这是一套基于 YOLOv8 的实时工地安全检测系统，核心功能：摄像头实时识别人员、检测是否佩戴安全帽 + 反光衣，对违规人员独立跟踪、计时报警、统计人数，全程 GPU 加速运行。

效果演示

我会分模块、逐段、通俗化给你讲清楚每一行代码的作用。（关注私领源码和model.pt文件）

一、整体架构总览

1. 双模型分工：
   • YOLOv8n：专门检测人员+ 跟踪人员 ID（区分不同人）
   • 自定义训练模型：检测安全帽、反光衣
2. 核心逻辑：找到人 → 看这个人身上有没有安全帽 + 反光衣 → 合规标绿色、违规标红色 → 违规计时 → 达到阈值报警 → 实时统计数据
3. 运行环境：Python + OpenCV + Ultralytics YOLO + GPU 加速

---

二、逐部分代码解析

1. 导入依赖库

python

运行

from ultralytics import YOLO
import cv2
import time
import numpy as np
from collections import defaultdict

• YOLO：目标检测核心库，加载模型、推理、跟踪
• cv2：OpenCV，处理摄像头画面、绘图、显示窗口
• time：计时，用于违规超时报警
• defaultdict：智能字典，存储每个人员独立的跟踪状态

---

2. 配置参数（可直接修改调优）

python

运行

# ===================== 配置参数 =====================
FRAME_SKIP = 1          # 跳帧检测（1=不跳帧，2=每2帧检测1次，提升流畅度）
RESIZE_WIDTH = 640      # 画面宽度
RESIZE_HEIGHT = 480     # 画面高度
WARNING_TIME = 2        # 违规持续2秒，记1次警告
MAX_WARNING_COUNT = 3    # 累计3次警告，触发最终报警
CONFIDENCE = 0.45        # 置信度阈值（大于45%才认为检测有效）
# ====================================================

✅ 作用：统一管理可调参数，不用改核心代码就能优化效果。

---

3. 主程序入口 + 加载模型

python

运行

if __name__ == '__main__':
    # 加载模型（GPU 加速）
    model_person = YOLO(r"路径\yolov8n.pt").to('cuda')
    model_helmet_vest = YOLO(r"路径\best.pt").to('cuda')

• model_person：官方 YOLOv8n 模型，只检测人（classes=[0]）
• model_helmet_vest：你自己训练的模型，检测安全帽、反光衣
• .to('cuda')：强制使用 GPU，大幅提升运行速度

---

4. 初始化摄像头

python

运行

# 打开摄像头
cap = cv2.VideoCapture(0)
cap.set(cv2.CAP_PROP_FRAME_WIDTH, RESIZE_WIDTH)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, RESIZE_HEIGHT)

• 0：调用电脑默认摄像头
• 设置分辨率：统一画面大小，保证检测稳定

---

5. 人员跟踪状态字典（核心！多人独立管理）

python

运行

# 多人独立跟踪状态
track_info = defaultdict(lambda: {
    "violate_start": None,   # 违规开始时间
    "warn_count": 0,         # 警告次数
    "is_violating": False    # 是否正在违规
})
total_alert_count = 0  # 总报警次数
frame_count = 0       # 帧计数器

✅ 关键作用：这是系统能区分不同人、单独计时报警的核心。每个人有独立的 ID，违规时间、警告次数互不干扰。

---

6. 主循环（实时检测核心）

python

运行

while True:
    ret, frame = cap.read()
    if not ret:
        break

• 无限循环读取摄像头画面
• ret=False代表摄像头断开，退出循环

---

7. 跳帧优化（保证流畅不卡顿）

python

运行

# 间隔帧检测，提升流畅度
frame_count += 1
if frame_count % FRAME_SKIP != 0:
    cv2.imshow("窗口名", frame)
    if 按Q键: break
    continue

• 不检测的帧直接显示画面，不做 AI 计算
• 算力低的电脑可以改 FRAME_SKIP=2，速度翻倍

---

8. 绘制危险区域

python

运行

# 绘制危险区域
cv2.rectangle(frame, (0, 0), (w, h), (0, 0, 255), 2)
cv2.putText(frame, "DANGER ZONE", ...)

• 全屏红色边框 + 文字，提示当前是监控危险区域

---

9. 双模型推理（检测人 + 检测装备）

python

运行

# 检测 + 跟踪
results_person = model_person.track(frame, classes=[0], conf=CONFIDENCE, persist=True, verbose=False)
results_hv = model_helmet_vest(frame, conf=CONFIDENCE, verbose=False)
frame = results_hv[0].plot(img=frame, labels=False, conf=False)

1. model_person.track()：检测人员 + 分配唯一 ID（跟踪）
2. model_helmet_vest()：检测安全帽、反光衣
3. .plot()：把检测结果画在画面上

---

10. 人员装备匹配逻辑（核心判断）

python

运行

for pid, box in zip(ids, boxes):
    x1, y1, x2, y2 = box  # 人员框坐标
    has_helmet = False
    has_vest = False

    # 判断装备：看安全帽/反光衣的中心点 是否在 人的框内
    for hb in results_hv[0].boxes:
        hx1, hy1, hx2, hy2 = 装备坐标
        hcx, hcy = 装备中心点
        if x1 < hcx < x2 and y1 < hcy < y2:
            if cid == 0: has_helmet = True
            if cid == 1: has_vest = True

✅ 原理：判断安全帽 / 反光衣的中心点，是否落在人员的方框内

• 在里面 → 这个人穿戴了装备
• 不在 → 没穿戴

---

11. 合规 / 违规标记

python

运行

if has_helmet and has_vest:
    # 合规：绿色框 + Safe
    cv2.rectangle(..., (0,255,0), 2)
    safe_person += 1
else:
    # 违规：红色框 + Danger
    cv2.rectangle(..., (0,0,255), 2)
    violate_person += 1

• 两个装备都有 → 安全
• 缺一个 / 都缺 → 违规

---

12. 独立报警逻辑（最智能的部分）

python

运行

current_t = time.time()
for pid in ids:
    info = track_info[pid]
    if info["is_violating"]:
        if info["violate_start"] is None:
            info["violate_start"] = current_t  # 开始计时

        # 持续违规2秒 → 记1次警告
        if current_t - info["violate_start"] >= WARNING_TIME:
            info["warn_count"] += 1
            info["violate_start"] = current_t

            # 累计3次警告 → 触发报警
            if info["warn_count"] >= MAX_WARNING_COUNT:
                print(f"🔴 ALERT: Person {pid} NOT SAFE!")
                total_alert_count += 1
    else:
        # 恢复合规 → 清空计时和警告
        info["violate_start"] = None
        info["warn_count"] = 0

✅ 报警规则：

1. 人员开始违规 → 启动计时器
2. 持续违规2 秒 → 警告 + 1
3. 累计3 次警告 → 触发最终报警
4. 戴上装备 → 立即清空计时，停止报警

---

13. 实时数据统计显示

python

运行

cv2.putText(frame, f"Total: {total_person}", ...)
cv2.putText(frame, f"Safe: {safe_person}", ...)
cv2.putText(frame, f"Violate: {violate_person}", ...)
cv2.putText(frame, f"Alert Tot: {total_alert_count}", ...)

画面左上角显示：

• 总人数
• 安全人数
• 违规人数
• 总报警次数

---

14. 退出与资源释放

python

运行

cap.release()
cv2.destroyAllWindows()

关闭摄像头、销毁窗口，安全退出程序

---

三、核心亮点总结

1. 双模型协同：人员跟踪 + 装备检测分离，精度更高
2. 多人独立跟踪报警：不会混淆不同人员，每个人单独计时
3. 延时报警：避免瞬间遮挡误报，只有持续违规才报警
4. GPU 加速：运行流畅，适合实时监控
5. 可视化统计：画面直接显示人数、报警数
6.