大家好，今天要讲的内容是，基于yolov8，训练一个安全帽佩戴的目标检测模型。

在本节课中，我们将使用yolov8提供的python接口，训练一个佩戴安全帽的目标检测模型。

完成模型的训练后，使用这个模型，识别图像和视频中的人物，是否佩戴了安全帽。

1.训练数据的准备

首先需要准备训练数据。

最简单的方法，就是在kaggle平台搜索相关的数据：

打开kaggle平台，搜索Safety Helmet或者worker safety等等，可以找到相应的训练数据。

这里要注意数据格式：

例如，Safety Helmet 这份数据的格式是PASCAL VOC，而Site Safety这份数据的格式是YoloV8。

前者需要将数据转换为Yolo格式，后者可以直接使用。

我们选择Site Safety这份数据，下载后可以直接使用。

将下载的数据解压，在css-data文件夹中：

train保存了2605个训练数据，valid保存了114个验证数据，test保存了82个测试数据。

打开train文件夹，其中image文件夹保存了图片数据：

labels文件夹保存了数据的标记结果，标记格式为yolo格式：

同一个数据的数据名和标记名是相同的，可以对应上。

2.训练数据的格式说明

我们随意打开一个数据图片和对应的标记数据：

简单来说，每一行表示一个目标物体。

在标记数据中包括了14行，因此对这个图片数据，会标记14个目标物体：

每一行的数据格式如下：

第1列是class_id，代表类别的编号。

第2列和第3列是x_center和y_center，代表物体边界框中心点的坐标。

第4列和第5列是width和height，代表物体边界框的宽度和高度。

这4个值的取值都在0到1之间。

我们以图片中的第1个目标物体来说明，也就是红框标记的蓝色安全帽：

它的标记数据是第1行，0、0.498、0.110等等。

这里的编号0，对应类别安全帽。

边界框中心点的坐标，是相对于图像宽度和高度的比例。

边界框的宽度和高度，同样是相对于图像的宽度和高度的比例。

例如，这个蓝色安全帽边界框中心点的x坐标，是0.498 * image_width。

中心点的y坐标，是0.110 * image_height。

物体边界框的宽度和高度，分别为 0.021 * image_width 和 0.062 * image_height：

另外，从这张图片可以看出，每个图片可以分为多张子图，每个子图也包括了多个目标物体。

因此，这份数据虽然只有2605张图片，但实际上可以有20000多个标记结果。

3.搭建环境和编写配置文件

使用conda create创建一个名为safehat的新python环境：

其中python版本选择3.10。

创建后激活环境，并输入pip install ultralytics，安装yolo。

完成安装后，需要编写一个模型训练使用的yaml配置文件，文件取名为safehat.yaml：

该文件说明了数据的地址和待训练的类别。

数据的地址有三个路径，train对应训练数据、val对应验证数据、test对应测试数据。

接着定义模型的类别数量nc: 10，代表10个待检测的类别。

这10个类别的名称保存在names中。

这里我们重点关注Hardhat带安全帽和NO-Hardhat未带安全帽这两个类别。

4.模型训练和测试

编写模型的训练代码yolo_train.py：

第一行，表示导入Yolo模块。

第2行加载yolo的预训练模型yolov8n.pt，这个模型使用了coco数据集训练，是通用的目标检测模型。

我们将它作为基础模型，在该模型的基础上，训练安全帽模型。

第3行代码，表示训练自定义的数据集，数据的配置保存在safehat.yaml中，epochs等于100表示100轮迭代。

最后train.val表示使用验证集验证效果。

完成训练代码的编写后，运行训练程序yolo_train.py：

从运行后打印的调试信息中可以看到，我当前的环境是ultralytics yolov8版本，python3.10.12，CPU环境进行训练。

训练需要持续一段时间，每个epoch可能要训练3-5分钟：

整体训练一个下午，基本就可以完成了。

完成训练后，会在当前目录下的runs/detect/train路径下，保存训练过程中的数据和模型文件：

其中weights文件夹中保存了模型文件，接下来我们使用best.pt进行测试：

编写测试代码yolo_test.py：

首先导入训练好的模型best.pt。

这里我们可以随意找一些测试数据，也可以自己构造一些数据。

图片数据和视频数据都是可以的，直接将数据传入接口就可以了。

另外，在识别我自己构造的数据时，传入了classes = [0, 2]，它代表只输出0和2这两个类别，也就是只识别安全帽是否佩戴。

line_width = 30表示指定识别框的字体大小为30。

运行测试程序，可以看到模型识别数据的过程，视频会一帧一帧的识别：

识别结果会保存在当前目录下的runs/detect/predict中。

打开结果文件夹，可以看到图片和视频的识别结果。

其中视频会将每一帧都识别好：

从视频中可以看到，人物、安全帽、安全衣、挖掘机都被识别出来了。

另外，在识别时，可以只选择一部分需要识别的类型：

例如，在我自己构造的数据中，只识别是否佩戴安全帽这两个类别，我们可以看到模型准确的将结果识别出来了。

那么到这里，基于yolov8，训练一个安全帽佩戴的目标检测模型，就讲完了，感谢大家的观看，我们下节课再会。