yolo安全帽佩戴检测数据集 Introduction SHWD provide the dataset used for both safety helmet wearing and human head detection. It includes 7581 images with 9044 human safety helmet wearing objects(positive) and 111514 normal head objects(not wearing or negative). The positive objects got from goolge or baidu, and we manually labeld with LabelImg. Some of negative objects got from SCUT-HEAD. We fixed some bugs for original SCUT-HEAD and make the data can be directly loaded as normal Pascal VOC format. Also

本项目中使用的预训练模型为官方提供的 yolov5m.pt 来训练数据集，另外三种模型分别为：yolov5l.pt、yolov5s.pt、yolov5x.pt。可以更换预训练模型来训练数据集。 一：下载模型 二：将模型放入weights文件夹下（实际上可以放入任何位置，只需要做相应的路径更改） 三：更改 train.py 下预训练模型的路径以及对应模型cfg配置文件的对应位置 --weights 参数的 default 更改为：例如 weights/yolov5m.pt（使用命令行运行则直接 --weights 指定即可） --cfg 参数的 default 更改为：例如对应的 models/yolov5m.yaml（使用命令行运行则直接 --cfg 指定即可） **强调一点：**cfg 官方默认的 4 个 yaml 文件的配置为 coco 数据集的 80 个识别类别。如果你更换了预训练模型，yaml 里面的参数nc也需要修改为对应你自己项目的类别个数，例如本项目中 nc: 2。 四：命令行或者直接运行 train.py 训练 2：添加数据集 可

jpg图像 & xml标记文件

针对已有安全帽佩戴检测算法对部分遮挡、尺寸不一和小目标存在检测难度大、准确率低的问题，提出了基于改进的Faster RCNN和多部件结合的安全帽佩戴检测方法。在原始Faster RCNN上运用多尺度训练和增加锚点数量增强网络检测不同尺寸目标的鲁棒性，并引入防止正负样本不均衡的在线困难样本挖掘策略，然后对检测出的佩戴安全帽工人和安全帽等采用多部件结合方法剔除误检目标。实验表明，相比于原始Faster RCNN，检测准确率提高了7%，对环境的适应性更强。

在安全帽佩戴检测数据集训练YOLOv5--数据集处理-附件资源

在安全帽佩戴检测数据集训练YOLOv5--数据集处理-附件资源

SafetyHelmetWearing-Dataset（安全帽附加检测数据集） 安全帽（安全帽）佩戴检测数据集（SHWD）。 我们还提供预训练的模型。 介绍 SHWD提供了用于安全帽佩戴和人头检测的数据集。 它包含7581张图像，其中带有9044张人类安全头盔的佩戴物（正）和111514正常头部的物品（未佩戴或负）。 阳性对象来自goolge或baidu，我们用LabelImg手动标记。 一些负物体来自 。 我们修复了原始SCUT-HEAD的一些错误，并使数据可以按正常的Pascal VOC格式直接加载。 此外，我们还提供了一些带有MXNet GluonCV的预训练模型。 数据集和模型下载 数据集 模型 基准 模型 暗网 mobile1.0 手机0.25 地图 88.5 86.3 75.0 如何使用数据集 我们将数据注释为Pascal VOC格式： ---VOC2028

YOLOv3在安全帽佩戴检测中的应用研究_马小陆.pdf

复杂姿态下的安全帽佩戴检测方法研究_王雨生.pdf