基于YOLOv8的智能工厂危险区域电子围栏系统实战解析

简介：面向毕业设计或课程设计的智能工厂安全监控完整方案，基于YOLOv8目标检测算法构建危险区域电子围栏系统，可实时检测人员或物体是否闯入设定区域，并自动触发警报或联动安全设备干预，提升工厂安全管理水平。压缩包共97个文件，以70个Python源码文件为核心，覆盖主程序、检测服务、工具模块与模型训练脚本；另含4个预训练模型权重文件、5个XML配置、2个说明文档、界面图标及1段演示视频，整体仅24.21MB，部署门槛低。内置可视化操作界面，直观呈现监控画面与告警信息；完整数据集与部署教程可帮助无深厚技术背景的用户快速安装、运行和调参。源码结构清晰，支持针对特定工厂场景二次扩展与定制。已有39人学习下载，适合需要快速落地课题的学生、教师及工厂安全领域工程师参考使用。 第一次解压这份《基于YOLOv8的智能工厂危险区域电子围栏系统》压缩包时，我原本预期又是一个只给算法demo的毕设拼盘。实际跑完之后，它确实做到了开箱即用：模型权重、训练脚本、可视化界面、完整数据集和部署教程都齐了。核心价值在于它不是一个单独的YOLOv8检测器，而是一套完整的电子围栏业务逻辑——检测到人形目标后，还要和预先圈定的危险区域做侵入计算，越界才告警。玩法是：跑main.py启动可视化界面，加载best.pt，就能在视频或摄像头画面上同时看到检测框和告警区域。适合正在做毕设或课程设计的学生，也适合需要在工厂安全监控里快速出原型的技术人员。新手能照着README跑通，老手能直接改检测后处理逻辑接自己的业务。

2. 系统架构与电子围栏判定原理：中心点法翻车，脚点+面积比才是正解

2.1 压缩包文件布局：每个文件到底管什么

很多同学拿到这类资源的第一反应是打开文件夹挨个看代码，结果被一堆utils里的工具文件劝退。这份压缩包虽然看起来文件多，但真正需要关心的只有三块：入口程序、检测服务、业务判定。我按实际运行顺序拆一下。

运行链路并不复杂：main.py启动 PyQt5 窗口，用户在界面上选择视频或摄像头并点击“开始检测”，此时five_type_det_service.py加载best.pt，对每一帧调用 YOLOv8 推理，得到人员检测框；随后my_func.py把这些检测框和预先画好的危险区域多边形做侵入计算，命中则触发告警提示。把检测和业务拆开的好处是：换模型或换检测算法时，不需要动界面代码，只改服务层。

注意压缩包里的utils/目录并不是多余的“官方垃圾”。如果你不想安装完整的ultralytics包，项目可以直接借用这些工具文件完成前向推理。但实际跑下来，我还是建议装一次ultralytics，因为train_mode.py训练脚本依赖它，自己写训练循环反而更容易踩版本坑。另外那个名字像乱码的.txt文档就是部署教程，里面包含安装顺序和常见报错，动手前务必先读一遍，它能省掉至少半小时的摸索。

2.2 侵入判定的两种常用算法：中心点法为何翻车，脚点+面积比才是正解

电子围栏系统最容易被低估的部分不是检测模型，而是“如何判断一个人进入了危险区域”。如果直接拿检测框的中心点做判断，现场使用时会立刻发现一个问题：人的躯干在区域内，但由于弯腰或抬手，中心点被手臂带出区域外，导致明明人已经站在设备旁边却不报警。这就是典型的中心点法漏报。

我在自己的项目里常用的做法是组合两种判定：第一，取检测框下边中点的“脚点”，判断脚点是否落在危险区域多边形内；第二，同时统计检测框四个角点有几个在多边形内，超过阈值再触发。脚点比中心点更可靠，因为人站立时脚是接触地面的位置，俯视摄像头下脚点最能代表“人实际占用了哪块地面”。给出一个射线法的通用实现：

def point_in_polygon(point, polygon): x, y = point inside = False n = len(polygon) j = n - 1 for i in range(n): xi, yi = polygon[i] xj, yj = polygon[j] # 射线与多边形边的交点条件 if ((yi > y) != (yj > y)) and (x < (xj - xi) * (y - yi) / (yj - yi) + xi): inside = not inside j = i return inside

这段代码是标准的射线法，几何原理是：从目标点向右水平射一条线，统计它与多边形边的交点次数，奇数次说明点在多边形内部。参数里point是脚点像素坐标(x, y)，polygon是危险区域多边形的顶点列表，每个顶点同样是像素坐标。使用时注意坐标单位必须统一，如果画面是 1920x1080，多边形顶点也应该是这个坐标系下的值。

只有脚点判断还不够，因为当人侧身站在区域边界线上，脚点可能恰好在多边形外，但身体大部分已经在里面了。所以我一般会再加一个角点计数判断：

def box_in_area(box, area_polygon): # box: [x1, y1, x2, y2] 像素坐标 x1, y1, x2, y2 = box corners = [(x1, y1), (x2, y1), (x2, y2), (x1, y2)] inside_count = sum(point_in_polygon(c, area_polygon) for c in corners) return inside_count >= 2

inside_count统计检测框四个角点中有几个落在危险区域内，两个及以上的角点都在多边形内时，说明目标主体已经跨入区域。这样组合后，既避免了中心点被手臂干扰的问题，又不会因为脚点碰到边界线就误报。实际操作中，我还会把inside_count >= 1的情况单独拎出来，计算检测框与多边形的重叠面积比，只有比值超过 0.15 才触发告警，这样能滤掉“只是手指伸进区域”的瞬时误报。这套判定逻辑可以直接迁移到资源里my_func.py的对应函数中，区域坐标则从界面上的“绘制围栏”操作里拿到。

3. 部署实操：从零跑通main.py，把可视化界面拉起来

3.1 环境准备与依赖安装：Python、PyTorch、PyQt5的版本搭配

部署这类项目最容易翻车的地方就是环境，而不是代码本身。压缩包内虽然没有单独的requirements.txt，但依赖其实很常规：Python 3.9、PyTorch、OpenCV、NumPy、PyQt5，以及用于训练脚本的ultralytics。我给机器配置环境的顺序固定如下：

conda create -n factory_fence python=3.9 -y conda activate factory_fence conda install pytorch torchvision torchaudio cpuonly -c pytorch pip install ultralytics opencv-python pyqt5 numpy pillow

第一行创建干净环境，Python 版本锁定 3.9 是为了避开几个已知的兼容问题：PyQt5 在 Python 3.10 以上偶发AttributeError: 'QAction' object has no attribute 'iconSize'，而 3.8 又对ultralytics新版本支持不友好。第二行激活环境后，安装 PyTorch 时没有用默认的pip install torch，而是走 conda 的cpuonly通道，原因是可以无痛跳过 CUDA 编译错误。如果是 NVIDIA 显卡用户，可以把cpuonly换成pytorch-cuda=11.8这类具体版本号，装完后验证import torch; print(torch.cuda.is_available())是否返回True。

这里有个细节：资源自带的utils/目录里已经有 YOLOv8 的工具代码，所以只跑推理不装ultralytics也未必报错。但训练脚本train_mode.py基本都是基于ultralytics封装，安装它是为了后期重训模型时省事。如果你在安装pyqt5时被镜像源拖慢，用国内镜像源代替官方源即可，版本选5.15.4或更高都行。装完依赖后我习惯先跑一个最小测试：

python -c "import cv2, numpy, PyQt5, ultralytics; print('ok')"

这条命令能快速暴露缺包或 import 路径错误。很多人一上来就python main.py，结果报错后分不清是环境问题还是代码问题。先验证依赖，再进项目目录，是避免把时间浪费在无意义排查上的第一步。依赖版本的大方向是：torch2.x 兼容ultralytics8.x，opencv-python4.7 以上，numpy不要装超过 2.0 的版本，否则cv2某些 API 会报数据格式错误。

3.2 启动检测服务与可视化界面：运行流程和关键按钮的潜台词

环境就绪后，进入项目根目录启动：

cd 基于YOLOv8的智能工厂危险区域电子围栏系统 python main.py

启动成功后出现主窗口，界面上通常有“打开视频”“开始检测”“绘制区域”“停止”等按钮。操作逻辑是：先点击“打开视频”选择压缩包内的测试视频，再点击“绘制区域”在画面上点几个点围出危险区，最后点“开始检测”。如果界面里已经内置了默认围栏区域，就不需要手动绘制。此时画面中黄色框是 YOLOv8 检测到的人员，红色多边形是电子围栏区域，底部的告警状态会从“安全”变成“越界报警”。

如果想把视频源换成摄像头，在main.py或five_type_det_service.py里改视频源即可：

import cv2 # 摄像头 cap = cv2.VideoCapture(0) # 视频文件 # cap = cv2.VideoCapture("test_video.mp4")

参数0表示第一个 USB 摄像头，多路摄像头时改成1或2。需要注意的是，摄像头画面的分辨率和默认围栏坐标不匹配时，要重新绘制区域，不要沿用视频文件里那组坐标，否则围栏位置会完全错位。我第一次在这类系统上直接用视频坐标跑摄像头，结果围栏区域漂到了画面外，折腾半天才意识到是分辨率变了。

整个运行流程中，最容易忽略的是five_type_det_service.py里的模型路径。默认加载model/best.pt，如果训练新模型后只把权重放到了别的地方，启动时会报文件不存在。我一般先把best.pt复制到model目录，再运行程序；想验证模型效果，可以直接跑模型训练/Detection_video.py，它对离线视频做批量检测，不弹界面，适合排查检测问题。最终确认系统跑通后，把界面截图和检测视频一并放进文档，毕设答辩时非常加分。

4. 模型训练与自建数据：让电子围栏适配自己的工厂场景

4.1 数据集格式检查与标注工具选择：YOLO标签不是画个框就完事

压缩包自带完整数据集，但很多课程设计需要换成自己的工厂场景，比如检测安全帽、反光衣，或者把“人员闯入”替换成“叉车闯入”。一旦要重新训练，数据集格式就成了第一个坎。YOLO 格式的标签文件是纯文本，每行对应一个目标：

class_id x_center y_center width height

所有坐标都是相对图片宽高的归一化值，取值范围是 0 到 1。拿到别人给的数据后，我建议先写一个检查脚本，扫一遍标签里有没有越界坐标：

import os label_dir = "datasets/labels/train" for filename in os.listdir(label_dir): path = os.path.join(label_dir, filename) with open(path, encoding="utf-8") as fp: lines = fp.readlines() for line in lines: parts = line.strip().split() if len(parts) != 5: print(f"格式错误: {filename} -> {line.strip()}") continue cls_id, x_center, y_center, w, h = map(float, parts) if x_center >= 1 or y_center >= 1 or w > 1 or h > 1: print(f"坐标越界: {filename} -> {line.strip()}")

这段脚本逐个读取训练标签文件，对每一行做两件事：检查字段数是否为 5，检查中心点坐标和宽高是否处于 0 到 1 之间。如果出现大于 1 的坐标，说明标注工具导出时使用的是像素坐标，没有做归一化转换。直接拿这种标签训练，模型不会崩溃，但损失函数会一直被异常值干扰，最终 mAP 上不去。使用这套系统时，如果决定自己标注，优先选能直接导出 YOLO 格式的工具，例如 LabelImg 或任何带“YOLO”导出选项的标注器。

标注时还要注意一个细节：电子围栏依赖检测框的底边中点作为脚点，所以标注框要贴住完整的人体，尤其是脚底不能被截断。如果训练数据里大部分标签都只标到小腿，模型预测出的框底边就偏高，脚点判定会系统性偏移到身体中心，导致围栏告警提前或者延后。我见过一个学生换了自己数据后误报率飙升，原因就是标注框没有覆盖脚，后来重新按“从头到脚完整框住”的规范标了一遍，误报立刻降下来。这也是为什么要保留可视化页面设计和utils里的数据增强工具，它们在扩充标注样本时能保持框的完整性。

4.2 训练参数配置与调优：yolov8n.pt和yolo11n.pt的取舍

数据集准备好后，用压缩包里的train_mode.py发起训练。资源同时提供了yolov8n.pt和yolo11n.pt两个预训练权重，前者是 YOLOv8 的轻量版本，后者是更新的主干，实测在多数 CPU 机器上yolov8n.pt明显更流畅，而yolo11n.pt精度略高但部署体积更大。我的习惯是先用yolov8n.pt把整套训练流程跑通，确认没有路径和数据问题，再换yolo11n.pt做最终模型。

标准训练命令大致如下：

python train_mode.py \ --data data.yaml \ --weights yolov8n.pt \ --epochs 150 \ --batch 16 \ --imgsz 640 \ --device 0

参数含义分别是：--data指向 YAML 数据集配置文件，里面写清楚训练和验证图片路径、类别数量nc和类别名称；--weights决定用哪个预训练模型；--epochs是训练轮数，工厂场景数据量不大时 150 轮足够；--batch是批大小，16 在 8G 显存上能跑，低于 6G 显存则降到 8；--imgsz是输入分辨率，640 是速度和精度之间的常见平衡点；--device 0指定第一块 GPU，没有 GPU 就改成cpu。如果train_mode.py封装的参数名与标准脚本略有出入，先打开看一眼parse_opt里的默认值，再照葫芦画瓢。

训练完成后，最优权重会保存在runs/train/exp/weights/best.pt。把这个best.pt复制到model目录，替换掉原来的权重，再启动main.py，检测效果就换成了新模型。调优时优先看两个指标：mAP50是否大于 0.8，以及验证集上检测框是否稳定框住完整的人体。如果mAP50上不去，通常先怀疑标签质量，其次再看数据量。数据量不足时，可以借助utils/augmentations.py里的增强策略，或者在训练参数里开启马赛克增强，但注意增强过猛会让小目标更加难学，工厂监控场景中目标尺度本来就偏中大型，适度即可。

5. 避坑与常见问题排查：部署和训练中五个典型翻车点

5.1 坑1：UI界面启动秒退，pip list里全是“看起来没问题”

现象是运行python main.py后窗口一闪而过，控制台抛出一堆ModuleNotFoundError或AttributeError，而pip list里依赖看起来都齐全。

原因有两个层面。第一是 Python 环境不匹配，最常见的是同时装了 PyQt5 和 PyQt6，import PyQt5时类名解析冲突导致窗口初始化失败；第二是路径问题，如果从其他目录执行脚本，Python 解释器无法定位项目内的utils包和my_func.py。

解决方法是：先卸载 PyQt6 只保留 PyQt5，再确认在项目根目录下启动。如果仍然报找不到utils，就在main.py开头强制插入项目路径：

import sys import os sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))

这段代码拿到脚本所在目录并注入sys.path，保证无论从哪里执行，项目内部模块都能被导入。从那以后我再遇到“启动秒退”，第一反应不再是翻依赖，而是先看有没有从根目录运行。

5.2 坑2：监控画面卡成PPT，检测耗时与画帧耗时混在一起

现象是视频播放帧率个位数，CPU 占用拉满，画面一顿一顿，但模型检测本身似乎没有逻辑错误。

原因是视频流的处理是串行的：读取一帧、推理一帧、绘制一帧，再把结果刷新到界面，任何一个环节慢都会拖垮整个流程。最常见的瓶颈是在 CPU 上跑了 640 分辨率推理，而且没有做跳帧处理。检测服务内部使用 CPU 时，单帧推理耗时轻松超过 200 毫秒，界面自然卡成幻灯片。

解决方法是把输入尺寸降到 320 或 480，并做隔帧检测。在five_type_det_service.py的推理调用里，可以这样改：

results = model(frame, imgsz=320, conf=0.3, iou=0.45, device="cpu")

imgsz=320将推理分辨率从 640 降到 320，检测速度通常能提升 3 到 4 倍；device="cpu"显式指定 CPU 推理，避免某些环境自动选择不存在的显卡导致报错。如果还卡，就在处理视频帧的循环里加一个帧计数器，只对偶数帧执行推理，奇数帧直接复用上一帧的检测结果显示。副作用是告警响应会有最多一帧的延迟，对工厂围栏场景完全可接受。

5.3 坑3：电子围栏误报/漏报，区域坐标与画面实际位置没对齐

现象是人在危险区域外走动，系统频繁告警；人真正站进设备围挡内，告警反而没触发。

原因是区域坐标和推理坐标不在同一个坐标系。可视化界面里画多边形时，视频画面可能被缩放显示在控件里，鼠标点击保存的是控件坐标，而 YOLOv8 返回的检测框是原始图像像素坐标。如果不做缩放换算，区域多边形在原始图像上的位置会整体偏移，越靠近图像边缘偏移越明显。

解决方法是画好区域后，根据原始图像宽高与控件宽高的比例把多边形顶点换算回去：

scale_x = orig_w / widget_w scale_y = orig_h / widget_h polygon_orig = [(int(x * scale_x), int(y * scale_y)) for x, y in polygon_widget]

polygon_widget是界面上记录的顶点列表，orig_w、orig_h是视频流原始分辨率，widget_w、widget_h是显示控件的尺寸。换算后再交给point_in_polygon，告警位置才会与画面吻合。另一个常见原因是误用了检测框中心点，这个坑在前面已经讲过，直接改用脚点+角点组合判定即可。

5.4 坑4：显存溢出，batch size和imgsz的配合不当

现象是训练过程中突然报CUDA out of memory，进程直接终止，花费几十轮的训练进度全部丢失。

原因是显存容量和batch size、imgsz不匹配。很多学生看到教程默认--batch 16 --imgsz 640就直接照抄，结果显卡只有 6G 显存，前向传播到第几个 batch 内存就爆了。

解决方法是把批大小降到 8 或 4，同时将imgsz从 640 降到 512，或者开启梯度累积。在train_mode.py对应的命令里改成：

python train_mode.py --data data.yaml --weights yolov8n.pt --epochs 150 --batch 4 --imgsz 512

--batch 4大幅降低单次送入网络的图片数量，--imgsz 512减少特征图内存占用。即便这样仍然爆显存，可以考虑用--device cpu训练小规模数据集，只是时间多花几倍，但总比中途崩溃强。训练前先看一眼nvidia-smi显示的显存总量，再决定参数，是血泪经验教会我的习惯。

5.5 坑5：换数据集后AP掉光，训练集里只有“人”没有“负样本”

现象是训练 150 轮后mAP50只有 0.2 到 0.3，验证集上大量误检，把传送带阴影当成人员。

原因是数据集分布不完整。如果训练集每张图都至少有一个人，模型会错误地认为“每个画面都必须有目标”，在实际环境里只要出现类似人形的纹理就会触发高置信度预测。另一个原因是训练和验证视频来自同一条监控摄像头的连续帧，背景高度相似，模型学到的是背景记忆而不是人体语义。

解决方法是主动加入若干张完全没有人员的负样本图片，对应的标签文件可以完全为空。负样本让模型学会输出“背景”类别，显著降低误检率。同时在数据切分时也要注意，建议按时间间隔抽帧而不是连续取帧，确保验证集与训练集背景不完全重复。这个坑在普通目标检测任务里不明显，但在电子围栏场景会被放大，因为告警系统对误报零容忍。

6. 进阶技巧：把一次性运行变成可配置的告警系统

6.1 把危险区域坐标抽成JSON配置

默认实现里，电子围栏区域坐标可能写在代码里或保存在界面配置文件中。更好的做法是单独维护一个areas.json，把每个危险区域的名字、多边形顶点和告警延迟时间集中管理：

{ "areas": [ { "name": "高压区", "points": [[100, 200], [300, 200], [300, 400], [100, 400]], "alarm_delay": 1.5 } ] }

程序启动时加载这份配置，再用前面写好的point_in_polygon函数做判定。这样现场调整围栏区域时，只需要重新画点并保存areas.json，不用改动任何 Python 代码。我实际部署时还会把每个区域单独设置alarm_delay，因为不同设备的危险等级不同：冲压机区域要求人员靠近就立即警报，而仓储通道允许通行 1 秒再提示。配置化之后，现场管理人员也能自己维护。

6.2 加入时间过滤和声音告警

一个容易忽略的问题是：人员只是路过危险区域边缘，检测框脚点短暂落在多边形内时，系统不应该立刻告警，否则会把正常巡检变成集体报警。常见的处理方式是用时间戳记录“连续命中”状态，超过设定阈值才触发告警。基于 PyQt5 的界面可以直接播放提示音：

import time from PyQt5.QtMultimedia import QSound hit_since = 0.0 alarm_playing = False # 在每帧判定后更新状态 if inside and not alarm_playing: if hit_since == 0.0: hit_since = time.time() elif time.time() - hit_since > 1.0: QSound.play("alarm.wav") alarm_playing = True else: hit_since = 0.0 alarm_playing = False

这里的关键参数是1.0，表示脚点连续落在多边形内超过 1 秒才触发警报。alarm.wav需要放在项目目录下，也可以用系统自带的其他音频接口替代。配合areas.json里的alarm_delay，逻辑会更完整。做完这两件事，这套资源就从“跑得通的 demo”变成了“接近可交付的告警系统”。

最后说一个我踩过的坑：在某工厂车间测试时，摄像头俯角拍摄，人的头在区域内但脚在区域外，中心点法直接漏报，后来把判定逻辑改成脚点+角点计数，并加上 1 秒连续命中过滤，才达到现场验收标准。从那以后我每次部署都强制做一遍“区域对齐检查”——先用一张固定帧把多边形和地面实际边界对齐，再调判定参数。这套流程在这份资源里能很顺畅地走通。希望帮到你。

本文还有配套的精品资源，点击获取