v5模型+Pyqt5界面+训练代码+数据集)

视频演示

1. 前言

随着工业生产安全意识的日益增强，安全帽作为保护作业人员头部安全的基础装备，其规范佩戴已成为施工现场、工厂车间等区域强制性的管理要求。然而，传统的人工监督方式存在效率低、覆盖面有限、易产生疏漏等问题。为了提升安全监管的智能化与自动化水平，我们开发了这套基于YOLO目标检测算法的安全帽检测系统。

本系统旨在利用先进的计算机视觉技术，实时、准确地检测和识别人员是否佩戴安全帽。系统核心基于YOLO系列算法（包括YOLOv5、v8、v11、v12），构建了一个功能完备的软件平台。它不仅支持对图片、视频文件、批量图片进行离线检测，还能通过摄像头进行实时视频流分析，并即时统计“戴安全帽”与“未戴安全帽”的人员数量，为安全管理提供直观的数据支持。

此外，系统还集成了用户登录认证、个人中心、模型训练与评估等辅助模块，形成了一个集检测、管理、分析与扩展于一体的综合性解决方案。通过本项目，我们期望能为安全生产管理提供一种高效、可靠的技术工具，有效预防因未佩戴安全帽而引发的安全事故，具有重要的现实应用价值。

2. 项目演示

2.1 用户登录界面

界面设计简洁直观，左侧突出系统主题，用户需验证用户名、密码及动态验证码后方可进入系统。

2.2 新用户注册

新用户可设置用户名与密码，并支持自定义头像上传；如未选择，系统将自动分配默认头像完成注册。

2.3 主界面布局

主界面采用三栏式设计，涵盖左侧功能操作区、中央视觉结果展示区与右侧目标详细信息面板，结构清晰，操作流畅。

2.4 个人信息管理

用户可在此模块随时更新个人密码与头像，支持信息灵活修改。

2.5 多模态检测展示

系统支持图片、视频及实时摄像头的安全帽识别。检测结果除在图像中直接标出外，也会在列表中逐项显示。点击任一目标，即可在右侧面板中查看其详细识别信息与坐标位置。

2.6 多模型切换

用户可根据需要，灵活切换使用不同版本的已训练模型进行检测，便于比较性能或适配不同场景。

3.模型训练核心代码

本脚本是YOLO模型批量训练工具，可自动修正数据集路径为绝对路径，从pretrained文件夹加载预训练模型，按设定参数（100轮/640尺寸/批次8）一键批量训练YOLOv5nu/v8n/v11n/v12n模型。

# -*- coding: utf-8 -*-
"""
该脚本用于执行YOLO模型的训练。

它会自动处理以下任务：
1. 动态修改数据集配置文件 (data.yaml)，将相对路径更新为绝对路径，以确保训练时能正确找到数据。
2. 从 'pretrained' 文件夹加载指定的预训练模型。
3. 使用预设的参数（如epochs, imgsz, batch）启动训练过程。

要开始训练，只需直接运行此脚本。
"""
import os
import yaml
from pathlib import Path
from ultralytics import YOLO

def main():
    """
    主训练函数。
    
    该函数负责执行YOLO模型的训练流程，包括：
    1. 配置预训练模型。
    2. 动态修改数据集的YAML配置文件，确保路径为绝对路径。
    3. 加载预训练模型。
    4. 使用指定参数开始训练。
    """
    # --- 1. 配置模型和路径 ---
    
    # 要训练的模型列表
    models_to_train = [
        {'name': 'yolov5nu.pt', 'train_name': 'train_yolov5nu'},
        {'name': 'yolov8n.pt', 'train_name': 'train_yolov8n'},
        {'name': 'yolo11n.pt', 'train_name': 'train_yolo11n'},
        {'name': 'yolo12n.pt', 'train_name': 'train_yolo12n'}
    ]
    
    # 获取当前工作目录的绝对路径，以避免相对路径带来的问题
    current_dir = os.path.abspath(os.getcwd())
    
    # --- 2. 动态配置数据集YAML文件 ---
    
    # 构建数据集yaml文件的绝对路径
    data_yaml_path = os.path.join(current_dir, 'train_data', 'data.yaml')
    
    # 读取原始yaml文件内容
    with open(data_yaml_path, 'r', encoding='utf-8') as f:
        data_config = yaml.safe_load(f)
    
    # 将yaml文件中的 'path' 字段修改为数据集目录的绝对路径
    # 这是为了确保ultralytics库能正确定位到训练、验证和测试集
    data_config['path'] = os.path.join(current_dir, 'train_data')
    
    # 将修改后的配置写回yaml文件
    with open(data_yaml_path, 'w', encoding='utf-8') as f:
        yaml.dump(data_config, f, default_flow_style=False, allow_unicode=True)
    
    # --- 3. 循环训练每个模型 ---
    
    for model_info in models_to_train:
        model_name = model_info['name']
        train_name = model_info['train_name']
        
        print(f"\n{'='*60}")
        print(f"开始训练模型: {model_name}")
        print(f"训练名称: {train_name}")
        print(f"{'='*60}")
        
        # 构建预训练模型的完整路径
        pretrained_model_path = os.path.join(current_dir, 'pretrained', model_name)
        if not os.path.exists(pretrained_model_path):
            print(f"警告: 预训练模型文件不存在: {pretrained_model_path}")
            print(f"跳过模型 {model_name} 的训练")
            continue
        
        try:
            # 加载指定的预训练模型
            model = YOLO(pretrained_model_path)
            
            # --- 4. 开始训练 ---
            
            print(f"开始训练 {model_name}...")
            # 调用train方法开始训练
            model.train(
                data=data_yaml_path,  # 数据集配置文件
                epochs=100,           # 训练轮次
                imgsz=640,            # 输入图像尺寸
                batch=8,             # 每批次的图像数量
                name=train_name,      # 模型名称
            )
            
            print(f"{model_name} 训练完成！")
            
        except Exception as e:
            print(f"训练 {model_name} 时出现错误: {str(e)}")
            print(f"跳过模型 {model_name}，继续训练下一个模型")
            continue
    
    print(f"\n{'='*60}")
    print("所有模型训练完成！")
    print(f"{'='*60}")

if __name__ == "__main__":
    # 当该脚本被直接执行时，调用main函数
    main()

4. 技术栈

语言：Python 3.10
前端界面：PyQt5
数据库：SQLite（存储用户信息）
模型：YOLOv5、YOLOv8、YOLOv11、YOLOv12

5. YOLO模型对比与识别效果解析

5.1 YOLOv5/YOLOv8/YOLOv11/YOLOv12模型对比

基于Ultralytics官方COCO数据集训练结果：

模型	尺寸(像素)	mAPval 50-95	速度(CPU ONNX/毫秒)	参数(M)	FLOPs(B)
YOLO12n	640	40.6	-	2.6	6.5
YOLO11n	640	39.5	56.1 ± 0.8	2.6	6.5
YOLOv8n	640	37.3	80.4	3.2	8.7
YOLOv5nu	640	34.3	73.6	2.6	7.7

关键结论：

精度最高：YOLO12n（mAP 40.6%），显著领先其他模型（较YOLOv5nu高约6.3个百分点）；
速度最优：YOLO11n（CPU推理56.1ms），比YOLOv8n快42%，适合实时轻量部署；
效率均衡：YOLO12n/YOLO11n/YOLOv8n/YOLOv5nu参数量均为2.6M，FLOPs较低（YOLO12n/11n仅6.5B）；YOLOv8n参数量（3.2M）与计算量（8.7B）最高，但精度优势不明显。

综合推荐：

追求高精度：优先选YOLO12n（精度与效率兼顾）；
需高速低耗：选YOLO11n（速度最快且精度接近YOLO12n）；
YOLOv5nu/YOLOv8n因性能劣势，无特殊需求时不建议首选。

5.2 数据集分析

数据集中训练集和验证集一共大概7000多张，数据集目标类别两类：有安全帽，无安全帽。数据集配置代码如下：

names:
- Helmet
- NoHelmet
nc: 2
path: D:\project\python\01Finished\yolo_Hard_Hat\train_data
test: ../test/images
train: ../train/images
val: ../valid/images