SafetyHelmetWearing-Dataset

安全帽佩戴检测数据集，包含7581张图像，其中有9044个安全帽佩戴对象（正例）和111514个普通头部对象（未佩戴或负例）。数据集中的正例对象来自谷歌或百度，并通过LabelImg手动标注。部分负例对象来自SCUT-HEAD数据集，我们对原SCUT-HEAD数据集进行了一些修正，使其可以直接加载为标准的Pascal VOC格式。

Hard Hat Wearing Detection Dataset consists of 7581 images, including 9044 hard hat wearing objects (positive samples) and 111514 regular head objects (without hard hats, i.e., negative samples). The positive samples are sourced from Google or Baidu, and were manually annotated with LabelImg. Some negative samples are derived from the SCUT-HEAD dataset, and we have revised the original SCUT-HEAD dataset to allow it to be directly loaded in the standard Pascal VOC format.

原始信息汇总

SafetyHelmetWearing-Dataset(安全帽佩戴检测数据集)

简介

SHWD 数据集用于安全帽佩戴和人头检测，包含 7581 张图像，其中有 9044 个佩戴安全帽的对象（正样本）和 111514 个未佩戴安全帽的对象（负样本）。正样本来自谷歌或百度，手动标注使用 LabelImg 工具。部分负样本来自 SCUT-HEAD，并对原始数据进行了修正，使其可以直接加载为 Pascal VOC 格式。此外，还提供了一些使用 MXNet GluonCV 预训练的模型。

数据集和模型下载

数据集

• BaiduDrive
• GoogleDrive

模型

• BaiduDrive
• GoogleDrive

基准测试

模型	darknet	mobile1.0	mobile0.25
map	88.5	86.3	75.0

如何使用数据集

数据集标注为 Pascal VOC 格式：

---VOC2028
---Annotations
---ImageSets
---JPEGImages

任务包含两个对象类别：“hat”（正样本）和“person”（负样本）。

如何运行

依赖

确保安装了 MXNet、GluonCV 和 OpenCV。

使用预训练模型进行测试

有两种推理方式：

第一种方式

从链接下载模型：

运行 "python test_yolo.py" 并设置选项，如： --network: darknet/mobile1.0/mobile0.25 网络，默认 darknet53； --threshold: 过滤对象的置信度； --gpu: 使用 GPU 或 CPU，默认 GPU； --short: 原始图像的短边输入尺寸。

第二种方式，使用 mxnet symbol 进行推理

下载 symbol 模型：

运行 "python test_symbol.py"

注意事项

1. 提供了三种不同大小的 yolo 模型，默认使用 darknet53。
2. 参数 "short" 表示原始图像的短边输入尺寸，可根据需要调整。
3. 超参数 "threshold" 表示检测的置信度，可根据不同任务调整。

如何训练

在 "train_yolo.py" 文件中设置数据集路径，例如：

train_dataset = VOCLike(root=D:VOCdevkit, splits=[(2028, trainval)]) val_dataset = VOCLike(root=D:VOCdevkit, splits=[(2028, test)])

然后设置训练选项并开始训练：

python train_yolo.py --batch-size 4 -j 4 --warmup-epochs 3

注意事项

1. 训练 yolo 时常见的问题是梯度爆炸，尝试更多 epoch 进行预热或使用较小的学习率。
2. 数据集加载在 CPU 上花费较多时间，如果有多个 CPU 核心，可以增加 "-j" 的数量以提高训练速度。
3. 如果在 Windows 上训练，程序有时会卡住，请参考相关讨论。如果在 Linux 上训练，确保有足够的共享内存。

搜集汇总

数据集介绍

构建方式

SafetyHelmetWearing-Dataset（SHWD）是一个专门用于安全帽佩戴检测的数据集，涵盖了7581张图像，其中包含9044个佩戴安全帽的正面样本和111514个未佩戴安全帽的负面样本。数据集的构建过程包括从Google和Baidu等搜索引擎获取图像，并通过LabelImg工具进行手动标注。部分负面样本来源于SCUT-HEAD数据集，经过修复后可直接以Pascal VOC格式加载。此外，数据集还提供了基于MXNet GluonCV的预训练模型。

特点

该数据集的特点在于其丰富的样本数量和多样化的数据来源。数据集不仅包含了大量佩戴安全帽的正面样本，还通过SCUT-HEAD数据集引入了未佩戴安全帽的负面样本，确保了数据的平衡性。数据集以Pascal VOC格式进行标注，便于直接应用于目标检测任务。此外，预训练模型的提供使得用户能够快速进行模型验证和推理，极大地提高了研究效率。

使用方法

数据集的使用方法较为灵活，用户可以通过下载数据集并解压至指定路径后，使用提供的预训练模型进行推理。推理过程支持多种参数设置，如网络结构选择、置信度阈值调整等。对于训练任务，用户可以通过修改train_yolo.py文件中的数据集路径和训练参数，进行自定义训练。数据集加载过程中，建议使用多核CPU以提升训练速度。此外，数据集还支持在Windows和Linux系统上进行训练，但需注意系统兼容性问题。

背景与挑战

背景概述

SafetyHelmetWearing-Dataset（安全帽佩戴检测数据集）由南京视觉动力团队创建，旨在为安全帽佩戴检测和人头检测任务提供高质量的数据支持。该数据集包含7581张图像，标注了9044个佩戴安全帽的正面样本和111514个未佩戴安全帽的负面样本。数据来源包括谷歌、百度等公开资源，部分负面样本来自SCUT-HEAD数据集，并经过人工标注和格式优化，使其兼容Pascal VOC格式。该数据集为工业安全监控、建筑工地管理等场景提供了重要的技术支撑，推动了计算机视觉在安全领域的应用。

当前挑战

SafetyHelmetWearing-Dataset在构建和应用过程中面临多重挑战。首先，数据标注的准确性至关重要，尤其是在复杂场景下区分佩戴安全帽与未佩戴的头部区域，这对模型的泛化能力提出了较高要求。其次，数据集的多样性和规模有限，可能导致模型在真实场景中的表现不稳定。此外，训练过程中梯度爆炸和计算资源消耗问题也增加了模型优化的难度。如何进一步提升数据质量、扩展数据规模，并优化模型训练效率，是该数据集未来需要解决的核心挑战。

常用场景

经典使用场景

SafetyHelmetWearing-Dataset（SHWD）在计算机视觉领域中被广泛应用于安全帽佩戴检测任务。该数据集通过提供大量标注图像，支持深度学习模型的训练与验证，特别是在目标检测和图像分类任务中表现出色。其经典使用场景包括建筑工地、工厂等高风险工作环境中的实时监控系统，确保工人佩戴安全帽，从而减少工伤事故的发生。

实际应用

在实际应用中，SHWD数据集被广泛用于开发智能监控系统，特别是在建筑工地、矿山和制造业等高危行业。通过结合深度学习模型，这些系统能够实时检测工人是否佩戴安全帽，并及时发出警报或记录违规行为。这种技术不仅提高了工作场所的安全性，还为企业节省了大量人力成本，同时符合相关法律法规的要求。

衍生相关工作

SHWD数据集催生了一系列经典研究工作，特别是在目标检测和图像识别领域。基于该数据集，研究人员开发了多种改进的深度学习模型，如YOLO和MobileNet的变体，这些模型在安全帽检测任务中表现出色。此外，SHWD还为其他相关数据集和算法的开发提供了参考，推动了计算机视觉在工业安全领域的进一步应用。