Safety-Helmet-Wearing-Dataset：88.5% mAP安全帽检测数据集与预训练模型全解析

【免费下载链接】Safety-Helmet-Wearing-Dataset Safety helmet wearing detect dataset, with pretrained model 项目地址: https://gitcode.com/gh_mirrors/sa/Safety-Helmet-Wearing-Dataset

Safety-Helmet-Wearing-Dataset（简称SHWD）是一个专注于安全帽佩戴检测的开源数据集，提供了7581张标注图像，包含9044个佩戴安全帽的正样本和111514个未佩戴安全帽的负样本，同时附带经过优化的预训练模型，darknet模型的mAP（平均精度均值）可达88.5%，为工业安全监测场景提供了高效的AI解决方案。

为什么选择Safety-Helmet-Wearing-Dataset？

在建筑工地、工厂车间等高危环境中，实时监测人员是否佩戴安全帽是保障施工安全的关键环节。传统人工巡检效率低且易遗漏，而基于AI的自动检测系统能24小时不间断工作。SHWD数据集通过以下特性满足这一需求：

• 大规模标注数据：覆盖7581张图像，包含12万+标注对象，兼顾"hat"（佩戴安全帽）和"person"（未佩戴安全帽）两类标签
• 高精度预训练模型：提供三种模型选择（darknet/mobile1.0/mobile0.25），在保持88.5%高检测精度的同时支持轻量化部署
• 标准数据格式：采用Pascal VOC格式标注，可直接用于主流深度学习框架训练
• 多场景适应性：图像来自真实工业环境，包含不同光照、角度和人群密度的场景

图：安全帽检测系统在建筑工地场景的实时监测效果，蓝色框标记未佩戴安全帽人员，红色框标记佩戴安全帽人员

数据集核心参数与性能表现

SHWD数据集经过精心构建，确保训练出的模型具有工业级可靠性：

数据集构成

• 总图像数量：7581张
• 标注对象总数：120,558个（9,044个正样本 + 111,514个负样本）
• 数据来源：正样本来自网络采集并人工标注，负样本部分来自SCUT-HEAD数据集（已优化格式）
• 标注格式：Pascal VOC标准格式，包含Annotations、ImageSets和JPEGImages三个目录

预训练模型性能

模型类型	mAP（平均精度均值）	适用场景
darknet53	88.5%	服务器端高精度检测
mobile1.0	86.3%	边缘设备中等精度检测
mobile0.25	75.0%	移动端低功耗快速检测

图：darknet模型对不同颜色安全帽的检测效果，红色框准确识别多种安全帽类型

快速上手：3步实现安全帽检测

1. 环境准备

确保已安装以下依赖库：

• MXNet（深度学习框架）
• GluonCV（计算机视觉工具包）
• OpenCV（图像处理库）

可通过pip快速安装：

pip install mxnet gluoncv opencv-python

2. 获取项目与模型

克隆项目仓库：

git clone https://gitcode.com/gh_mirrors/sa/Safety-Helmet-Wearing-Dataset
cd Safety-Helmet-Wearing-Dataset

下载预训练模型（支持百度网盘和Google Drive），推荐优先使用darknet53模型获取最佳性能。

3. 运行检测程序

使用test_yolo.py脚本进行快速检测：

# 默认使用darknet53模型，置信度阈值0.4
python test_yolo.py --network yolo3_darknet53_voc --threshold 0.4

# 若使用CPU运行
python test_yolo.py --gpu False

# 检测密集人群时可增大输入尺寸
python test_yolo.py --short 608

程序会读取当前目录下的1.jpg文件，在图像上标注检测结果并保存为1_result.jpg。

图：复杂工人群体场景下的检测效果，红色框标记佩戴安全帽人员，蓝色框标记未佩戴人员

进阶应用：训练与优化

数据集使用方法

数据集采用标准Pascal VOC 2028格式组织：

VOC2028/
├── Annotations/   # XML标注文件
├── ImageSets/     # 训练/验证集划分
└── JPEGImages/    # 图像文件

标注类别包含"hat"（佩戴安全帽）和"person"（未佩戴安全帽）两类，可直接用于目标检测模型训练。

模型训练指南

修改train_yolo.py中的数据集路径：

train_dataset = VOCLike(root='D:\\VOCdevkit', splits=[(2028, 'trainval')])
val_dataset = VOCLike(root='D:\\VOCdevkit', splits=[(2028, 'test')])

启动训练：

python train_yolo.py --batch-size 4 -j 4 --warmup-epochs 3

训练技巧：

• 若出现梯度爆炸，可增加warmup-epochs或减小学习率
• 多核心CPU可增大-j参数值加速数据加载
• Linux系统需确保有足够共享内存，Windows系统可能需要调整文件锁定设置

实际应用场景展示

SHWD数据集和模型已成功应用于多种工业场景：

图：建筑工地团队集体场景的安全帽合规性检测

从实际测试结果看，该模型在以下场景表现尤为出色：

• 建筑施工场地的实时监控
• 工厂车间的安全规范检查
• 电力巡检人员的安全着装监测
• 大型活动的人员安全管理

通过调整检测阈值（--threshold参数），可在检测精度和速度之间灵活平衡，满足不同场景需求。

总结

Safety-Helmet-Wearing-Dataset凭借88.5%的mAP高精度、多样化的预训练模型和标准易用的数据集格式，为工业安全监测提供了开箱即用的AI解决方案。无论是科研人员还是工程开发者，都能快速基于此数据集构建符合实际需求的安全帽检测系统，有效降低安全事故风险，提升管理效率。

项目包含完整的训练、测试代码和详细文档，欢迎贡献代码或提出改进建议，共同推进工业安全AI应用的发展。

【免费下载链接】Safety-Helmet-Wearing-Dataset Safety helmet wearing detect dataset, with pretrained model 项目地址: https://gitcode.com/gh_mirrors/sa/Safety-Helmet-Wearing-Dataset