📦 已發布目標檢測數據集合集（持續更新）

數據集名稱	圖像數量	應用方向	博客鏈接
🔌 電網巡檢檢測數據集	1600 張	電力設備目標檢測	點擊查看
🔥 火焰 / 煙霧 / 人檢測數據集	10000張	安防監控，多目標檢測	點擊查看
🚗 高質量車牌識別數據集	10,000 張	交通監控 / 車牌識別	點擊查看
🌿 農田雜草航拍檢測數據集	1,200 張	農業智能巡檢	點擊查看
🐑 航拍綿羊檢測數據集	1,700 張	畜牧監控 / 航拍檢測	點擊查看
🌡? 熱成像人體檢測數據集	15,000 張	熱成像下的行人檢測	點擊查看
🦺 安全背心檢測數據集	3,897 張	工地安全 / PPE識別	點擊查看

📌 每篇文章附帶模型指標、訓練思路與推理部署建議，歡迎點贊收藏支持~

安全帽檢測數據集簡介（約2萬張圖片）

在工業與建筑場景中，佩戴安全帽是關鍵的安全措施。本數據集專注于 目標檢測任務中的安全帽識別，特別適用于構建工地安全監控、智能識別模型等應用場景。

---

📁 數據集概況

• 名稱：Hard Hats Computer Vision Project
• 圖像數量：19,745 張
• 任務類型：目標檢測（Object Detection）
• 標注類別：
  • Hardhat（佩戴安全帽）
  • NO-Hardhat（未佩戴安全帽）

🖼? 數據樣本展示

🎯 應用場景

• 智慧工地/安防監控系統
• 智能識別 PPE 穿戴情況
• 安全合規性巡檢輔助
• 自動報警系統集成
  
  

---

YOLOv8 訓練實戰

本教程介紹如何使用 YOLOv8 對目標進行識別與檢測。涵蓋環境配置、數據準備、訓練模型、模型推理和部署等全過程。

---

📦 1. 環境配置

建議使用 Python 3.8+，并確保支持 CUDA 的 GPU 環境。

# 創建并激活虛擬環境（可選）
python -m venv yolov8_env
source yolov8_env/bin/activate  # Windows 用戶使用 yolov8_env\Scripts\activate

安裝 YOLOv8 官方庫 ultralytics

pip install ultralytics

📁 2. 數據準備

2.1 數據標注格式（YOLO）

每張圖像對應一個 .txt 文件，每行代表一個目標，格式如下：

<class_id> <x_center> <y_center> <width> <height>

所有值為相對比例（0~1）。

類別編號從 0 開始。

2.2 文件結構示例

datasets/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

2.3 創建 data.yaml 配置文件

path: ./datasets
train: images/train
val: images/valnc: 11
names: ['Bent_Insulator', 'Broken_Insulator_Cap', '', ...]

🚀 3. 模型訓練

YOLOv8 提供多種模型：yolov8n, yolov8s, yolov8m, yolov8l, yolov8x。可根據設備性能選擇。

yolo detect train \model=yolov8s.pt \data=./data.yaml \imgsz=640 \epochs=50 \batch=16 \project=weed_detection \name=yolov8s_crop_weed

參數	類型	默認值	說明
model	字符串	-	指定基礎模型架構文件或預訓練權重文件路徑（.pt/.yaml）
data	字符串	-	數據集配置文件路徑（YAML 格式），包含訓練/驗證路徑和類別定義
imgsz	整數	640	輸入圖像的尺寸（像素），推薦正方形尺寸（如 640x640）
epochs	整數	100	訓練總輪次，50 表示整個數據集會被迭代 50 次
batch	整數	16	每個批次的樣本數量，值越大需要越多顯存
project	字符串	-	項目根目錄名稱，所有輸出文件（權重/日志等）將保存在此目錄下
name	字符串	-	實驗名稱，用于在項目目錄下創建子文件夾存放本次訓練結果

關鍵參數補充說明：

1. model=yolov8s.pt

   • 使用預訓練的 YOLOv8 small 版本（平衡速度與精度）
   • 可用選項：yolov8n.pt(nano)/yolov8m.pt(medium)/yolov8l.pt(large)

2. data=./data.yaml

   # 典型 data.yaml 結構示例
   path: ../datasets/weeds
   train: images/train
   val: images/val
   names:0: Bent_Insulator1: Broken_Insulator_Cap2: ...3: ...
   

📈 4. 模型驗證與測試

4.1 驗證模型性能

yolo detect val \model=runs/detect/yolov8s_crop_weed/weights/best.pt \data=./data.yaml

參數	類型	必需	說明
model	字符串	是	要驗證的模型權重路徑（通常為訓練生成的 best.pt 或 last.pt）
data	字符串	是	與訓練時相同的 YAML 配置文件路徑，需包含驗證集路徑和類別定義

關鍵參數詳解

1. model=runs/detect/yolov8s_crop_weed/weights/best.pt

   • 使用訓練過程中在驗證集表現最好的模型權重（best.pt）
   • 替代選項：last.pt（最終epoch的權重）
   • 路徑結構說明：

     runs/detect/
     └── [訓練任務名稱]/└── weights/├── best.pt   # 驗證指標最優的模型└── last.pt   # 最后一個epoch的模型
     

2. data=./data.yaml

   • 必須與訓練時使用的配置文件一致
   • 確保驗證集路徑正確：

     val: images/val  # 驗證集圖片路徑
     names:0: crop1: weed
     

常用可選參數

參數	示例值	作用
batch	16	驗證時的批次大小
imgsz	640	輸入圖像尺寸（需與訓練一致）
conf	0.25	置信度閾值（0-1）
iou	0.7	NMS的IoU閾值
device	0/cpu	選擇計算設備
save_json	True	保存結果為JSON文件

典型輸出指標

Class     Images  Instances      P      R      mAP50  mAP50-95
all        100       752      0.891  0.867    0.904    0.672
crop       100       412      0.912  0.901    0.927    0.701
weed       100       340      0.870  0.833    0.881    0.643

4.2 推理測試圖像

yolo detect predict \model=runs/detect/yolov8s_crop_weed/weights/best.pt \source=./datasets/images/val \save=True

🧠 5. 自定義推理腳本（Python）

from ultralytics import YOLO
import cv2# 加載模型
model = YOLO('runs/detect/yolov8s_crop_weed/weights/best.pt')# 推理圖像
results = model('test.jpg')# 可視化并保存結果
results[0].show()
results[0].save(filename='result.jpg')

🛠 6. 部署建議

? 本地運行：通過 Python 腳本直接推理。

🌐 Web API：可用 Flask/FastAPI 搭建檢測接口。

📦 邊緣部署：YOLOv8 支持導出為 ONNX，便于在 Jetson、RKNN 等平臺上部署。

導出示例：

yolo export model=best.pt format=onnx

📌 總結流程

階段	內容
? 環境配置	安裝 ultralytics, PyTorch 等依賴
? 數據準備	標注圖片、組織數據集結構、配置 YAML
? 模型訓練	使用命令行開始訓練 YOLOv8 模型
? 驗證評估	檢查模型準確率、mAP 等性能指標
? 推理測試	運行模型檢測實際圖像目標
? 高級部署	導出模型，部署到 Web 或邊緣設備