企业官网建设流程全解析

网站维护意义,做英文网站挂谷歌广告,学校网站设计理念,wordpress个人建站教程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111智慧工地安全检测数据集 的完整说明#xff0c;包括类别表格、数据划分建议及 YOLOv8 完整训练代码#xff0c;适用于智能工地监控、AI 安全巡检等场景。✅ 一、数…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111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train9,360 张70%- 验证集val2,674 张20%- 测试集test1,338 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0person建筑工人所有工地人员需配合安全帽判断是否合规1hard_hat安全帽工人佩戴的安全头盔黄色/红色/蓝色等2wheelbarrow手推车运输砂浆、砖块的小型推车3rebar钢筋裸露或堆放的钢筋束4wood_pile建筑木板堆积木模板、支撑板的堆叠区域5brick_pile砖块堆积红砖、空心砖等堆垛6cutting_machine切割机金属/石材切割设备含火花风险7excavator挖掘机大型工程机械8crane塔吊高空吊装设备9scaffold脚手架金属或竹制高空作业平台10ladder梯子移动式或固定梯11warning_sign警示标志“高压危险”“禁止通行”等标牌12fire_extinguisher灭火器消防设备合规性检查13cement_bag水泥袋成包水泥堆放14steel_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_PATHconstruction_safety_datasetifnotos.path.exists(DATASET_PATH):raiseFileNotFoundError(f❌ 数据集路径 {DATASET_PATH} 不存在)devicecudaiftorch.cuda.is_available()elsecpuprint(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modelYOLO(yolov8m.pt)# -----------------------------# 3. 启动训练针对工地场景优化# -----------------------------resultsmodel.train(dataos.path.join(DATASET_PATH,data.yaml),# ⏱️ 训练参数epochs120,imgsz1280,# 提升小目标如安全帽检出率batch12,# 根据 GPU 显存调整RTX 3090 可设 24nameconstruction_yolov8m_1280,devicedevice,# 数据增强工地定制hsv_h0.015,hsv_s0.7,hsv_v0.5,degrees15.0,# 工地视角多变translate0.2,scale0.5,mosaic1.0,# ✅ 必开提升小目标召回mixup0.1,flipud0.0,fliplr0.5,# 训练策略patience30,save_period10,workers8,cacheFalse)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\dataconstruction_safety_dataset/data.yaml\modelyolov8m.pt\epochs120\imgsz1280\batch12\nameconstruction_yolov8m_1280\device0✅ 七、安全合规推理示例检测未戴安全帽# safety_check.pyfromultralyticsimportYOLOimportcv2 modelYOLO(best.pt)defcheck_hard_hat(image_path):resultsmodel(image_path)imgcv2.imread(image_path)persons[]hats[]forrinresults:boxesr.boxesforboxinboxes:cls_idint(box.cls[0])x1,y1,x2,y2map(int,box.xyxy[0])ifcls_id0:# personpersons.append((x1,y1,x2,y2))elifcls_id1:# hard_hathats.append((x1,y1,x2,y2))# 简单判断若有人无对应安全帽 → 违规violationslen(persons)-len(hats)ifviolations0: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 TensorRTyolov8s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性能预期基于 13k 图像mAP0.5 0.90安全帽检出率 95%切割机/钢筋等小目标 Recall 85%如需以下扩展功能请告知自动生成安全日报含违规截图与门禁系统联动未戴安全帽禁止入场多摄像头协同跟踪跨镜头工人 ID3D 堆积高度估算木板/砖块祝您打造高可靠智慧工地 AI 安全系统️‍♂️️