最近图像领域比较火热的两个方向都与复工复产相关，一方面是口罩识别，另一方面，就是智能工地安全领域中的安全帽佩戴检测，很多同学或许没想到印象的大工地现在已经随着计算机视觉领域的发展如此智能化了。人民的生命安全永远是第一位的，特别是在建筑行业这样长期处于较高风险的工作环境当中，如何对工地环境中工人是否佩戴安全帽以及工地的危险区域内是否有人，这对于保持建筑行业安全持久发展是至关重要的。另外，除了今天提及的安全帽佩戴检测数据集外，还有在该数据集基础上的开源落地项目哟，业界领先的目标检测框架如YOLOv5s、YOLOv5m、YOLOv5l均已用于训练安全帽佩戴检测数据集，代码和权重均已开源，相关项目将和数据集一起分享给大家。话不多说，一起来看看数据情况~

01

—

数据简介

安全帽佩戴检测数据集来源于项目Smart Construction，它是一个非常棒的开源项目，利用YOLOv5进行目标检测的"落地化"应用。具体地，它使用了YOLOv5s、YOLOv5m、YOLOv5l来训练安全帽佩戴检测数据集（SHWD），代码和权重均已开源，具体地是使用 YOLOv5 来训练在智能工地安全领域中头盔目标检测的应用。

SHWD提供了用于安全帽佩戴和人头检测的两者数据集。它一共包括7581张图像，其中带有9044张人类安全头盔的佩戴物（正）和111514件正常头部的物品（未佩戴或负）。正对象来自goolge或baidu，数据集中用LabelImg手动标记。一些负对象来自SCUT-HEAD。数据集中修复了原始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，项目中还提供了MXNet GluonCV的一些预训练模型。

数据集中将数据注释为Pascal VOC格式，数据集文件结构如下：

目标检测任务包含两个对象类名称，“帽子”代表正对象，“人”代表负对象。如下图所示，我们来看看正、负对象的演示图像。

02

—

数据链接

这里是安全帽佩戴检测数据集的分享，数据分享来源于BAIDU和GOOGLE，我们这里也给出两个官方来源的分享链接：

BAIDU DRIVE：

https://pan.baidu.com/s/1UbFkGm4EppdAU660Vu7SdQ

GOOGLE DRIVE：

https://drive.google.com/open?id=1qWm7rrwvjAWs1slymbrLaCf7Q-wnGLEX

这里还包括两者利用该数据进行研究提供的预训练模型分享哟。

BAIDU MODEL：

https://pan.baidu.com/s/1dWNU_q59sw1a3TVtV7VXEg#list/path=%2F

GOOGLE MODEL：

https://github.com/njvisionpower/Safety-Helmet-Wearing-Dataset#model

下面分别是不同预训练模型在数据集上的表现。

从事图像目标检测相关研究或对该项目非常感兴趣的同学可以进入项目官方链接https://github.com/PeterH0323/Smart_Construction，亲自动手实践一下，前提当然是拥有性能优异的CPU，项目当中也提到了用CPU加载数据集上花费大量时间，建议使用多核CPU，CPU核心数设置得更大一些，这将提高训练速度。众所周知，CV领域当然尽可能使用好的GPU来完成任务，我们按项目流程实际体验了一下，这里建议各位同学在实践中使用GTX 1080Ti以上配置的机器会有较好的体验。

更多阅读

2020 年最佳流行 Python 库 Top 10

2020 Python中文社区热门文章 Top 10

Top 10 沙雕又有趣的 GitHub 程序

特别推荐

点击下方阅读原文加入社区会员