YOLOV8模型如何训练 智慧工地安全检测数据集 检测手推车 建筑工人 安全帽 钢筋 建筑木板堆积 切割机 砖块堆积检测 13372张 15类

智慧工地安全检测数据集 检测手推车 建筑工人 安全帽 钢筋 建筑木板堆积 切割机 砖块堆积检测 13372张 15类

1

1

1


智慧工地安全检测数据集的完整说明，包括类别表格、数据划分建议及YOLOv8 完整训练代码，适用于智能工地监控、AI 安全巡检等场景。

✅ 一、数据集概览表

✅ 二、15 个检测类别详细说明表

💡关键检测逻辑：

• 若person存在但无hard_hat→违规未戴安全帽
• cutting_machine附近有person且无防护 →高危操作
• wood_pile/brick_pile堆放过高 →坍塌风险

✅ 三、推荐目录结构（YOLO 格式）

construction_safety_dataset/ ├── images/ │ ├── train/ # ~9,360 张 │ ├── val/ # ~2,674 张 │ └── test/ # ~1,338 张 ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml # 配置文件

✅ 四、data.yaml配置文件

# construction_safety_dataset/data.yamltrain:./images/trainval:./images/valtest:./images/testnc:15names:['person','hard_hat','wheelbarrow','rebar','wood_pile','brick_pile','cutting_machine','excavator','crane','scaffold','ladder','warning_sign','fire_extinguisher','cement_bag','steel_beam']

✅ 五、YOLOv8 完整训练代码（Python）

# -*- coding: utf-8 -*-""" 智慧工地安全检测 - YOLOv8 训练脚本 15 类目标：工人、安全帽、手推车、钢筋、木板堆积、切割机等 作者：AI助手 """importosfromultralyticsimportYOLOimporttorch# -----------------------------# 1. 配置路径与设备# -----------------------------DATASET_PATH="construction_safety_dataset"ifnotos.path.exists(DATASET_PATH):raiseFileNotFoundError(f"❌ 数据集路径 '{DATASET_PATH}' 不存在！")device='cuda'iftorch.cuda.is_available()else'cpu'print(f"🚀 使用设备:{device}")# -----------------------------# 2. 加载预训练模型（推荐 yolov8m）# -----------------------------# • yolov8s：平衡速度与精度（推荐）# • yolov8m：更高精度（适合复杂工地场景）model=YOLO('yolov8m.pt')# -----------------------------# 3. 启动训练（针对工地场景优化）# -----------------------------results=model.train(data=os.path.join(DATASET_PATH,'data.yaml'),# ⏱️ 训练参数epochs=120,imgsz=1280,# 提升小目标（如安全帽）检出率batch=12,# 根据 GPU 显存调整（RTX 3090 可设 24）name='construction_yolov8m_1280',device=device,# 🎨 数据增强（工地定制）hsv_h=0.015,hsv_s=0.7,hsv_v=0.5,degrees=15.0,# 工地视角多变translate=0.2,scale=0.5,mosaic=1.0,# ✅ 必开！提升小目标召回mixup=0.1,flipud=0.0,fliplr=0.5,# 🧠 训练策略patience=30,save_period=10,workers=8,cache=False)print("✅ 训练完成！")print(f"📌 最佳模型路径: runs/detect/construction_yolov8m_1280/weights/best.pt")

✅ 六、命令行快速训练（可选）

yolo detect train\data=construction_safety_dataset/data.yaml\model=yolov8m.pt\epochs=120\imgsz=1280\batch=12\name=construction_yolov8m_1280\device=0

✅ 七、安全合规推理示例（检测未戴安全帽）

# safety_check.pyfromultralyticsimportYOLOimportcv2 model=YOLO('best.pt')defcheck_hard_hat(image_path):results=model(image_path)img=cv2.imread(image_path)persons=[]hats=[]forrinresults:boxes=r.boxesforboxinboxes:cls_id=int(box.cls[0])x1,y1,x2,y2=map(int,box.xyxy[0])ifcls_id==0:# personpersons.append((x1,y1,x2,y2))elifcls_id==1:# hard_hathats.append((x1,y1,x2,y2))# 简单判断：若有人无对应安全帽 → 违规violations=len(persons)-len(hats)ifviolations>0:print(f"⚠️ 发现{violations}名工人未佩戴安全帽！")# 可在此处画红框、报警等returnviolations# 示例check_hard_hat("site_image.jpg")

✅ 八、部署建议

💡性能预期（基于 13k+ 图像）：

• mAP@0.5 > 0.90
• 安全帽检出率 > 95%
• 切割机/钢筋等小目标 Recall > 85%

如需以下扩展功能，请告知：

• 自动生成安全日报（含违规截图）
• 与门禁系统联动（未戴安全帽禁止入场）
• 多摄像头协同跟踪（跨镜头工人 ID）
• 3D 堆积高度估算（木板/砖块）

祝您打造高可靠智慧工地 AI 安全系统！🏗️👷‍♂️🛡️