安全帽佩戴检测数据集

安全帽佩戴检测数据集（SHWD）。我们还提供了预训练模型。

简介

SHWD 提供了用于安全帽佩戴检测和人体头部检测的数据集。它包含 7581 张图像，其中 9044 个是佩戴安全帽的人体目标（正样本），111514 个是未佩戴安全帽的正常头部目标（负样本）。正样本来自 Google 或 Baidu，我们使用 LabelImg 手动标注。部分负样本来自 SCUT-HEAD 数据集。我们修复了 SCUT-HEAD 原始数据集中的若干问题，使其可以直接以标准 Pascal VOC 格式加载。此外，我们还提供了基于 MXNet GluonCV 的一些预训练模型。

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

我们按照 Pascal VOC 格式对数据进行标注：

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

该任务有两个目标类别名称：“hat”表示正样本，“person”表示负样本。

如何运行

依赖项

请确保已安装 MXNet、GluonCV 和 OpenCV。

使用预训练模型进行推理

有两种方式进行推理。

第一种方式

从链接 BaiduDrive 下载模型。

运行“python test_yolo.py”，使用默认设置，或更改以下选项：
--network：选择 darknet/mobile1.0/mobile0.25 网络，默认为 darknet53；
--threshold：过滤目标的置信度阈值；
--gpu：使用 GPU 还是 CPU，默认为 GPU；
--short：原始图像输入的短边尺寸。

第二种方式，使用 MXNet 符号进行推理

从 BaiduDrive（或 GoogleDrive）下载符号模型，然后使用符号进行推理：

python test_symbol.py

注意事项

1. 本仓库提供了三种不同大小的 YOLO 模型，默认为 darknet53。 2. 参数 “short” 表示原始图像短边的输入尺寸，如果需要检测密集目标或大尺寸图像，可以尝试增大该值。 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

您可以在文件 “train_yolo.py” 中查看函数 “get_dataset”，以设置数据集路径。例如，下载数据集并解压到类似 “D:\VOCdevkit\VOC2028” 的路径，训练集和验证集可以这样设置：

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

然后检查 train_yolo.py 文件以设置选项并开始训练，例如：

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，可以尝试增加预热轮数或使用更小的学习率。 2. 使用 CPU 加载数据集会耗费大量时间，如果有多核 CPU，可将 “-j” 参数设置得更大，以提高训练速度。 3. 如果在 Windows 上训练，程序有时可能会卡住，请参考 https://discuss.gluon.ai/t/topic/9388/11；如果在 Linux 上训练，请确保系统有足够的共享内存。

示例

Safety-Helmet-Wearing-Dataset 快速上手指南

环境准备

系统要求

• 支持 Python 3.6 及以上版本的系统（Windows/Linux/macOS）
• 推荐使用 Linux 或 macOS 系统进行训练和推理

前置依赖

确保已安装以下依赖库：

• MXNet
• GluonCV
• OpenCV

可通过 pip 安装（推荐使用国内镜像源加速）：

pip install mxnet gluoncv opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

1. 下载数据集和预训练模型
   数据集下载地址：
   百度网盘
   Google Drive

   预训练模型下载地址：
   百度网盘
   Google Drive

2. 解压数据集到指定路径，例如：

   D:\VOCdevkit\VOC2028
   

基本使用

使用预训练模型进行推理

1. 下载预训练模型并放置在项目目录中。
2. 运行测试脚本：

   python test_yolo.py --network darknet --threshold 0.5 --gpu 0 --short 416
   

使用符号模型进行推理

1. 下载符号模型文件。
2. 运行符号推理脚本：

   python test_symbol.py
   

训练模型

1. 修改 train_yolo.py 中的数据集路径为实际解压路径。
2. 运行训练命令：

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