基于YOLOv8深度学习的智慧交通非机动车驾驶员头盔佩戴检测系统

随着智慧交通系统的快速发展和城市交通的日益复杂化，非机动车驾驶员的安全问题引起了广泛关注，尤其在发生交通事故时，佩戴头盔作为基础的保护措施，能够有效降低头部受伤的风险，保障非机动车驾驶员的生命安全。然而，现实中许多非机动车驾驶员忽视头盔的佩戴，增加了安全隐患。因此，如何利用智能技术实现对非机动车驾驶员头盔佩戴情况的自动检测具有重要的实际意义。

本研究提出了一种基于YOLOv8深度学习模型的非机动车驾驶员头盔佩戴检测系统。系统以PyQt5为开发框架，构建了一个直观、友好的用户界面，使用户可以方便地进行实时检测和数据展示。首先，系统采集了丰富的非机动车驾驶员影像数据，涵盖了不同光照条件、角度和复杂场景下的头盔佩戴情况。然后，通过数据标注和数据增强技术，生成了高质量的训练数据集，为深度学习模型提供了多样化的学习样本。接着，利用YOLOv8模型对该数据集进行了训练和优化，以实现高效、精准的头盔佩戴检测。

实验结果表明，该系统能够在复杂的城市交通场景中对非机动车驾驶员头盔佩戴状态进行准确识别，有效减少了误检和漏检的发生。同时，该系统具备实时检测的能力，响应速度快，为交通管理部门和公众提供了可靠的技术支持。综上所述，本研究提出的头盔佩戴检测系统在保障非机动车驾驶员安全和提升交通管理水平方面具有重要的应用价值和实际意义。

算法流程

项目数据

通过网络上搜集关于实际场景中电单车和摩托车驾驶人员的图片，并使用Labelimg标注工具对每张图片进行标注，分三个检测类别，分别是helmet 表示 “佩戴头盔”、without 表示 “未佩戴头盔”、two_wheeler 表示 “两轮车”。

目标检测标注工具
（1）labelimg:开源的图像标注工具，标签可用于分类和目标检测，它是用python写的，并使用Qt作为其图形界面，简单好用（虽然是英文版的）。其注释以 PASCAL VOC格式保存为XML文件，这是ImageNet使用的格式。此外，它还支持 COCO数据集格式。
（2）安装labelimg 在cmd输入以下命令 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

结束后，在cmd中输入labelimg

初识labelimg

打开后，我们自己设置一下

在View中勾选Auto Save mode

接下来我们打开需要标注的图片文件夹

并设置标注文件保存的目录（上图中的Change Save Dir）
接下来就开始标注，画框，标记目标的label，然后d切换到下一张继续标注，不断重复重复。

Labelimg的快捷键

（3）数据准备
这里建议新建一个名为data的文件夹（这个是约定俗成，不这么做也行），里面创建一个名为images的文件夹存放我们需要打标签的图片文件；再创建一个名为labels存放标注的标签文件；最后创建一个名为 classes.txt 的txt文件来存放所要标注的类别名称。

data的目录结构如下：
│─img_data
│─images 存放需要打标签的图片文件
│─labels 存放标注的标签文件
└ classes.txt 定义自己要标注的所有类别（这个文件可有可无，但是在我们定义类别比较多的时候，最好有这个创建一个这样的txt文件来存放类别）

首先在images这个文件夹放置待标注的图片，这里是二类图片，分别是佩戴头盔、未佩戴头盔。
生成文件如下:

“classes.txt”定义了你的 YOLO 标签所引用的类名列表。

（4）YOLO模式创建标签的样式

存放标签信息的文件的文件名为与图片名相同，内容由N行5列数据组成。
每一行代表标注的一个目标，通常包括五个数据，从左到右依次为：类别id、x_center、y_center、width、height。
其中：
–x类别id代表标注目标的类别；
–x_center和y_center代表标注框的相对中心坐标；
–xwidth和height代表标注框的相对宽和高。

注意：这里的中心点坐标、宽和高都是相对数据！！！

存放标签类别的文件的文件名为classes.txt (固定不变)，用于存放创建的标签类别。

完成后可进行后续的yolo训练方面的操作。

模型训练

模型的训练、评估与推理

1.YOLOv8的基本原理

YOLOv8是一个SOTA模型，它建立在Yolo系列历史版本的基础上，并引入了新的功能和改进点，以进一步提升性能和灵活性，使其成为实现目标检测、图像分割、姿态估计等任务的最佳选择。其具体创新点包括一个新的骨干网络、一个新的Ancher-Free检测头和一个新的损失函数，可在CPU到GPU的多种硬件平台上运行。

YOLOv8是Yolo系列模型的最新王者，各种指标全面超越现有对象检测与实例分割模型，借鉴了Yolov5、Yolov6、YoloX等模型的设计优点，在全面提升改进Yolov5模型结构的基础上实现，同时保持了Yolov5工程化简洁易用的优势。

Yolov8模型网络结构图如下图所示：

2.数据集准备与训练

从网络上收集各种佩戴头盔和未佩戴头盔的图片，并使用LabelMe标注工具对每张图片中的目标进行标注，包括绘制边框（Bounding Box）和标注类别。然后主要基于YOLOv8n这种模型进行模型的训练，训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。模型训练和评估流程基本一致，包括：数据集准备、模型训练、模型评估。数据集一共包含1463张图片，其中训练集包含1000张图片，验证集包含123张图片、测试集包含193张图片。部分图像如下图所示：

部分标注如下图所示：

图片数据的存放格式如下，在项目目录中新建datasets目录，同时将检测的图片分为训练集与验证集放入helmetData目录下。

接着需要新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。
data.yaml的具体内容如下：

train: E:\HelmetObjective_v8\datasets\train：训练集的路径
val: E:\HelmetObjective_v8\datasets\valid：验证集的路径
test: E:\HelmetObjective_v8\datasets\test：测试集的路径(可选)
nc: 3：模型检测的类别数，共有3个类别。
names: [‘helmet’, ‘without’, ‘two_wheeler’]：
helmet：表示佩戴头盔的类别。
without：表示未佩戴头盔的类别。
two_wheeler：表示两轮车的类别。

这个文件定义了用于模型训练和验证的数据集路径，以及模型将要检测的目标类别。

数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小(根据内存大小调整，最小为1)。

CPU/GPU训练代码如下：

加载名为 yolov8n.pt 的预训练YOLOv8模型，yolov8n.pt是预先训练好的模型文件。
使用YOLO模型进行训练，主要参数说明如下：
（1）data=data_yaml_path: 指定了用于训练的数据集配置文件。
（2）epochs=150: 设定训练的轮数为150轮。
（3）batch=4: 指定了每个批次的样本数量为4。
（4）optimizer=’SGD’):SGD 优化器。
（7）name=’train_v8′: 指定了此次训练的命名标签，用于区分不同的训练实验。

3.训练结果评估

在深度学习的过程中，我们通常通过观察损失函数下降的曲线来了解模型的训练情况。对于YOLOv8模型的训练，主要涉及三类损失：定位损失（box_loss）、分类损失（cls_loss）以及动态特征损失（dfl_loss）。训练完成后，相关的训练过程和结果文件会保存在 runs/ 目录下，具体如下：

各损失函数作用说明：
定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；
分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；
动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分，通过计算DFLLoss可以更准确地调整预测框的位置，提高目标检测的准确性。

训练结果如下：

这张图展示了YOLOv8模型在训练和验证过程中的多个重要指标的变化趋势，具体如下：

train/box_loss：
（1）这是训练过程中边界框损失的变化。边界框损失用于衡量模型预测的目标框与实际目标框的差异。
（2）图中显示出损失值逐渐下降，说明模型在边界框定位上逐渐优化。

train/cls_loss：
（1）这是训练集上的分类损失。分类损失衡量模型对目标类别的预测准确性。
（2）损失值逐渐下降，表明模型在分类上的准确性不断提高。

train/dfl_loss：
（1）这是分布聚焦损失（distribution focal loss），用于帮助模型对目标框的精确定位。
（2）值也在逐渐下降，表明模型回归性能在优化。

metrics/precision(B)：
（1）这是训练集上的精度（precision）曲线。精度表示模型在检测到的目标中有多少是真正的目标。
（2）随训练轮次的变化，精度逐渐上升并趋于稳定，表明模型的误报率在降低。

metrics/recall(B)：
（1）这是训练集上的召回率（recall）曲线。召回率表示模型检测出的真实目标的比例。
（2）召回率（Recall）逐渐上升，随后趋于平稳，说明模型在检测完整性上有所提升。

val/box_loss：
（1）这是验证集上的边界框损失曲线。
（2）与训练损失不同，验证集的边界框损失在一定范围内波动，可能说明在验证集上表现不如训练集稳定。

val/cls_loss：
（1）这是验证集上的分类损失曲线。
（2）验证集分类损失逐渐下降，表明模型在验证集上的分类准确性有所提升。

val/dfl_loss：
（1）这是验证集上的分布聚焦损失曲线。
（2）证集的分布焦点损失出现了一定波动，说明在验证集上回归损失的稳定性较差。

metrics/mAP50(B)：
（1）这是验证集上的mAP50曲线，表示在交并比阈值为0.5时模型的平均精度（mean Average Precision）。
（2）在 IoU 阈值为 0.5 时逐渐提高，表明模型的总体检测性能不断优化。

metrics/mAP50-95(B)：
（1）这是验证集上的mAP50-95曲线，表示在不同交并比阈值（从0.5到0.95）下模型的平均精度。
（2）随着训练的进行逐渐上升，说明模型在不同IoU阈值下的检测效果不断提高。

总结：
（1）训练过程中，各项损失逐渐降低，说明模型在边界框定位、分类、回归上持续优化。
（2）验证集中部分损失波动较大，可能是数据分布差异或模型过拟合的迹象，需要进一步调参来提高验证集上的稳定性。
（3）精度、召回率和 mAP 指标逐渐提升并趋于平稳，表明模型在检测准确性和全面性上得到了提升并趋于稳定。

这张图展示的是 Precision-Recall 曲线，用于评估模型在不同类别下的检测性能。以下是详细解释：

图中曲线的含义：
1.每条曲线表示模型在一个类别上的精度和召回率关系：
（1）helmet（蓝色）：头盔类别的平均精度（mAP）为 0.806。
（2）without（橙色）：无头盔类别的 mAP 为 0.687。
（3）two_wheeler（绿色）：两轮车辆类别的 mAP 为 0.940。
2.all classes（粗蓝线）：所有类别的综合平均精度（mAP@0.5）为 0.811。

综合表现：
（1）所有类别的平均精度（mAP@0.5）为 0.811，说明模型整体表现较好，但不同类别的检测性能有一定差异。
（2）two_wheeler 类别的检测性能最佳，without 类别的检测性能相对较差，这可能需要进一步的优化和调参来提升。

这张精度-召回曲线图清晰展示了模型在不同类别上的检测能力。模型在 helmet 和 two_wheeler 上表现较好，但在 without 上相对较弱，可考虑对该类别进行数据增强或其他优化措施。

4.检测结果识别

模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/train/weights目录下。我们可以使用该文件进行后续的推理检测。
imgTest.py 图片检测代码如下：

加载所需库：
（1）from ultralytics import YOLO：导入YOLO模型类，用于进行目标检测。
（2）import cv2：导入OpenCV库，用于图像处理和显示。

加载模型路径和图片路径：
（1）path = ‘models/best.pt’：指定预训练模型的路径，这个模型将用于目标检测任务。
（2）img_path = “TestFiles/fire2_mp4-28_jpg.rf.27cad783f34b8f9f162d91a0c5776350.jpg”：指定需要进行检测的图片文件的路径。

加载预训练模型：
（1）model = YOLO(path, task=’detect’)：使用指定路径加载YOLO模型，并指定检测任务为目标检测 (detect)。
（2）通过 conf 参数设置目标检测的置信度阈值，通过 iou 参数设置非极大值抑制（NMS）的交并比（IoU）阈值。

检测图片：
（1）results = model(img_path)：对指定的图片执行目标检测，results 包含检测结果。

显示检测结果：
（1）res = results[0].plot()：将检测到的结果绘制在图片上。
（2）cv2.imshow(“YOLOv8 Detection”, res)：使用OpenCV显示检测后的图片，窗口标题为“YOLOv8 Detection”。
（3）cv2.waitKey(0)：等待用户按键关闭显示窗口

此代码的功能是加载一个预训练的YOLOv8模型，对指定的图片进行目标检测，并将检测结果显示出来。

执行imgTest.py代码后，会将执行的结果直接标注在图片上，结果如下：

YOLOv8头盔检测系统的推理结果日志。以下是对该结果的解析：

图像路径:
（1）E:\YOLOv8-helmet\YOLOv8helmet\TestFiles\test1.jpg – 系统对路径中的 test1.jpg 图像进行了检测。

图像尺寸:
（1）320×640 – 图像在处理时被缩放到了 320 像素高和 640 像素宽的尺寸。

检测结果:
（1）2 withouts: 检测到2个没有佩戴头盔的对象。
（2）2 two_wheelers: 检测到2个骑乘两轮车的对象（可能是自行车或摩托车）。

速度:
（1）2.0ms 预处理: 图像预处理的时间为2.0毫秒。
（2）41.0ms 推理: 模型推理（即YOLOv8模型对图像进行检测）的时间为41.0毫秒。
（3）0.0ms 后处理: 后处理（可能包括结果过滤、绘制检测框等）的时间为0.0毫秒。

这些信息表明系统在检测图像中的头盔佩戴情况时表现良好，速度较快且能够准确识别不同的目标。

以上关于此款智能检测系统的原理与代码介绍。基于此模型，我们用python与Pyqt5开发了一个带界面的软件系统，即运行效果的演示内容，能够很好的支持图片、视频及摄像头进行检测，同时支持检测结果的保存。

运行效果

– 运行 MainProgram.py

1.主要功能：
（1）可用于实际场景中的交通场景图像中的头盔佩戴检测;
（2）支持图片、视频及摄像头进行检测，同时支持图片的批量检测；
（3）界面可实时显示目标位置、目标总数、置信度、用时等信息;
（4）支持图片或者视频的检测结果保存。

2.检测结果说明：

这张图表显示了基于YOLOv8模型的目标检测系统的检测结果界面。以下是各个字段的含义解释：

用时（Time taken）:
（1）0.038秒：表示系统在这次检测中花费的时间，具体为0.038秒。
（2）这显示了模型的实时性，检测速度非常快。

目标数目（Number of objects detected）:
（1）17：表示在图像中检测到的目标总数为17个。

目标选择（Target selection）:
（1）全部（All）：表示用户可以选择查看某个特定目标的检测结果，当前选择了查看“全部”目标的检测结果。

类型（Type）:
（1）非机动车（Non-motorized vehicle）：检测到的目标类型为“非机动车”。

置信度（Confidence）:
（1）86.37%：表示模型对检测结果的置信度为86.37%。
（2）置信度是指模型对该检测结果的确定程度，值越高表示模型越有信心。

目标位置（Object location）:
（1）xmin: 284, ymin: 50, xmax: 493, ymax: 422：这些是检测到的目标边界框的位置坐标。
（2）分别表示边界框的左上角（xmin, ymin）和右下角（xmax, ymax）的坐标。

这个界面可以帮助用户快速了解模型的检测性能，并且通过可视化展示检测结果，包括每个目标的类别、置信度以及在图像中的具体位置。

3.图片检测说明
（1）非机动车

（2）未佩戴头盔

（2）已佩戴头盔

点击打开图片按钮，选择需要检测的图片，或者点击打开文件夹按钮，选择需要批量检测图片所在的文件夹。
操作演示如下：
（1）点击目标下拉框后，可以选定指定目标的结果信息进行显示。
（2）点击保存按钮，会对检测结果进行保存，存储路径为：save_data目录下。

检测结果：在界面的左上方，显示了一张图像，其中包含多名骑电动车的人员。每个人的头部和车辆被识别框框住，并标注了类别和置信度。框内标签显示为“two_wheeler”和“without”，表示系统检测出这是一个骑电动车的人且未佩戴头盔。

这个界面完整地展示了系统的功能，包括实时检测电动车和摩托车驾驶员是否佩戴头盔，并且通过直观的界面展示检测结果，为用户提供了便捷的操作和详细的信息。

4.视频检测说明

点击视频按钮，打开选择需要检测的视频，就会自动显示检测结果，再次点击可以关闭视频。
点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。

检测视频帧：界面的左上方显示了一帧视频，其中检测到了多个骑电动车的驾驶员。系统用边框标识出每个目标，并标注了其类别（如“helmet”表示佩戴头盔，“without”表示未佩戴头盔，“two_wheeler”表示两轮车）以及置信度分数。

这个界面展示了系统对视频帧中的多目标检测能力，能够准确识别骑电动车的驾驶员是否佩戴头盔，并提供详细的检测结果和置信度评分。

5.摄像头检测说明

点击打开摄像头按钮，可以打开摄像头，可以实时进行检测，再次点击，可关闭摄像头。

实时摄像头检测：左侧显示的是摄像头实时捕捉到的画面，其中多个骑电动车的驾驶员被检测出来。系统用矩形框标注了每个检测到的目标，并在框内标注了类别（如“helmet”表示佩戴头盔，“without”表示未佩戴头盔，“two_wheeler”表示两轮车）以及相应的置信度。

这个界面展示了系统在实时监控模式下对摄像头画面的检测效果，系统能够快速准确地识别并标记骑电动车的驾驶员是否佩戴头盔，并提供详细的检测信息。

5.保存图片与视频检测说明

点击保存按钮后，会将当前选择的图片(含批量图片)或者视频的检测结果进行保存。
检测的图片与视频结果会存储在save_data目录下。
保存的检测结果文件如下：

图片文件保存的csv文件内容如下，包括图片路径、目标在图片中的编号、目标类别、置信度、目标坐标位置。
注：其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。

（1）图片保存

（2）视频保存

– 运行 train.py
1.训练参数设置

（1）data=data_yaml_path: 使用data.yaml中定义的数据集。
（2）epochs=150: 训练的轮数设置为150轮。
（3）batch=4: 每个批次的图像数量为4（批次大小）。
（4）name=’train_v8′: 训练结果将保存到以train_v8为名字的目录中。
（5）optimizer=’SGD’: 使用随机梯度下降法(SGD)作为优化器。

虽然在大多数深度学习任务中，GPU通常会提供更快的训练速度。
但在某些情况下，可能由于硬件限制或其他原因，用户需要在CPU上进行训练。

温馨提示：在CPU上训练深度学习模型通常会比在GPU上慢得多，尤其是像YOLOv8这样的计算密集型模型。除非特定需要，通常建议在GPU上进行训练以节省时间。

2.训练日志结果

这张图展示了使用YOLOv8进行模型训练的详细过程和结果。

训练总时长：
（1）模型在训练了150轮后，总共耗时0.634小时。

mAP50和mAP50-95：
（1）mAP50：在 IoU 阈值为 0.5 时的平均精度（Mean Average Precision），是衡量检测精度的常用指标。
（2）mAP50-95：在 IoU 阈值从 0.5 到 0.95 的范围内的平均精度，提供更全面的模型性能评估。

速度：
（1）0.2ms 预处理时间
（2）1.3ms 推理时间
（3）0.8ms 后处理时间

总体性能：
（1）模型的总体精度（P）为 0.8，召回率（R）为 0.755，mAP50 为 0.811，mAP50-95 为 0.466。
（2）处理速度方面，模型的推理速度较快，每张图像的预处理时间为 0.2 毫秒，推理时间为 1.3 毫秒，后处理时间为 0.8 毫秒。

结果保存：
（1）Results saved to runs\detect\train_v8：验证结果保存在 runs\detect\train_v8 目录下。

完成信息：
（1）Process finished with exit code 0：表示整个验证过程顺利完成，没有报错。

该模型在检测佩戴头盔和两轮车上表现较好，具有较高的精度和召回率。整体性能稳定，处理速度快，适合实时应用。

原文地址：https://blog.csdn.net/ZSW1218/article/details/143842988

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！