当前位置：首页 > news >正文

智慧工地安全检测数据集 YOLOV8模型如何训练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

news 2026/7/24 18:29:07

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

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

项目	内容
数据集名称	智慧工地安全检测数据集（Construction Site Safety Dataset）
总图像数量	13,372 张（高分辨率工地实景图像）
目标类别数	15 类
标注格式	YOLO 格式（`.txt`文件，归一化坐标）
数据划分建议	- 训练集（train）：9,360 张（70%）- 验证集（val）：2,674 张（20%）- 测试集（test）：1,338 张（10%）
应用场景	- 工人安全行为识别- 危险区域物品堆放检测- PPE（个人防护装备）合规检查- 设备与材料管理

✅ 二、15 个检测类别详细说明表

类别编号	类别名称（英文）	中文含义	说明
0	`person`	建筑工人	所有工地人员（需配合安全帽判断是否合规）
1	`hard_hat`	安全帽	工人佩戴的安全头盔（黄色/红色/蓝色等）
2	`wheelbarrow`	手推车	运输砂浆、砖块的小型推车
3	`rebar`	钢筋	裸露或堆放的钢筋束
4	`wood_pile`	建筑木板堆积	木模板、支撑板的堆叠区域
5	`brick_pile`	砖块堆积	红砖、空心砖等堆垛
6	`cutting_machine`	切割机	金属/石材切割设备（含火花风险）
7	`excavator`	挖掘机	大型工程机械
8	`crane`	塔吊	高空吊装设备
9	`scaffold`	脚手架	金属或竹制高空作业平台
10	`ladder`	梯子	移动式或固定梯
11	`warning_sign`	警示标志	“高压危险”“禁止通行”等标牌
12	`fire_extinguisher`	灭火器	消防设备（合规性检查）
13	`cement_bag`	水泥袋	成包水泥堆放
14	`steel_beam`	钢梁	H 型钢、工字钢等结构件

💡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

场景	方案
工地边缘盒子	Jetson AGX Orin + TensorRT（`yolov8s`）
视频流分析	OpenCV + YOLOv8 实时处理 RTSP 流
Web 平台	FastAPI 提供`/safety-check`接口
移动端 App	导出 ONNX，集成到 Android/iOS