数据集获取主页 个人简介

最近在搞安全帽检测项目，最头疼的从来不是调参，而是搞数据。网上那些开源数据集，要么标注稀碎，要么场景单一，真扔进模型里，效果那叫一个感人。

被坑了几次后，心一横，自己动手攒了一份。过程就不提了，说多了都是泪（懂的都懂）。现在搞完了，感觉不拿出来给同行们避避坑，都对不起掉的这些头发。

这份数据集的核心就俩字：省心。你拿到手，5分钟就能把训练跑起来。

1. 数据结构

完全按YOLO官方推荐的结构来，一层都不带错的：

你的项目目录/ ├── datasets/ │ └── helmet_data/ # 这是数据集根目录 │ ├── train/ │ │ ├── images/ # 24040张图 │ │ └── labels/ # 24040个txt，一个不少 │ ├── val/ │ │ ├── images/ # 1978张 │ │ └── labels/ # 1978个 │ └── test/ │ ├── images/ # 979张 │ └── labels/ # 979个

2. 数据质量

• 尺寸统一：全部预处理成了640x640，不用你再操心resize对齐的问题。
• 标注扎实：只标两类，0: head（人头）,1: helmet（安全帽）。重点看下面的统计

头盔的样本量是人头的3倍多，这很符合实际场景（一个画面里好多人戴了帽子）。我们特意做了数据增强，缓解这个不平衡问题。

3. 怎么用

在数据集根目录（就是helmet/那一层），给你备好了这个data.yaml文件：

names: path: /你的路径/datasets/Helmet # 就改这里！ train: train/images val: val/images test: test/images nc: 2 # 类别数 names: ['头', '安全帽'] # 类别名，别写反了

YOLOv8（推荐，代码最简洁）下载【yolov8s.pt】

from ultralytics import YOLO # 1. 加载模型 model = YOLO('yolov8n.pt') # 也可以用 yolov8s.pt, yolov8m.pt，从官网下载 # 2. 训练（直接指定yaml路径） results = model.train( data='path/to/helmet/data.yaml', epochs=100, imgsz=640, batch=16, device='0' # 用GPU，如果是CPU就改成'cpu' ) # 3. 验证（训练完自动验证，也可以单独跑） val_results = model.val() # 自动加载最佳权重验证 print(f"mAP50-95: {val_results.box.map:.4f}") print(f"mAP50: {val_results.box.map50:.4f}")

4. 能跑出什么效果？

我们拿YOLOv8m试了个水，默认参数跑了200轮，在测试集上mAP@0.5能跑到0.97以上。这还只是基线模型，你拿去用更好的模型或者调调参，冲到更高问题不大。