【亲测有效】1400+ 张 YOLO 目标检测标注好的工地安全帽数据集,拿到手就能直接训练
【亲测有效】1400+ 张 YOLO 目标检测标注好的工地安全帽数据集,拿到手就能直接训练
这个仓库提供了一份专门面向工地安全场景的 YOLO 目标检测数据集——1427 张真实工地照片,全部按 YOLO txt 格式打好标签,并且已经切分好训练集、验证集和测试集。你不需要再自己翻照片、画框、做数据划分,解压即可把数据集接入 YOLO 系列或其他支持该格式的框架开始训练,省去了最耗时的数据准备环节。
适合谁用:工地安全防护识别的典型落地场景
这份数据集主要解决的是"如何让模型自动判断工人是否规范佩戴了安全防护装备"这类问题,以下几类用户会直接用得上:
- 做目标检测入门练习的同学:类别少、图片量适中(约 1.4 千张),非常适合拿来跑通一遍完整的 YOLO 训练流程;
- 研究工地安全监测、智慧工地方向的研究者:数据集里既有
Helmet(戴安全帽)也有Non-Helmet(未戴安全帽)这样的对比类别,可以直接用于"佩戴合规性判断"任务; - 开发安防视觉系统、边缘端检测应用的工程师:7 个轻量类别适合在资源受限的设备上做推理部署实验。
可以做的任务包括但不限于:安全帽佩戴检测、防护装备(反光背心、手套、安全鞋)完整性检查、以及"未佩戴"行为的自动告警原型。
数据集概览:规模、类别与标注格式
| 项目 | 说明 |
|---|---|
| 图片总量 | 1427 张 JPG |
| 标注格式 | YOLO txt(每行:类别号 + 中心点 x/y + 宽高,均为归一化坐标) |
| 类别数 | 7 类:Gloves、Helmet、Non-Helmet、Person、Shoes、Vest、bare-arms |
| 数据划分 | 训练集 999 张 / 验证集 286 张 / 测试集 142 张,按比例预切分 |
| 配置方式 | 附带 data.yaml,YOLO 生态工具可直接读取 |
从类别设计可以看出,这套数据不只是"找帽子",而是围绕工人全身防护状态来标注的:Vest(反光背心)、Gloves(手套)、Shoes(安全鞋)、bare-arms(裸露手臂)等类别共同构成了一套可组合的安全合规判定逻辑,这也是它比单纯安全帽二分类数据更有价值的地方。
目录结构说明:images 与 labels 一一对应
数据集以压缩包形式存放,解压后的整体布局如下:
workers-safety-equipment/
├── data.yaml # 数据集配置:train/val/test 路径 + 7 个类别名
├── train/
│ ├── images/ # 999 张训练图片
│ └── labels/ # 999 个对应的 .txt 标签
├── valid/
│ ├── images/ # 286 张验证图片
│ └── labels/ # 286 个对应的 .txt 标签
└── test/
├── images/ # 142 张测试图片
└── labels/ # 142 个对应的 .txt 标签
几个使用时的细节值得注意:
- 图片与标签的文件名一一对应,只是扩展名从
.jpg换成.txt,无需手动配对; - 验证集目录名是
valid(而非常见的val),但data.yaml中已经正确指向../valid/images,直接加载即可; - 每个
labels/目录下的 txt 文件即标准 YOLO 格式,一张图对应一个文件,多个目标就是多行。
快速开始:从获取数据到启动训练的最短路径
第 1 步,获取数据。 克隆本仓库:
git clone https://gitcode.com/open-source-toolkit/10c53
仓库中的 workers-safety-equipment.zip 就是完整数据集(约 70 MB),解压到任意目录即可。
第 2 步,确认结构。 解压后确认能看到 data.yaml 以及 train/、valid/、test/ 三个子目录,且每个子目录下都有 images 和 labels。
第 3 步,配置路径并训练。 如果你使用 Ultralytics 等 YOLO 生态框架,只需让 data.yaml 里的相对路径与解压后的实际位置匹配(默认相对关系即为解压后的目录结构),然后指定该配置文件启动训练:
yolo detect train data=/你的解压路径/data.yaml model=yolov8n.pt epochs=50
训练过程中框架会自动从 valid 目录读取验证集、从 test 目录做最终测试,全程无需再手动切分数据。
使用边界:授权与版权相关提醒
- 该数据集仅面向学习与研究用途,请勿将其用于商业产品或对外售卖的服务中;
- 数据集内的图片与标签均整理自公开渠道,若你发现其中存在版权争议内容,建议先联系数据作者核实,再决定是否继续使用该部分样本;
- 若在你的项目中复用了这份数据,建议在文档中注明其来源与用途限制,避免下游使用者误判授权范围。
参与共建
训练过程中如果发现标签错误、缺失样本,或者有补充照片的渠道,欢迎通过提交 Issue 或 Pull Request 的方式反馈给我们,你的每一条意见都会让这份数据集更完善。