基于 YOLO11 的工业场景安全帽佩戴检测系统 | 完整源码分享基于 YOLO11 的工业场景安全帽佩戴检测系统

基于 YOLO11 的工业场景安全帽佩戴检测系统 | 完整源码分享

一套面向工地、生产车间与厂区出入口的安全帽佩戴视觉识别方案，使用 YOLO11n + Streamlit 构建，可实时检出画面中的安全帽并区分类型，辅助安全生产监管与违规预警。

附完整源码与效果演示。

一、背景

1.1 行业痛点

安全帽是工地与车间的第一道生命防线，但佩戴合规性检查长期依赖人力，存在三个老大难问题：

人工巡检有死角——安全员不可能同时盯住所有作业面，临时进场、夜班时段最容易漏管；
监控回放滞后——传统视频监控只能事后查证，违规佩戴已经发生，处罚代替不了预防；
合规台账难沉淀——谁没戴、哪个时段高发，缺乏结构化数据，安全例会只能凭印象说话。

本项目把"人眼巡查"升级为"实时检出"：摄像头采集 → YOLO11 检测 → 框出安全帽并区分类型，为安全员、班组与企业安监提供一个可量化、可追溯的合规检查底座。

数据集来自真实工业场景，共 2900+ 张高质量标注图（train 2904 / valid 74 / test 8），按 YOLO 格式组织，两个类别 nc=2：工业安全帽 / 安全帽。

视频演示与源码下载

www.bilibili.com/video/BV1q2…

在这里插入图片描述

包含： 📦完整项目源码 📦 预训练模型权重

🗂️数据集

1.2 项目运行效果

*Web 界面总览（
*单张图片识别效果
*批量图片合规检查

1.3 项目介绍

创新点 / 亮点

维度	说明
类型可区分	两类安全帽分别标注（工业安全帽 / 安全帽），适配多工种混合作业面
原子配置即业务	project.yaml 描述行业、场景、部署形态，前端 0 代码定制品牌
多源接入	同一 UI 支持单图、批量、视频、摄像头四种模式，零部署门槛
中文类名	训练即用中文标签，前端无需翻译，对非技术用户（安全员）友好

系统功能概览

单张图片检测：上传图片即得标注图 + 检测明细 + 类别统计
批量图片检测：多图或 ZIP 上传，自动汇总每张图的检出数与平均置信度，结果打包下载
视频检测：逐帧推理生成标注视频，附逐帧检出统计
摄像头实时检测：浏览器拉本机摄像头，实时输出检测结果

技术栈

层级	技术选型
检测模型	YOLO11n（Ultralytics）
Web 框架	Streamlit
图像处理	OpenCV、Pillow
数据 / 图表	Pandas
视频编解码	imageio-ffmpeg
部署	Python 3.8+，本地 / 容器 / 边缘盒子均可

类别定义：nc=2，names 为 0: 工业安全帽，1: 安全帽。

二、设计框架

系统架构

┌────────────────────────────────────────────────────────────┐
│           用户浏览器（安全员 / 班组长 / 安监）              │
│        单张图片 │ 批量图片 │ 视频 │ 摄像头                   │
└──────────────────────┬─────────────────────────────────────┘
                       │ HTTP / WebSocket
┌──────────────────────▼─────────────────────────────────────┐
│              Streamlit App (app/streamlit_app.py)          │
│  · 模式路由（st.radio）                                     │
│  · 上传 / 预览 / 检测明细 / 结果 ZIP 导出                   │
│  · 行业品牌渲染（project.yaml 驱动）                        │
└──────────────────────┬─────────────────────────────────────┘
                       │ model.predict(conf=可调, iou=0.7)
┌──────────────────────▼─────────────────────────────────────┐
│                 YOLO11n 推理引擎                           │
│  Backbone (C2f + SPPF) → Neck (FPN + PAN) → Decoupled Head │
│  + DFL（分布式回归）→ NMS                                   │
└──────────────────────┬─────────────────────────────────────┘
                       │ result.boxes (cls, conf, xyxy)
┌──────────────────────▼─────────────────────────────────────┐
│   后处理：类别映射 → DataFrame 明细 → 统计汇总 → 前端渲染   │
└────────────────────────────────────────────────────────────┘

YOLO11 网络结构（沿用 v8 主干，更轻更深）

Backbone：Conv + C2f 堆叠下采样 5 次，末端 SPPF 融合多尺度特征
Neck：FPN（自顶向下语义）+ PAN（自底向上定位）双向特征金字塔
Head：解耦头 + DFL（分布回归），对小目标（远处人头）定位更稳
损失：BCE（分类）+ CIoU + DFL（回归）

检测流程：图像/帧 → letterbox 至 imgsz=640 → 推理 → 置信度过滤（默认 0.25）→ NMS（iou=0.7）→ 类别映射 → 前端图表渲染。

三、代码结构（核心 50 行 + 解析）

项目结构：

工业场景安全帽佩戴检测_yolo11n/
├── app/streamlit_app.py        # Streamlit Web 入口
├── configs/project.yaml        # 业务配置（场景、部署、UI 主题、推理参数）
├── model/best.pt               # YOLO11n 权重
├── data/                       # train / valid / test
└── train/                      # 训练产物

核心代码（项目真实摘录）：

PROJECT_ROOT = Path(__file__).resolve().parent.parent
APP_CONFIG = load_yaml(PROJECT_ROOT / "configs" / "project.yaml")
DEFAULT_CONF = float(INFERENCE_META.get("conf", 0.30))     # 阈值由配置驱动

@st.cache_resource(show_spinner=False)
def load_model(model_path: str) -> YOLO:
    return YOLO(model_path)                       # 全局缓存，避免反复加载

def infer_image_path(model: YOLO, image_path: Path, conf: float) -> tuple:
    result = model.predict(str(image_path), conf=conf, verbose=False)[0]
    annotated = result.plot()
    rows = []
    if result.boxes is not None:
        for box in result.boxes:
            cls_id = int(box.cls.item())
            rows.append({
                "class_name": result.names[cls_id],
                "confidence": round(float(box.conf.item()), 4),
                "x1": float(box.xyxy[0][0]), "y1": float(box.xyxy[0][1]),
                "x2": float(box.xyxy[0][2]), "y2": float(box.xyxy[0][3]),
            })
    return annotated[:, :, ::-1], pd.DataFrame(rows)

逐段解析

project.yaml + INFER.get(…)：置信度、iou、批量上限全部从配置读取，安全员侧调阈值不用改代码。
@st.cache_resource 缓存 YOLO(model_path)：Streamlit 每次交互不重建模型，首屏后单图响应稳定在百毫秒级。
model.predict 一行完成"预处理 + 推理 + NMS"，.plot() 直接生成带标签框的 ndarray，[:, :, ::-1] 转回 RGB 喂给 Streamlit。
result.boxes 迭代得到 cls / conf / xyxy，组成 DataFrame：单图、批量、视频、摄像头四个入口复用同一份推理逻辑。
批量入口在推理循环中同步完成"明细落表 + 标注图写 ZIP + 缩略预览"三件事，一次跑完即拿可下载结果包，方便直接贴进安全例会材料。

四、训练效果

训练采用 YOLO11n 预训练权重微调，epochs=200（best epoch 164），imgsz=640，batch=16。best.pt 对应指标：

指标	数值
Precision (B)	0.986
Recall (B)	0.977
mAP@0.5	0.994
mAP@0.5:0.95	0.784

PR 曲线（mAP@0.5 = 0.994，两类安全帽均维持高精度高召回）（原文此处为截图）
归一化混淆矩阵（对角线主导，类别间几乎无混淆——两类安全帽外观差异明确）（原文此处为截图）
类别分布：两类样本均衡，安全帽目标尺寸集中在小到中等区域，小目标检出稳定（原文此处为截图）

五、项目总结

做对了什么

两类安全帽分开标注，多工种混合作业面也能给出结构化合规数据。
业务话术、场景、部署形态全在 project.yaml，同一套代码可换皮复用到工地、车间、厂区等不同客户。
推理函数返回 (annotated, DataFrame)，单图 / 批量 / 视频 / 摄像头复用同一份逻辑，扩展新模式成本极低。

还能怎么做

加入人头检测做"戴/未戴"配对判定，把"检出安全帽"升级为"检出未佩戴人员"，直接输出违规名单。
引入跟踪（ByteTrack / BoT-SORT）做跨帧关联，统计单人持续违规时长，过滤单帧闪烁误报。
对接门禁闸机与广播系统，检出未佩戴即联动拦截提醒，形成"检出—告警—处置"闭环。
边缘部署：YOLO11n 轻量，INT8 量化后可塞进工地摄像头本地芯片，敏感画面不出场。

一句话总结

YOLO11n + Streamlit 把"人眼巡查"升级为"实时检出"，给工地、车间与厂区安防一个可立即落地、可配置化复用的视觉底座。

标签：# yolo #YOLO #目标检测 #安全帽检测

基于 YOLO11 的工业场景安全帽佩戴检测系统 | 完整源码分享