基于yoloV8安全帽反光衣检测（含代码）
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
安全帽反光衣识别
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
- 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
- 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
- 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 defaultdictYOLO：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)model_person.track()：检测人员 + 分配唯一 ID（跟踪）model_helmet_vest()：检测安全帽、反光衣.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：
- 人员开始违规 → 启动计时器
- 持续违规2 秒→ 警告 + 1
- 累计3 次警告→ 触发最终报警
- 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
- 双模型协同：人员跟踪 + 装备检测分离，精度更高
- 多人独立跟踪报警：不会混淆不同人员，每个人单独计时
- 延时报警：避免瞬间遮挡误报，只有持续违规才报警
- GPU 加速：运行流畅，适合实时监控
- 可视化统计：画面直接显示人数、报警数