YOLO11智慧工地：安全帽佩戴检测系统从零搭建教程-开发者社区

YOLO11智慧工地：安全帽佩戴检测系统从零搭建教程

在现代智慧工地建设中，施工人员的安全管理是重中之重。传统的人工巡检方式效率低、漏检率高，难以满足全天候、实时化的监管需求。随着深度学习技术的发展，基于计算机视觉的智能监控方案逐渐成为主流。YOLO11作为YOLO系列算法的最新演进版本，在目标检测任务中展现出更高的精度与推理速度，特别适用于复杂场景下的安全帽佩戴行为识别。

本教程将带你从零开始，基于YOLO11完整可运行环境，构建一套可用于实际部署的安全帽佩戴检测系统。我们将涵盖环境准备、数据处理、模型训练、结果可视化等关键环节，并结合Jupyter Notebook和SSH两种交互方式进行操作演示，确保开发者能够快速上手并实现本地或远程开发调试。

1. 环境准备与镜像使用说明

1.1 YOLO11深度学习镜像简介

本项目基于预置的YOLO11完整可运行环境镜像构建，该镜像已集成以下核心组件：

Python 3.10
PyTorch 2.3.0 + CUDA 11.8
Ultralytics 8.3.9（YOLO11官方框架）
OpenCV、NumPy、Pandas、Matplotlib 等常用库
Jupyter Lab 与 SSH 服务支持

该镜像为开发者提供了开箱即用的计算机视觉开发环境，无需手动配置依赖，极大降低了入门门槛。

1.2 启动与连接方式

方式一：通过 Jupyter 使用（适合初学者）

启动容器后，可通过浏览器访问 Jupyter Lab 进行交互式开发：

获取容器 IP 地址：bash docker inspect <container_id> | grep "IPAddress"
打开浏览器，输入地址：http://<ip>:8888
输入 token 登录（首次启动时控制台会输出）

你可以在 Jupyter 中直接浏览项目结构、查看训练日志、运行代码单元格进行调试。

方式二：通过 SSH 连接（适合工程化开发）

对于需要长期维护或远程协作的项目，推荐使用 SSH 登录进行命令行操作。

启动容器时映射 SSH 端口（默认 22）：bash docker run -p 2222:22 -p 8888:8888 your_yolo11_image
使用 SSH 客户端连接：bash ssh root@localhost -p 2222默认密码：root（可根据镜像文档修改）

此方式更适合自动化脚本执行、后台任务管理及服务器级部署。

2. 数据集准备与标注格式转换

2.1 安全帽检测数据集选择

我们采用公开数据集Safety-Helmet-Wearing Dataset（SHWD），包含两类标签：

head：未戴安全帽的头部
helmet：佩戴安全帽的头部

数据集结构如下：

dataset/ ├── images/ │ ├── train/ │ ├── val/ ├── labels/ │ ├── train/ │ ├── val/ └── data.yaml

2.2 配置 data.yaml 文件

创建data.yaml并填写路径与类别信息：

train: ./dataset/images/train val: ./dataset/images/val nc: 2 names: ['head', 'helmet']

注意：YOLO11要求标签文件为.txt格式，每行表示一个对象，格式为：
class_id center_x center_y width height
坐标归一化到 [0,1] 区间。

你可以使用 LabelImg 或 CVAT 工具对自定义图像进行标注并导出为 YOLO 格式。

3. 模型训练流程详解

3.1 进入项目目录

首先切换至 YOLO11 主目录：

cd ultralytics-8.3.9/

该目录包含train.py、detect.py、ultralytics/核心模块等关键文件。

3.2 启动训练脚本

运行以下命令开始训练：

python train.py \ --data ../dataset/data.yaml \ --model yolo11s.pt \ --imgsz 640 \ --epochs 100 \ --batch 16 \ --name yolo11_helmet_detection

参数说明：

参数	含义
`--data`	数据集配置文件路径
`--model`	预训练模型权重（支持 s/m/l/x 版本）
`--imgsz`	输入图像尺寸
`--epochs`	训练轮数
`--batch`	批次大小（根据显存调整）
`--name`	实验名称，用于保存结果

3.3 训练过程监控

训练过程中，系统会在runs/train/yolo11_helmet_detection/目录下生成以下内容：

weights/best.pt：最佳模型权重
weights/last.pt：最终模型权重
results.png：mAP、Precision、Recall 等指标变化曲线
confusion_matrix.png：分类混淆矩阵

从图中可以看出，经过 100 轮训练，模型在验证集上的 mAP@0.5 达到 0.92 以上，具备较强的泛化能力。

4. 推理与部署应用

4.1 单张图像检测

使用训练好的模型进行推理：

from ultralytics import YOLO # 加载模型 model = YOLO('runs/train/yolo11_helmet_detection/weights/best.pt') # 执行检测 results = model('test_image.jpg', conf=0.5) # 显示结果 for r in results: r.plot() # 绘制边界框 r.save(filename='result.jpg')

输出图像将标注出head和helmet类别，并附带置信度分数。

4.2 视频流实时检测

扩展至视频监控场景，实现实时预警：

import cv2 cap = cv2.VideoCapture('rtsp://your_camera_stream') model = YOLO('best.pt') while cap.isOpened(): ret, frame = cap.read() if not ret: break results = model(frame, conf=0.5) annotated_frame = results[0].plot() cv2.imshow('Helmet Detection', annotated_frame) if cv2.waitKey(1) == ord('q'): break cap.release() cv2.destroyAllWindows()