示检测结果和发出警告。当检测到未佩戴安全帽的情况时，系统会通过声音或视觉信号通知安全管理人员。

实时检测
为了实现实时监测，系统必须能够在低延迟下处理视频流。这意味着模型不仅要准确，还要具备高效的推理能力。在实际部署时，可能需要在边缘计算设备上运行模型，以减少对中心服务器的依赖并提高响应速度。

结果与讨论
在测试集上，YOLOv8模型显示出了较高的安全帽佩戴检测准确率。模型能够在多种环境和光照条件下稳定识别佩戴安全帽的工作人员。尽管如此，在处理工作人员头部被遮挡或安全帽与周围环境颜色相似的情况下，模型的性能仍有待提高。

结论
本文提出的基于YOLOv8和PyQt5的工地安全帽佩戴检测系统，能够有效地提升工地安全管理的自动化水平。通过实时监测和即时反馈，该系统有助于提高工地安全规定执行的严格性，保障工作人员的生命安全。未来的工作将致力于进一步提升模型的鲁棒性，并探索更加高效的模型部署方案，以适应更广泛的工地环境。

---

部分PyQt5可视化代码

# -*- coding: utf-8 -*-
import time
from PyQt5.QtWidgets import QApplication , QMainWindow, QFileDialog, \
    QMessageBox,QWidget,QHeaderView,QTableWidgetItem, QAbstractItemView
import sys
import os
from PIL import ImageFont
from ultralytics import YOLO
sys.path.append('UIProgram')
from UIProgram.UiMain import Ui_MainWindow
import sys
from PyQt5.QtCore import QTimer, Qt, QThread, pyqtSignal,QCoreApplication
import detect_tools as tools
import cv2
import Config
from UIProgram.QssLoader import QSSLoader
from UIProgram.precess_bar import ProgressBar
import numpy as np
# import torch

class MainWindow(QMainWindow):
    def __init__(self, parent=None):
        super(QMainWindow, self).__init__(parent)
        self.ui = Ui_MainWindow()
        self.ui.setupUi(self)
        self.initMain()
        self.signalconnect()

        # 加载css渲染效果
        style_file = 'UIProgram/style.css'
        qssStyleSheet = QSSLoader.read_qss_file(style_file)
        self.setStyleSheet(qssStyleSheet)

    def signalconnect(self):
        self.ui.PicBtn.clicked.connect(self.open_img)
        self.ui.comboBox.activated.connect(self.combox_change)
        self.ui.VideoBtn.clicked.connect(self.vedio_show)
        self.ui.CapBtn.clicked.connect(self.camera_show)
        self.ui.SaveBtn.clicked.connect(self.save_detect_video)
        self.ui.ExitBtn.clicked.connect(QCoreApplication.quit)
        self.ui.FilesBtn.clicked.connect(self.detact_batch_imgs)

    def initMain(self):
        self.show_width = 770
        self.show_height = 480

        self.org_path = None

        self.is_camera_open = False
        self.cap = None

        # self.device = 0 if torch.cuda.is_available() else 'cpu'

        # 加载检测模型
        self.model = YOLO(Config.model_path, task='detect')
        self.model(np.zeros((48, 48, 3)))  #预先加载推理模型
        self.fontC = ImageFont.truetype("Font/platech.ttf", 25, 0)

        # 用于绘制不同颜色矩形框
        self.colors = tools.Colors()

        # 更新视频图像
        self.timer_camera = QTimer()

        # 更新检测信息表格
        # self.timer_info = QTimer()
        # 保存视频
        self.timer_save_video = QTimer()

        # 表格
        self.ui.tableWidget.verticalHeader().setSectionResizeMode(QHeaderView.Fixed)
        self.ui.tableWidget.verticalHeader().setDefaultSectionSize(40)
        self.ui.tableWidget.setColumnWidth(0, 80)  # 设置列宽
        self.ui.tableWidget.setColumnWidth(1, 200)
        self.ui.tableWidget.setColumnWidth(2, 150)
        self.ui.tableWidget.setColumnWidth(3, 90)
        self.ui.tableWidget.setColumnWidth(4, 230)
        # self.ui.tableWidget.horizontalHeader().setSectionResizeMode(QHeaderView.Stretch)  # 表格铺满
        # self.ui.tableWidget.horizontalHeader().setSectionResizeMode(0, QHeaderView.Interactive)
        # self.ui.tableWidget.setEditTriggers(QAbstractItemView.NoEditTriggers)  # 设置表格不可编辑
        self.ui.tableWidget.setSelectionBehavior(QAbstractItemView.SelectRows)  # 设置表格整行选中
        self.ui.tableWidget.verticalHeader().setVisible(False)  # 隐藏列标题
        self.ui.tableWidget.setAlternatingRowColors(True)  # 表格背景交替

        # 设置主页背景图片border-image: url(:/icons/ui_imgs/icons/camera.png)
        # self.setStyleSheet("#MainWindow{background-image:url(:/bgs/ui_imgs/bg3.jpg)}")

    def open_img(self):
        if self.cap:
            # 打开图片前关闭摄像头
            self.video_stop()
            self.is_camera_open = False
            self.ui.CaplineEdit.setText('摄像头未开启')
            self.cap = None

        # 弹出的窗口名称：'打开图片'
        # 默认打开的目录：'./'
        # 只能打开.jpg与.gif结尾的图片文件
        # file_path, _ = QFileDialog.getOpenFileName(self.ui.centralwidget, '打开图片', './', "Image files (*.jpg *.gif)")
        file_path, _ = QFileDialog.getOpenFileName(None, '打开图片', './', "Image files (*.jpg *.jepg *.png)")
        if not file_path:
            return

        self.ui.comboBox.setDisabled(False)
        self.org_path = file_path
        self.org_img = tools.img_cvread(self.org_path)

        # 目标检测
        t1 = time.time()
        self.results = self.model(self.org_path)[0]
        t2 = time.time()
        take_time_str = '{:.3f} s'.format(t2 - t1)
        self.ui.time_lb.setText(take_time_str)

        location_list = self.results.boxes.xyxy.tolist()
        self.location_list = [list(map(int, e)) for e in location_list]
        cls_list = self.results.boxes.cls.tolist()
        self.cls_list = [int(i) for i in cls_list]
        self.conf_list = self.results.boxes.conf.tolist()
        self.conf_list = ['%.2f %%' % (each*100) for each in self.conf_list]

        # now_img = self.cv_img.copy()
        # for loacation, type_id, conf in zip(self.location_list, self.cls_list, self.conf_list):
        #     type_id = int(type_id)
        #     color = self.colors(int(type_id), True)
        #     # cv2.rectangle(now_img, (int(x1), int(y1)), (int(x2), int(y2)), colors(int(type_id), True), 3)
        #     now_img = tools.drawRectBox(now_img, loacation, Config.CH_names[type_id], self.fontC, color)
        now_img = self.results.plot()
        self.draw_img = now_img
        # 获取缩放后的图片尺寸
        self.img_width, self.img_height = self.get_resize_size(now_img)
        resize_cvimg = cv2.resize(now_img,(self.img_width, self.img_height))
        pix_img = tools.cvimg_to_qpiximg(resize_cvimg)
        self.ui.label_show.setPixmap(pix_img)
        self.ui.label_show.setAlignment(Qt.AlignCenter)
        # 设置路径显示
        self.ui.PiclineEdit.setText(self.org_path)

        # 目标数目
        target_nums = len(self.cls_list)
        self.ui.label_nums.setText(str(target_nums))

        # 设置目标选择下拉框
        choose_list = ['全部']
        target_names = [Config.names[id]+ '_'+ str(index) for index,id in enumerate(self.cls_list)]
        # object_list = sorted(set(self.cls_list))
        # for each in object_list:
        #     choose_list.append(Config.CH_names[each])
        choose_list = choose_list + target_names

        self.ui.comboBox.clear()
        self.ui.comboBox.addItems(choose_list)

        if target_nums >= 1:
            self.ui.type_lb.setText(Config.CH_names[self.cls_list[0]])
            self.ui.label_conf.setText(str(self.conf_list[0]))
        #   默认显示第一个目标框坐标
        #   设置坐标位置值
            self.ui.label_xmin.setText(str(self.location_list[0][0]))
            self.ui.label_ymin.setText(str(self.location_list[0][1]))
            self.ui.label_xmax.setText(str(self.location_list[0][2]))
            self.ui.label_ymax.setText(str(self.location_list[0][3]))
        else:
            self.ui.type_lb.setText('')
            self.ui.label_conf.setText('')
            self.ui.label_xmin.setText('')
            self.ui.label_ymin.setText('')
            self.ui.label_xmax.setText('')
            self.ui.label_ymax.setText('')

        # # 删除表格所有行
        self.ui.tableWidget.setRowCount(0)
        self.ui.tableWidget.clearContents()
        self.tabel_info_show(self.location_list, self.cls_list, self.conf_list,path=self.org_path)

if __name__ == "__main__":
    app = QApplication(sys.argv)
    win = MainWindow()
    win.show()
    sys.exit(app.exec_())
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180