🎯 安全帽检测系统 (Safety Helmet Detection System)

基于先进的YOLOv8模型构建的安全帽检测系统，提供高精度的实时检测能力和友好的Web交互界面。

获取地址

https://mbd.pub/o/bread/YZWVmZhrbQ==

系统展示

🌟 系统特性

• 高精度检测: 基于YOLOv8模型，mAP50达到96.53%
• 多模式检测: 支持单图检测、批量检测、实时摄像头检测
• 友好界面: 现代化的Web界面，支持拖拽上传
• GPU加速: 支持CUDA加速训练和推理
• 完整流程: 从数据集处理到模型训练再到系统部署的全流程解决方案
  
  
  

📋 目录结构

HSRS/
├── VOC2028/                    # 原始VOC数据集
│   ├── Annotations/           # XML标注文件
│   ├── JPEGImages/           # 图片文件
│   └── ImageSets/            # 数据集分割信息
├── yolo_dataset/              # 转换后的YOLO格式数据集
│   ├── images/
│   │   ├── train/            # 训练图片
│   │   └── val/              # 验证图片
│   ├── labels/
│   │   ├── train/            # 训练标签
│   │   └── val/              # 验证标签
│   └── dataset.yaml          # 数据集配置文件
├── hat_detection/             # 训练输出目录
│   └── yolov8_hat_model_gpu/ # 训练好的模型
│       └── weights/
│           ├── best.pt       # 最佳模型
│           └── last.pt       # 最新模型
├── dataset_manager.py         # 统一数据集管理工具
├── train_gpu.py              # GPU训练脚本
├── detection_model.py         # 检测模型封装
├── app.py                    # Flask Web应用
├── run.py                    # 一键启动脚本
└── requirements.txt          # 依赖包列表

🚀 快速开始

1. 环境准备

系统要求

• 操作系统: Windows 10/11, Linux, macOS
• Python: 3.8+
• GPU: NVIDIA GPU (推荐，支持CUDA)
• 内存: 8GB+ RAM
• 存储: 10GB+ 可用空间

安装依赖

pip install -r requirements.txt

#### GPU环境配置（可选但推荐）

```bash
# 检查CUDA版本
nvidia-smi

# 安装CUDA版本的PyTorch
python install_gpu_pytorch.py

2. 数据集处理

自动处理（推荐）

# 一键处理数据集
python dataset_manager.py

3. 模型训练

GPU训练（推荐）

# 使用GPU训练
python train_gpu.py

CPU训练

# 使用CPU训练
python train_model.py

训练参数说明

• epochs: 训练轮数（默认100）
• batch_size: 批次大小（GPU自动调整）
• img_size: 图片尺寸（默认640）
• device: 训练设备（自动检测GPU/CPU）

4. 系统部署

一键启动

# 完整流程：数据集处理 + 模型训练 + Web服务
python run.py

分步启动

# 仅启动Web服务
python app.py

访问系统

打开浏览器访问: http://localhost:5000

📊 模型性能

训练结果

• mAP50: 96.53%
• mAP50-95: 80.01%
• Precision: 95.14%
• Recall: 93.63%

检测能力

• 检测类别: 安全帽 (hat)
• 置信度阈值: 0.5
• 推理速度: ~20ms/帧 (GPU)
• 支持格式: JPG, PNG, BMP

🎮 使用指南

Web界面功能

1. 单图检测

• 点击"选择图片"或拖拽图片到上传区域
• 系统自动检测并显示结果
• 支持结果图片下载

2. 批量检测

• 选择包含多张图片的文件夹
• 系统批量处理并生成报告
• 支持结果打包下载

3. 实时检测

• 点击"开启摄像头"
• 实时显示检测结果
• 支持截图保存

API接口

单图检测

curl -X POST http://localhost:5000/api/detect_image \
  -F "image=@test.jpg"

批量检测

curl -X POST http://localhost:5000/api/detect_batch \
  -F "folder=@test_folder"

🔧 故障排除

常见问题

1. 数据集问题

# 检查数据集完整性
python dataset_manager.py --action check

# 修复数据集
python dataset_manager.py --action fix

2. GPU相关问题

# 检查GPU环境
python -c "import torch; print(torch.cuda.is_available())"

# 重新安装GPU PyTorch
python install_gpu_pytorch.py

3. 模型加载问题

# 检查模型文件
ls hat_detection/yolov8_hat_model_gpu/weights/

# 重新训练模型
python train_gpu.py

4. Web服务问题

# 检查端口占用
netstat -an | grep 5000

# 更换端口
python app.py --port 5001

错误代码说明

错误代码	说明	解决方案
MODEL_NOT_FOUND	模型文件未找到	检查模型路径或重新训练
DATASET_ERROR	数据集错误	运行数据集修复脚本
GPU_UNAVAILABLE	GPU不可用	检查CUDA安装或使用CPU
PORT_OCCUPIED	端口被占用	更换端口或关闭占用进程

📈 性能优化

训练优化

1. 数据增强: 启用更多数据增强策略
2. 学习率调整: 使用更激进的学习率衰减
3. 模型集成: 训练多个模型进行集成
4. 超参数调优: 使用网格搜索优化参数

推理优化

1. 模型量化: 使用INT8量化减少模型大小
2. TensorRT加速: 使用TensorRT进行推理加速
3. 批处理: 批量处理提高吞吐量
4. 缓存机制: 缓存检测结果减少重复计算

🔒 安全考虑

数据安全

• 上传的图片仅用于检测，不会永久存储
• 支持图片自动清理机制
• 可配置数据保留时间

系统安全

• 支持HTTPS部署
• 可配置访问控制
• 支持API密钥认证