简介一套面向智慧工地场景的未戴安全绳自动预警系统基于YOLOv8目标检测框架实现专门解决高处作业人员未佩戴安全绳的实时识别问题。资源包含完整Python源码、已标注训练数据集、训练好的模型权重以及可视化操作界面可一键生成核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果和标签分布图非常适合计算机视觉、人工智能相关专业学生用于毕业设计或课程设计答辩展示。整个压缩包共97个文件其中70个Python脚本构成检测与训练主逻辑12个pyc为运行依赖4个.pt权重文件支持YOLOv8n、yolo11n等模型直接加载另有5个XML配置、说明文档、示例视频及图标文件整体大小约24.21MB目录结构清晰部署流程已写在README中。目前已有58人学习下载代码经测试稳定运行功能完善可直接作为毕设方案使用也可在此基础上修改扩展适配其他安全检测场景。1. 智慧工地安全绳检测为什么YOLOv8这套方案值得拿来就用工地高处的临边、洞口、脚手架作业安全绳就是最后一道保命索。但实际巡检靠人盯屏幕几十路摄像头根本看不过来漏看一秒钟可能就是一场事故。这套“基于YOLOv8的智慧工地未戴安全绳预警系统”做的就是让算法替人眼盯住画面里每一个进入高处作业区的人识别是否佩戴安全绳也叫安全带挂钩、生命绳一旦发现未佩戴就实时报警、截图留证。交付形态是一整套可直接运行的项目YOLOv8源码、标注好的工地数据集、带实时画面的可视化界面、从零开始的部署教程。对毕设或课程设计来说它的价值在于不用从算法原理慢慢啃起装好环境、改几个路径就能跑出模型界面和告警逻辑也都是现成的能让你把精力放在改进和答辩上而不是困在环境配置里。2. 安全绳为什么难检测先看清YOLOv8在工地场景的预测逻辑2.1 安全绳不是普通目标小目标、细长形、易遮挡在工地监控画面里安全绳的形态和检测难点可以总结成三句话目标太小、形状细长、容易被身体和护栏遮挡。正常佩戴时安全绳是一条从腰部安全钩连接到锚固点的细线在1080P画面里可能只占十几个像素宽度。YOLOv8的默认输入尺寸是640x640这么小的目标经过多次下采样后特征图上的响应很弱容易被当成背景或误检成其他物体。所以做这个项目时第一件事不是急着训练而是先理解YOLOv8对这类目标的处理方式。YOLOv8的模型结构分为BackboneCSPDarknet的改进版C2f、NeckPAN-FPN结构和Detect头解耦头Anchor-Free。C2f模块通过跨阶段特征融合提升梯度流PAN-FPN把深层语义信息和浅层位置信息做双向融合对小目标检测的贡献在于让浅层的细粒度特征能传到检测头。但要注意无论结构怎么改输入尺寸直接决定小目标的下采样倍数。640x640下一个10x10像素的安全绳区域下采样到40x40特征图时只剩不到1个像素基本等于消失。2.2 标签体系怎么设计安全帽、安全绳、安全带先分清楚再标注很多第一次做智慧工地相关项目的同学最大的误区是把“安全绳”和“安全带”混为一谈或者把安全绳佩戴与否当成一个二分类标签。实际施工场景里需要检测的物体通常包含person作业人员作为检测主体helmet安全帽虽然本项目重点不是安全帽但标注出来有助于模型理解上下文safety_rope / safety_belt安全绳或安全带这是预警的核心目标也可以加一类 background 或 ignored用于标注反光衣、工具等干扰物让模型少在背景上误报我做过的一个工地数据集中标注规范是这样如果工人腰部有明显安全绳且连接到锚固点就标safety_rope只穿了安全带但没挂绳标safety_belt但不触发告警什么都没戴只标person。这样模型学到的是“人绳”的组合关系而不是单纯判断有没有绳子。预警逻辑放在后处理里检测到person但附近没有safety_rope并且该person位于高危区域如临边、洞口则触发未戴安全绳告警。这种“先检测、再区域判断”的方式比直接训练一个“是否佩戴”的分类器稳健得多因为安全绳的标注本身就有视角和遮挡问题。提示如果数据集里安全绳标注框太小建议在标注时适当扩大边框把绳扣和半段绳子包进去但不要扩大到包含整个人。框太小会导致正样本在训练时被忽略。2.3 数据集的目录结构与YOLOv8的要求拿到项目里的数据集后第一件事是核对目录结构是否符合YOLOv8的预期。YOLOv8用ultralytics框架训练默认从datasets目录读取数据标准结构是datasets/ └── safety_rope/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yamlimages下放图片labels下放同名txt文件每行格式是class_id x_center y_center width height坐标全部归一化到0~1之间。data.yaml负责告诉YOLOv8类别名称和路径。如果项目里的数据集是LabelImg或Labelme标注的XML或JSON格式需要写脚本转换成YOLO格式。Labelme转YOLO的脚本网上很多但有几个坑Labelme的坐标是绝对像素值而YOLO需要归一化坐标Labelme里同一张图如果标注了多个类别txt文件里要按行区分。转换脚本不复杂但一定要记得转换后抽几张图做可视化检查别直接开训。转换脚本的关键逻辑import json import os def labelme_to_yolo(labelme_path, output_path, class_map, img_w, img_h): with open(labelme_path, r, encodingutf-8) as f: data json.load(f) txt_lines [] for shape in data[shapes]: label shape[label] if label not in class_map: continue points shape[points] xs [p[0] for p in points] ys [p[1] for p in points] x_min, x_max min(xs), max(xs) y_min, y_max min(ys), max(ys) x_center (x_min x_max) / 2 / img_w y_center (y_min y_max) / 2 / img_h width (x_max - x_min) / img_w height (y_max - y_min) / img_h txt_lines.append(f{class_map[label]} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}) with open(output_path, w) as f: f.write(\n.join(txt_lines))这段脚本做的事很简单读出labelme的JSON里每个标注框的四个顶点坐标求出外接矩形的中心点和宽高再除以图片宽高完成归一化。class_map是一个字典比如{person: 0, helmet: 1, safety_rope: 2}作用是把字符串标签转成YOLO需要的整数id。转换完成后去images/train里随机挑几张图把对应的txt内容覆盖上去画框确认框的位置和类别没串。3. 训练自己的数据集先跑通最小命令再谈精度调优3.1 ubuntu20.04搭建YOLOv8环境CPU版本也够用项目自带的部署教程一般会覆盖环境配置。以最常见的ubuntu20.04为例GPU版本需要安装CUDA和cuDNN但很多同学的本机没有NVIDIA显卡或者显卡显存只有4G。先说结论训练阶段建议有GPU实在没有就用CPU版先跑通流程验证数据集和代码没问题再借一台带GPU的机器或云主机训练真正的模型。CPU版本的环境搭建步骤比GPU简单很多适合第一次跑通项目conda create -n safety_env python3.9 -y conda activate safety_env pip install ultralytics8.1.0 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu注意这里安装PyTorch时用--index-url指定了CPU版本避免误装了CUDA版但运行时找不到GPU而报错。ultralytics是YOLOv8的官方Python包8.1.0是经过验证的稳定版本更高版本有些API改了但训练命令基本兼容。装完后在Python里执行from ultralytics import YOLO验证环境没问题。参数说明python3.9是兼容性较好的版本PyTorch 2.x对3.8到3.11都支持ultralytics8.1.0版本对应的数据增强和损失函数比较稳定适合毕设场景。如果是纯CPU跑训练把epochs降到10以内先验证流程不要指望CPU训出可用模型那是在浪费时间。3.2 训练命令的关键参数看懂这5个就够了训练前先确认数据集路径和yaml文件正确然后执行训练命令yolo detect train \ data/path/to/datasets/safety_rope/data.yaml \ modelyolov8s.pt \ epochs100 \ imgsz640 \ batch16 \ device0 \ patience20 \ workers4参数说明modelyolov8s.pt加载COCO预训练权重。s版本比n版本精度高些比m版本快很多工地场景推荐从s开始。第一次跑通流程也可以直接用n速度快接近一倍。imgsz640输入分辨率。如果数据集里安全绳目标普遍很小可尝试768或896但要接受训练时间变长、显存占用变大。我的经验是640先出基线看验证集的PR曲线再决定要不要升分辨率。batch16批量大小。显存不够就降到8或4但学习率也要相应调低否则容易震荡。patience20早停耐心值连续20轮验证集没有提升就停止训练。这个参数能帮你省时间但也可能过早在模型还没收敛时就停了判断标准是看最终保存的best.pt和last.pt是否有明显差距。workers4数据加载线程数。CPU核数多可以加到8Windows上如果数据加载报错就改为0用主进程加载这是最常见的Windows训练避坑点。训练完成后runs/detect/train/目录下会生成weights/best.pt和weights/last.pt以及results.csv和results.png。很多人不知道怎么画损失函数曲线图其实YOLOv8已经把每个epoch的train/loss、val/loss、mAP等指标记录在results.csv里直接用pandas读出来画就行import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(runs/detect/train/results.csv) plt.plot(df[epoch], df[train/box_loss], labelbox_loss) plt.plot(df[epoch], df[val/box_loss], labelval_box_loss) plt.legend() plt.savefig(loss_curve.png)画这个图的目的是判断模型有没有过拟合训练损失持续下降但验证损失在第60轮开始反弹说明模型开始死记训练集此时应该增加数据增强或提前早停。如果在第100轮时验证损失还在缓慢下降说明数据量不够或模型容量不够可以考虑加大epochs或换yolov8m。3.3 数据增强和类别不平衡小数据集的救命手段工地数据集通常只有几百到一两千张图属于典型的小数据集。YOLOv8默认开启的Mosaic、MixUp、HSV扰动等增强策略在COCO上表现好但搬到工地场景要注意两个问题第一Mosaic拼接会生成大量的“一半是地面一半是天空”的合成图如果原图里安全绳大多是纵向悬挂Mosaic拼接后可能产生奇怪的相对位置模型学到的“人和绳的相对关系”会发生偏移。对于安全绳这种强上下文依赖的目标我一般把mosaic概率从默认的1.0降到0.5甚至在最后20个epoch直接关闭。第二类别不平衡。一个工人戴了安全绳画面里可能同时有3个没戴的工人safety_rope类别只有person类别的五分之一。这时候有两个思路一是给稀有类别加权YOLOv8没有直接的类别权重参数但可以在损失函数层面手动改比较麻烦更简单的做法是复制安全绳样本做离线增强——把标注了安全绳的图片水平翻转、小角度旋转、亮度抖动再合并进训练集。注意增强后的图要重新生成标注文件别把坐标改错了。3.4 验证集做对了训练才算做对模型训练完用验证集评估性能是比损失曲线更重要的一环。标准命令yolo detect val \ modelruns/detect/train/weights/best.pt \ datadatasets/safety_rope/data.yaml \ conf0.25 \ iou0.5 \ imgsz640输出结果里重点看三项mAP50、mAP50-95、Precision/Recall。mAP50在目标检测里是及格线一般工地场景跑到0.7以上才算能用的水平mAP50-95则更严格体现模型在不同IOU阈值下的综合表现。如果mAP50还行但mAP50-95很低说明预测框位置不稳常见原因是标注框本身不够精确。另外一个容易被忽略的检查项是看val_batch0_pred.jpg这种可视化图片。把预测结果画在图上重点看两类错误一是把背景里的脚手架、塔吊钢索误检成安全绳假阳性这种错误在你把iou调低时会变多二是漏检假阴性通常是安全绳颜色和背景融为一体或工人背对摄像头导致绳子被身体完全遮挡。这两种错误直接决定预警系统的误报率和漏报率比数字更直观。4. 可视化界面与部署让检测结果变成能看的告警系统4.1 PyQt5桌面界面还是Web界面毕设场景怎么选项目里带的可视化界面常见有两种实现基于PyQt5的桌面程序和基于Flask/Streamlit的Web页面。我的建议是如果最终演示环境是一台Windows笔记本优先用桌面界面。原因有三桌面程序打开即用不需要起服务、不用管端口被占用PyQt5的OpenCV显示链路成熟视频流实时性更容易保证答辩时可以在断网环境下演示不会因为装依赖而翻车。如果是想往产品化方向走或者需要多人同时查看告警记录Web界面更方便。常见做法是Flask后端接收RTSP流前端用HTMLJavaScript显示画面和告警列表。但Web方案要处理视频流转推、多线程读写同一个摄像头资源、浏览器兼容性等一系列问题开发和调试成本比桌面版高不少。毕设题目是“预警系统”重点在预警逻辑和检测效果界面做到“能看、能报、能查记录”就是合格。4.2 把训练好的模型接到可视化界面核心推理代码不管界面用什么框架核心推理逻辑是一样的读取一帧画面用YOLO模型检测画出框和类别判断是否触发告警。以下是最小可用的推理代码from ultralytics import YOLO import cv2 model YOLO(runs/detect/train/weights/best.pt) cap cv2.VideoCapture(test_video.mp4) alert_areas [(100, 200, 500, 600)] # (x1, y1, x2, y2) 高危区域 while cap.isOpened(): ret, frame cap.read() if not ret: break results model.predict(frame, conf0.4, imgsz640, verboseFalse) boxes results[0].boxes alert_flag False for box in boxes: cls_id int(box.cls[0]) x1, y1, x2, y2 map(int, box.xyxy[0].tolist()) label model.names[cls_id] if label person: center ((x1 x2) // 2, (y1 y2) // 2) in_area any(ax1 center[0] ax2 and ay1 center[1] ay2 for ax1, ay1, ax2, ay2 in alert_areas) if in_area: has_rope False for rope_box in boxes: if model.names[int(rope_box.cls[0])] safety_rope: rx1, ry1, rx2, ry2 map(int, rope_box.xyxy[0].tolist()) if rx1 center[0] rx2 and ry1 center[1] ry2: has_rope True break if not has_rope: alert_flag True cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 0, 255), 2) cv2.putText(frame, NO ROPE!, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) cv2.imshow(Safety Monitoring, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()这段代码的关键逻辑是“区域组合判断”先检测frame里所有目标然后遍历每个人判断其中心点是否落在高危区域内再检查这个人的中心附近有没有safety_rope检测框两者结合才触发告警。直接做全画面“没检测到绳子就报警”的方式会误报到没法看——画面里只要有一个没系绳的仓库工人走过就报警那系统就没有实用价值。参数说明conf0.4是置信度阈值低于0.4的检测框会被丢弃。阈值越低漏检越少但误报越多平时试运行可以先设0.4现场演示时如果误报太多可以提高到0.5。imgsz640保持和训练时一致否则检测效果会有波动。alert_areas表示高危区域坐标可以通过界面上的“画框”功能手动设定也可以写死在配置文件里。真正的项目中这些区域通常由安全员按工地平面图圈定。4.3 部署环境速查CPU、GPU、边缘设备分别怎么跑这个项目部署到不同硬件的侧重点差异很大我整理过一份速查表自己部署时照这个顺序排查硬件环境 | 推荐做法 | 最关键参数 CPU笔记本 | 用ONNX Runtime或OpenVINO加速比直接跑PyTorch快2-3倍 | 推理线程数set_num_threads输入尺寸降到480或416 NVIDIA GPURTX 3060及以上 | 直接用PyTorch或TensorRT实时性没问题 | batch1, fp16推理halfTrue边缘设备RK3588、Jetson | 导出ONNX后转RKNN或TensorRT注意算子和版本兼容 | 量化精度、opset版本CPU部署是项目教程里最常被问到的问题。PyTorch模型在CPU上跑640x640推理一张图大约需要1到3秒根本做不到实时。常见做法是先用yolo export导出ONNX模型再用onnxruntime加载推理import onnxruntime as ort import numpy as np from ultralytics.utils import ops session ort.InferenceSession(best.onnx, providers[CPUExecutionProvider]) input_name session.get_inputs()[0].name # 图像预处理resize到640x640归一化转CHW img cv2.resize(frame, (640, 640)) img img[:, :, ::-1].transpose(2, 0, 1) img np.ascontiguousarray(img).astype(np.float32) / 255.0 img np.expand_dims(img, axis0) outputs session.run(None, {input_name: img}) # outputs[0] shape: [1, 84, 8400]需要做NMSONNX推理的输出是原始预测tensor还需要自己解码加NMS这部分代码在ultralytics源码里能找到对应实现。如果嫌麻烦也可以用yolo detect predict命令先跑通一遍确认导出的ONNX没问题再在代码里接上。注意导出ONNX时opset版本要和onnxruntime支持的版本匹配。opset12的模型在旧版onnxruntime上能跑但新版可能不支持某些算子。我一般用opset12兼容性最稳。5. 避坑指南安全绳检测项目最常见的4个坑5.1 坑一训练时loss下降正常但验证集mAP很低现象是训练损失一路走低看着很漂亮但验证集mAP50只有0.3不到。原因是典型的过拟合小数据集模型容量大模型把训练集里的背景细节记住了。 解决手段有三个第一把yolov8s.pt换成yolov8n.pt减小模型容量第二增强数据增强强度把hsv_h、hsv_s、hsv_v调高让模型对颜色变化更鲁棒第三如果验证集本身只有几十张图回数据集确认验证集的分布和训练集是否相似。很多时候验证集里恰好全是下雨天、逆光场景训练集全是晴天那问题不在训练参数在数据集划分。5.2 坑二安全绳和背景里的钢索、电线混淆现象画面里没有工人但脚手架的斜拉钢索被识别成safety_rope触发告警。原因是安全绳的特征细长、斜向、银灰色和钢索太接近。解决思路不是继续调模型而是加约束。我在实际项目里是把告警逻辑从“检测到安全绳就不报警”改成“必须在person检测框的腰部附近出现safety_rope才认为该人佩戴了”这样即使背景有一百根钢索被误检为安全绳只要它们不和人体发生空间关联就不会影响预警结果。同时检查标注数据里有没有把远处的钢索误标成安全绳这种标注错误会让模型越学越偏。5.3 坑三Windows上跑训练/推理时卡死或报错现象在Windows电脑上执行yolo detect train数据加载阶段卡住或者报BrokenPipeError。原因通常是workers参数设置不当Windows下多进程数据加载的机制和Linux不同。 解决把workers设为0强制用主进程加载数据。还有一个很常见的报错是模型路径带中文YOLOv8底层调用的一些库对中文路径支持不完整把所有路径改成英文。5.4 坑四PyQt5界面显示卡顿视频和画面不同步现象界面能看到画面但延迟越来越严重最终界面假死。原因是把模型推理CPU上可能要1到2秒和视频显示放在了同一个线程里推理期间界面无法刷新看起来就是卡死。 解决思路是把推理放到独立的工作线程主线程只负责把推理结果贴到界面上。最简单的方式是QThread里跑推理循环通过signal把处理好的图像传回主线程显示。如果不想动线程也可以对输入视频做跳帧处理每3帧推理一次中间两帧直接复用上一帧的结果显示延迟感会降低不少。这是用“所有代码跑通”换“能实时演示”的最省事方案。6. 进阶让预警系统真正能落地的小技巧模型训练完、界面能跑了距离“真正能用”还有一段路。我把自己在类似项目里总结的几个技巧写在这里第一个是告警去抖。单帧判断在现实监控里会产生大量抖动因为运动模糊或遮挡某个人在第1帧被判定为未戴绳第2帧又检测到绳子第3帧又没检测到。如果每一帧都报警安全员会在一分钟内收到几十条截图系统直接变成骚扰工具。常见做法是连续N帧确认制比如连续5帧中至少有4帧判定为未佩戴才触发一次报警报警后30秒内同一人不重复报警。第二个技巧是给高危区域做优先级。临边洞口比一般作业区更需要盯防。界面里可以把区域分成A级和B级A级区域只要检测到无人状态的连续帧少于3次就报警B级区域则允许5次。这样做的价值是让预警系统更贴合工地真实的安全管理规则。第三个技巧是用result.plot()做快速可视化验证。很多初学者喜欢自己写画框代码结果在处理坐标、类别映射时出错导致界面显示的框偏移。YOLOv8的结果对象自带plot()方法可以直接把检测结果画在原始帧上验证阶段用它比自己写代码省力得多也少很多低级bug。第四个技巧是关于部署后的模型更新。工地场景会变化换了新的脚手架颜色、增加了新的作业面模型跑一段时间后准确率会下降这时候不要重新标全部数据而是把误报和漏报的截图收集起来补充几百张图用model YOLO(best.pt)加载旧权重再continue训练50个epoch左右比从头训练稳定得多。说完这些再说说我自己吃过的一个亏。最早做类似检测系统时我把精力全花在调mAP上觉得mAP50到0.8就万事大吉结果到现场一跑被夕阳逆光和密密麻麻的脚手架打回原形。后来我才把重心从“模型分数”挪到“告警逻辑”和“数据补采”上——对一个预警系统来说99%的准召率不如一条不误报、漏报后能快速追查的告警链路。这个排序希望帮到你也祝你少踩几个我踩过的坑。本文还有配套的精品资源点击获取