智慧交通头盔佩戴监测数据集-[监控下非机动车头盔目标检测数据集Yolo格式数据集]名称监控下非机动车头盔目标检测数据集数量12001张数据集“训练集8401” “验证集2400” “测试集:1200”类别数量 4个对象类别类别类型“Helmet头盔”、“PersonWithoutHelmet不戴头盔的人”、“PersonWithHelmet戴头盔的人”、“Motorbike非机动车”图片格式JPG图片大小 640x640一、数据集信息表项目详细说明数据集名称监控下非机动车头盔目标检测数据集总样本数量12001 张 JPG 图片划分比例训练集8401 张验证集2400 张测试集1200 张标注格式YOLO 标准格式图片规格格式JPG分辨率640×640目标类别共4类0: Helmet头盔1: PersonWithoutHelmet未佩戴头盔人员2: PersonWithHelmet佩戴头盔人员3: Motorbike非机动车/摩托车数据特点基于道路监控场景采集视角为高空监控视角贴近真实交管抓拍环境二、应用场景交通违章智能识别道路卡口、路口监控自动检测骑行人员是否佩戴头盔自动抓拍违规行为。智慧交管平台城市交通智能化监管减少人工巡检提升非机动车出行安全管理效率。园区/小区安防厂区、社区出入口非机动车通行合规检测。算法实训/毕设YOLO 目标检测实战项目、计算机视觉课程实验、毕业设计课题。边缘设备部署摄像头、NVR、RK 系列开发板等端侧设备集成头盔检测算法。三、关键标签#YOLO#目标检测#头盔检测#非机动车检测#交通违章识别#智慧交通#监控图像数据集#YOLO格式数据集#计算机视觉#毕业设计四、完整训练代码YOLOv8/YOLOv11 通用Ultralytics 框架1. 环境依赖pipinstallultralytics opencv-python numpy torch torchvision2. 数据集目录结构标准YOLO格式helmet_dataset/ ├── images/ │ ├── train/ # 8401 张图片 │ ├── val/ # 2400 张图片 │ └── test/ # 1200 张图片 ├── labels/ │ ├── train/ # 对应txt标注文件 │ ├── val/ │ └── test/ └── helmet.yaml # 数据集配置文件3. 数据集配置文件helmet.yaml# 数据集路径path:./helmet_datasettrain:images/trainval:images/valtest:images/test# 类别数量 类别名称nc:4names:0:Helmet1:PersonWithoutHelmet2:PersonWithHelmet3:Motorbike4. 训练主代码train_helmet.pyfromultralyticsimportYOLOdefmain():# 1. 加载预训练模型支持 yolov8n/s/m/l/x 、yolo11n/s/m/l/xmodelYOLO(yolov8s.pt)# 2. 开始训练resultsmodel.train(data./helmet_dataset/helmet.yaml,# 数据集配置文件路径epochs100,# 训练轮数imgsz640,# 输入图像尺寸匹配数据集640×640batch16,# 批次大小根据显存调整device0,# 使用GPU无GPU改为 devicecpuworkers4,# 数据加载线程数patience15,# 早停轮数projectruns/train,# 训练结果保存根目录namehelmet_detect,# 本次训练任务名exist_okTrue,# 覆盖同名文件夹pretrainedTrue,# 启用预训练权重rectFalse,mosaic1.0# 数据增强开关)print(训练完成结果保存在 runs/train/helmet_detect 目录)# 3. 模型评估在测试集上验证指标metricsmodel.val(data./helmet_dataset/helmet.yaml,splittest)print(fmAP50:{metrics.box.map50:.4f})print(fmAP50-95:{metrics.box.map:.4f})if__name____main__:main()5. 推理测试代码predict_helmet.pyfromultralyticsimportYOLOimportcv2# 加载训练好的最优模型modelYOLO(runs/train/helmet_detect/weights/best.pt)# 单张图片推理img_pathtest.jpgresultsmodel.predict(sourceimg_path,conf0.25,# 置信度阈值iou0.45,# NMS阈值saveTrue# 保存推理结果图)# 可视化结果res_imgresults[0].plot()cv2.imshow(Helmet Detect Result,res_img)cv2.waitKey(0)cv2.destroyAllWindows()