# smartConstruction

**Repository Path**: xiaobenkang/smartConstruction

## Basic Information

- **Project Name**: smartConstruction
- **Description**: 视频分析
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-05-25
- **Last Updated**: 2025-05-25

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 安全帽检测项目 - YOLOv8

基于YOLOv8的智能安全帽检测系统，可以自动识别工地人员是否佩戴安全帽，提升施工现场安全管理水平。

## 🎯 项目特点

- **高精度检测**: 基于YOLOv8先进的目标检测算法
- **多类别识别**: 检测安全帽、未佩戴安全帽、人员三种类别
- **实时处理**: 支持图片、视频和摄像头实时检测
- **安全分析**: 自动计算安全合规率并生成分析报告
- **易于使用**: 提供简单易用的命令行界面

## 📊 数据集信息

- **类别数量**: 3个类别
  - `Helmet`: 佩戴安全帽
  - `No-Helmet`: 未佩戴安全帽  
  - `Person`: 人员
- **数据格式**: YOLO格式
- **数据来源**: Roboflow平台的建筑安全数据集

## 🚀 快速开始

### 1. 安装依赖

```bash
pip install -r requirements.txt
```

### 2. 训练模型

使用快速训练脚本（推荐新手使用）：
```bash
python quick_train.py
```

或使用完整训练脚本：
```bash
python train_helmet_detection.py
```

### 3. 测试模型

运行测试脚本：
```bash
python test_detection.py
```

### 4. 使用训练好的模型进行检测

对单张图片进行检测：
```bash
python detect_helmet.py --input path/to/your/image.jpg --save
```

对视频进行检测：
```bash
python detect_helmet.py --input path/to/your/video.mp4 --save
```

## 📁 项目结构

```
CONSTRUCTION_SAFETY/
├── train/                          # 训练数据
│   ├── images/                     # 训练图片
│   └── labels/                     # 训练标签
├── valid/                          # 验证数据
│   ├── images/                     # 验证图片
│   └── labels/                     # 验证标签
├── test/                           # 测试数据
│   ├── images/                     # 测试图片
│   └── labels/                     # 测试标签
├── data.yaml                       # 数据集配置文件
├── requirements.txt                # 项目依赖
├── quick_train.py                  # 快速训练脚本
├── train_helmet_detection.py       # 完整训练脚本
├── detect_helmet.py               # 检测推理脚本
├── test_detection.py              # 测试脚本
└── README.md                       # 项目说明
```

## 🔧 详细使用说明

### 训练参数配置

在 `quick_train.py` 中可以调整的主要参数：

```python
model.train(
    data='data.yaml',           # 数据集配置
    epochs=50,                  # 训练轮数
    imgsz=640,                  # 图像尺寸
    batch=8,                    # 批次大小
    device='auto',              # 设备选择
    workers=2,                  # 数据加载线程
    patience=15,                # 早停耐心值
    lr0=0.01,                   # 初始学习率
)
```

### 检测参数说明

使用 `detect_helmet.py` 进行检测时的参数：

- `--input`: 输入文件路径（图片或视频）
- `--model`: 模型路径（默认使用训练好的最佳模型）
- `--conf`: 置信度阈值（默认0.5）
- `--save`: 是否保存检测结果

### 支持的文件格式

- **图片格式**: .jpg, .jpeg, .png, .bmp, .tiff
- **视频格式**: .mp4, .avi, .mov, .mkv, .flv

## 📈 训练结果

训练完成后，可以在以下位置找到相关文件：

- **模型权重**: `runs/detect/helmet_detection/weights/`
  - `best.pt`: 最佳模型
  - `last.pt`: 最新模型
- **训练图表**: `runs/detect/helmet_detection/`
  - `results.png`: 训练曲线
  - `confusion_matrix.png`: 混淆矩阵
  - `train_batch0.jpg`: 训练样本可视化
  - `val_batch0_pred.jpg`: 验证预测结果

## 🎭 安全分析功能

系统会自动分析检测结果，提供以下信息：

- **检测统计**: 人员总数、佩戴安全帽人数、未佩戴安全帽人数
- **合规率计算**: 安全帽佩戴率百分比
- **安全评级**: 根据合规率给出安全状态评估
  - 优秀 (≥90%)
  - 良好 (≥70%)
  - 一般 (≥50%)
  - 需要改进 (<50%)

## 💡 使用技巧

1. **提高检测精度**:
   - 增加训练轮数（epochs）
   - 使用更大的模型（yolov8s.pt, yolov8m.pt）
   - 调整置信度阈值

2. **加速训练**:
   - 使用GPU训练
   - 减小批次大小如果内存不足
   - 使用缓存加速数据加载

3. **优化检测效果**:
   - 根据实际场景调整置信度阈值
   - 对检测结果进行后处理过滤

## 🛠️ 系统要求

- **Python**: 3.8+
- **PyTorch**: 2.0+
- **CUDA**: 11.0+ (可选，用于GPU加速)
- **内存**: 最少4GB RAM
- **存储**: 最少2GB可用空间

## 📞 技术支持

如果在使用过程中遇到问题，请检查：

1. 确保所有依赖包正确安装
2. 检查数据集路径配置是否正确
3. 确认模型文件是否存在
4. 查看错误日志获取详细信息

## 📄 许可证

本项目使用 CC BY 4.0 许可证。

## 🙏 致谢

- 数据集提供: Roboflow平台
- 算法基础: Ultralytics YOLOv8
- 开源社区的支持和贡献