数据集包含了工人的安全帽场景，适用于安全帽的检测，数据已标注txt格式。 数据包含三个标注类别，head、person和Hard Hat。

安全帽作为作业工人最基本的个体防护装备，对作业人员的生命安全具有重要意义.但是部分作业人员安全意识缺乏，不佩戴安全帽行为时常发生.本文聚焦于复杂场景下对工作人员是否佩戴安全帽的实时检测.YOLO （You Only Look Once）是当前最为先进的实时目标检测算法，在检测精度和速度上都取得了良好的效果，将YOLO应用于安全帽检测.针对未佩戴安全帽单类检测问题，修改分类器，将输出修改为18维度的张量.基于YOLOv3在ImageNet上的预训练模型，对实际场景下采集到的2010张样本进行标注并训练，根据损失函数和IOU曲线对模型进行优化调参，最终得到最优的安全帽检测模型.实验结果表明，在2000张图片测试集上取得了98.7%的准确率，在无GPU环境下平均检测速度达到了35 fps，满足实时性的检测要求，验证了基于YOLOv3安全帽检测方法的有效性.

opencv安全帽样本，训练xml用到啊，网上截图一个一个抓

在安全帽佩戴检测数据集训练YOLOv5--数据集处理-附件资源

安全帽识别数据集，自制数据集3.5k张，本人使用yolov3测试，识别结果正常

安全帽检测yolov4-tiny-pytorch源码，里面有大量安全帽数据集训练成的抽烟模型，识别安全帽准确度高达百分之98，速度超过20帧每秒，下载即可运行

近年来，因工人未佩戴安全帽而造成的施工事故频繁发生，为降低事故发生率，对工人安全帽佩戴情况进行图像描述的研究。当前基于神经网络的图像描述方法缺乏可解释性且细节描述不充分，施冮场景图像描述的硏究较为匮乏，针对该问题，提出采用YωLOv3（ You Only Look Once）的检测算法，以及基于语义规则和语勺模板相结合的方法递进式地生成安全帽佩戴的描述语句。首先，采集数据，制作安全帽佩戴检测数据集和图像字幕欻据集;其次，使用K-meas算法确定适用于该数据集的锚框参数值，用以YOLO√3网络的训练与检测;再次，预定义一个语义规则，结合目标检测结釆来提取视觉概念;最后，将提取出的视觉概念填充进由图像字幕标注生成的语句模板，以生成关于施工场景中工人安全帽佩戴的图像描述语句。使用Ubuntu16.04系统和 Keras深度学习框架搭建实验环境，在自制的安全帽佩戴数据集上进行不冋算法的对比实验。实验结果表明，所提方法不仅能够有效界定安全帽佩戴者和未佩戴者的数量，而且在BLEU-Ⅰ和CIEr评价指标上的得分分别达到了0.722和0.957，相比其他方法分别提高了6.9%和14.8%，证明了该方法的有效性和优越性。

工地上安全帽数据集2000张，用labelimg标注完成，人工标注，类别3个：helmet，head，person

在安全帽佩戴检测数据集训练YOLOv5--数据集处理-附件资源

MATLAB安全帽头盔识别，因为头盔是戴在脸部以上的，所以先进行人脸检测，定位，进而找头盔。带界面。