基于深度学习YOLOv10的护目镜佩戴识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）
本项目基于YOLOv10目标检测算法开发了一套护目镜佩戴识别检测系统，旨在自动检测工作人员是否正确佩戴护目镜这一重要的个人防护装备。系统通过对实时视频流或静态图像的智能分析，能够准确识别"佩戴护目镜(Goggles)"和"未佩戴护目镜(NO-Goggles)"两种状态，为工业安全、实验室管理、医疗防护等场景提供自动化监控解决方案。项目采用包含15,083张图像的数据集进行训练和评估，其中训练集13
一、项目介绍
摘要
本项目基于YOLOv10目标检测算法开发了一套护目镜佩戴识别检测系统，旨在自动检测工作人员是否正确佩戴护目镜这一重要的个人防护装备。系统通过对实时视频流或静态图像的智能分析，能够准确识别"佩戴护目镜(Goggles)"和"未佩戴护目镜(NO-Goggles)"两种状态，为工业安全、实验室管理、医疗防护等场景提供自动化监控解决方案。项目采用包含15,083张图像的数据集进行训练和评估，其中训练集13,200张，验证集1,256张，测试集627张，确保模型具有较高的识别准确率和泛化能力。该系统可集成到现有监控系统中，实现24/7不间断的安全监测，有效降低因未佩戴护目镜而导致的职业伤害风险。
项目意义
护目镜作为个人防护装备(PPE)的重要组成部分，在工业生产、化学实验、医疗操作等众多高危环境中发挥着保护工作人员眼睛安全的关键作用。传统的人工检查方式存在效率低、成本高、易遗漏等问题，而基于YOLOv10的自动识别系统则能有效解决这些痛点：
-
提升安全管理效率：系统可实时监控大面积工作区域，自动识别违规行为，显著减少人工巡检需求。
-
降低职业伤害风险：通过即时警报机制，可在事故发生前提醒工作人员正确佩戴护目镜，预防潜在的眼部伤害。
-
数字化合规记录：系统自动生成检测日志和违规记录，为企业安全管理提供数据支持，便于事后分析和责任追溯。
-
适应复杂场景：基于深度学习的方法能够适应不同光照条件、护目镜款式和人员姿态，比传统规则算法更具鲁棒性。
-
经济效益显著：预防性安全措施可大幅减少因工伤导致的生产停顿和赔偿支出，长远来看具有显著的投资回报率。
目录
七、项目源码（视频下方简介内）
基于深度学习YOLOv10的护目镜佩戴识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习YOLOv10的护目镜佩戴识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）
二、项目功能展示
系统功能
✅ 图片检测：可对图片进行检测，返回检测框及类别信息。
✅ 视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅ 摄像头实时检测：连接USB 摄像头，实现实时监测。
✅参数实时调节（置信度和IoU阈值）
-
图片检测
该功能允许用户通过单张图片进行目标检测。输入一张图片后，YOLO模型会实时分析图像，识别出其中的目标，并在图像中框出检测到的目标，输出带有目标框的图像。
-
视频检测
视频检测功能允许用户将视频文件作为输入。YOLO模型将逐帧分析视频，并在每一帧中标记出检测到的目标。最终结果可以是带有目标框的视频文件或实时展示，适用于视频监控和分析等场景。
-
摄像头实时检测
该功能支持通过连接摄像头进行实时目标检测。YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测，实时识别并显示检测结果。此功能非常适用于安防监控、无人驾驶、智能交通等应用，提供即时反馈。
核心特点：
- 高精度：基于YOLO模型，提供精确的目标检测能力，适用于不同类型的图像和视频。
- 实时性：特别优化的算法使得实时目标检测成为可能，无论是在视频还是摄像头实时检测中，响应速度都非常快。
- 批量处理：支持高效的批量图像和视频处理，适合大规模数据分析。
三、数据集介绍
数据集概述
本项目构建了一个专门针对护目镜佩戴检测的大规模图像数据集，总样本量达15,083张，涵盖多种工业场景、实验室环境和医疗场所。数据集经过专业标注和严格质量控制，确保模型训练的有效性。数据分布如下：
-
训练集：13,200张图像，用于模型参数学习和特征提取
-
验证集：1,256张图像，用于训练过程中模型性能评估和超参数调优
-
测试集：627张图像，用于最终模型性能的客观评价
数据集类别设置为二元分类：
-
Goggles：正确佩戴各类护目镜的人员图像
-
NO-Goggles：未佩戴任何眼部防护装备的人员图像
数据集特点
-
场景多样性：包含工厂车间、化学实验室、建筑工地、医疗场所等多种实际工作环境。
-
人员多样性：涵盖不同性别、年龄、种族的工作人员，以及各种发型、是否戴眼镜等情况。
-
护目镜多样性：包含透明护目镜、防雾护目镜、防溅护目镜、焊接护目镜等多种类型。
-
视角丰富性：包含正面、侧面、俯视、仰视等多种拍摄角度，增强模型鲁棒性。
-
光照条件变化：涵盖正常光照、强光、弱光、逆光等不同照明情况。
-
遮挡情况：部分样本包含护目镜被头发、帽子或其他物体部分遮挡的情况。
数据集配置文件
数据集采用YOLO格式：
train: F:\护目镜佩戴识别检测数据集\train\images
val: F:\护目镜佩戴识别检测数据集\valid\images
test: F:\护目镜佩戴识别检测数据集\test\images
nc: 2
names: ['Goggles', 'NO-Goggles']数据集制作流程
-
数据采集：
-
实际工业场景拍摄
-
公开安全监控视频抽帧
-
网络公开PPE数据集筛选
-
数据增强技术生成
-
-
数据清洗：
-
去除模糊、过度曝光或严重遮挡的无效图像
-
平衡不同场景和光照条件的样本分布
-
检查并删除重复或相似度过高的样本
-
-
数据标注：
-
使用LabelImg工具进行人工标注
-
标注规范：紧密包围护目镜或眼睛区域的矩形框
-
标注质量检查：三级审核制度确保标注准确性
-
-
数据增强：
-
几何变换：随机旋转(±15°)、缩放(0.8-1.2x)、平移(±10%)
-
色彩调整：亮度(±30%)、对比度(±20%)、饱和度(±20%)
-
噪声注入：高斯噪声、椒盐噪声
-
模拟遮挡：随机添加矩形遮挡块
-
-
数据集划分：
-
按约8:1:1比例随机分割为训练集、验证集和测试集
-
确保各子集在场景、光照、护目镜类型等方面分布均衡
-
避免同一人员的不同图像出现在不同子集中
-
-
格式转换：
-
统一转换为YOLO格式的txt标注文件
-
生成对应的索引文件
-
验证标注文件与图像的对应关系
-
四、项目环境配置
创建虚拟环境
首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。
终端输入
conda create -n yolov10 python==3.9
激活虚拟环境
conda activate yolov10
安装cpu版本pytorch
pip install torch torchvision torchaudio
pycharm中配置anaconda
安装所需要库
pip install -r requirements.txt
五、模型训练
训练代码
from ultralytics import YOLOv10
model_path = 'yolov10s.pt'
data_path = 'datasets/data.yaml'
if __name__ == '__main__':
model = YOLOv10(model_path)
results = model.train(data=data_path,
epochs=500,
batch=64,
device='0',
workers=0,
project='runs/detect',
name='exp',
)根据实际情况更换模型 yolov10n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。 yolov10s.yaml (small)：小模型，适合实时任务。 yolov10m.yaml (medium)：中等大小模型，兼顾速度和精度。 yolov10b.yaml (base)：基本版模型，适合大部分应用场景。 yolov10l.yaml (large)：大型模型，适合对精度要求高的任务。
--batch 64：每批次64张图像。--epochs 500：训练500轮。--datasets/data.yaml：数据集配置文件。--weights yolov10s.pt：初始化模型权重，yolov10s.pt是预训练的轻量级YOLO模型。
训练结果
六、核心代码
import sys
import cv2
import numpy as np
from PyQt5.QtWidgets import QApplication, QMessageBox, QFileDialog
from PyQt5.QtCore import QThread, pyqtSignal
from ultralytics import YOLOv10
from UiMain import UiMainWindow
import time
import os
class DetectionThread(QThread):
frame_received = pyqtSignal(np.ndarray, np.ndarray, list) # 原始帧, 检测帧, 检测结果
finished_signal = pyqtSignal() # 线程完成信号
def __init__(self, model, source, conf, iou, parent=None):
super().__init__(parent)
self.model = model
self.source = source
self.conf = conf
self.iou = iou
self.running = True
def run(self):
try:
if isinstance(self.source, int) or self.source.endswith(('.mp4', '.avi', '.mov')): # 视频或摄像头
cap = cv2.VideoCapture(self.source)
while self.running and cap.isOpened():
ret, frame = cap.read()
if not ret:
break
# 保存原始帧
original_frame = frame.copy()
# 检测
results = self.model(frame, conf=self.conf, iou=self.iou)
annotated_frame = results[0].plot()
# 提取检测结果
detections = []
for result in results:
for box in result.boxes:
class_id = int(box.cls)
class_name = self.model.names[class_id]
confidence = float(box.conf)
x, y, w, h = box.xywh[0].tolist()
detections.append((class_name, confidence, x, y))
# 发送信号
self.frame_received.emit(
cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),
cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),
detections
)
# 控制帧率
time.sleep(0.03) # 约30fps
cap.release()
else: # 图片
frame = cv2.imread(self.source)
if frame is not None:
original_frame = frame.copy()
results = self.model(frame, conf=self.conf, iou=self.iou)
annotated_frame = results[0].plot()
# 提取检测结果
detections = []
for result in results:
for box in result.boxes:
class_id = int(box.cls)
class_name = self.model.names[class_id]
confidence = float(box.conf)
x, y, w, h = box.xywh[0].tolist()
detections.append((class_name, confidence, x, y))
self.frame_received.emit(
cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),
cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),
detections
)
except Exception as e:
print(f"Detection error: {e}")
finally:
self.finished_signal.emit()
def stop(self):
self.running = False
class MainWindow(UiMainWindow):
def __init__(self):
super().__init__()
# 初始化模型
self.model = None
self.detection_thread = None
self.current_image = None
self.current_result = None
self.video_writer = None
self.is_camera_running = False
self.is_video_running = False
self.last_detection_result = None # 新增：保存最后一次检测结果
# 连接按钮信号
self.image_btn.clicked.connect(self.detect_image)
self.video_btn.clicked.connect(self.detect_video)
self.camera_btn.clicked.connect(self.detect_camera)
self.stop_btn.clicked.connect(self.stop_detection)
self.save_btn.clicked.connect(self.save_result)
# 初始化模型
self.load_model()
def load_model(self):
try:
model_name = self.model_combo.currentText()
self.model = YOLOv10(f"{model_name}.pt") # 自动下载或加载本地模型
self.update_status(f"模型 {model_name} 加载成功")
except Exception as e:
QMessageBox.critical(self, "错误", f"模型加载失败: {str(e)}")
self.update_status("模型加载失败")
def detect_image(self):
if self.detection_thread and self.detection_thread.isRunning():
QMessageBox.warning(self, "警告", "请先停止当前检测任务")
return
file_path, _ = QFileDialog.getOpenFileName(
self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)")
if file_path:
self.clear_results()
self.current_image = cv2.imread(file_path)
self.current_image = cv2.cvtColor(self.current_image, cv2.COLOR_BGR2RGB)
self.display_image(self.original_image_label, self.current_image)
# 创建检测线程
conf = self.confidence_spinbox.value()
iou = self.iou_spinbox.value()
self.detection_thread = DetectionThread(self.model, file_path, conf, iou)
self.detection_thread.frame_received.connect(self.on_frame_received)
self.detection_thread.finished_signal.connect(self.on_detection_finished)
self.detection_thread.start()
self.update_status(f"正在检测图片: {os.path.basename(file_path)}")
def detect_video(self):
if self.detection_thread and self.detection_thread.isRunning():
QMessageBox.warning(self, "警告", "请先停止当前检测任务")
return
file_path, _ = QFileDialog.getOpenFileName(
self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)")
if file_path:
self.clear_results()
self.is_video_running = True
# 初始化视频写入器
cap = cv2.VideoCapture(file_path)
frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)
cap.release()
# 创建保存路径
save_dir = "results"
os.makedirs(save_dir, exist_ok=True)
timestamp = time.strftime("%Y%m%d_%H%M%S")
save_path = os.path.join(save_dir, f"result_{timestamp}.mp4")
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
self.video_writer = cv2.VideoWriter(save_path, fourcc, fps, (frame_width, frame_height))
# 创建检测线程
conf = self.confidence_spinbox.value()
iou = self.iou_spinbox.value()
self.detection_thread = DetectionThread(self.model, file_path, conf, iou)
self.detection_thread.frame_received.connect(self.on_frame_received)
self.detection_thread.finished_signal.connect(self.on_detection_finished)
self.detection_thread.start()
self.update_status(f"正在检测视频: {os.path.basename(file_path)}")
def detect_camera(self):
if self.detection_thread and self.detection_thread.isRunning():
QMessageBox.warning(self, "警告", "请先停止当前检测任务")
return
self.clear_results()
self.is_camera_running = True
# 创建检测线程 (默认使用摄像头0)
conf = self.confidence_spinbox.value()
iou = self.iou_spinbox.value()
self.detection_thread = DetectionThread(self.model, 0, conf, iou)
self.detection_thread.frame_received.connect(self.on_frame_received)
self.detection_thread.finished_signal.connect(self.on_detection_finished)
self.detection_thread.start()
self.update_status("正在从摄像头检测...")
def stop_detection(self):
if self.detection_thread and self.detection_thread.isRunning():
self.detection_thread.stop()
self.detection_thread.quit()
self.detection_thread.wait()
if self.video_writer:
self.video_writer.release()
self.video_writer = None
self.is_camera_running = False
self.is_video_running = False
self.update_status("检测已停止")
def on_frame_received(self, original_frame, result_frame, detections):
# 更新原始图像和结果图像
self.display_image(self.original_image_label, original_frame)
self.display_image(self.result_image_label, result_frame)
# 保存当前结果帧用于后续保存
self.last_detection_result = result_frame # 新增：保存检测结果
# 更新表格
self.clear_results()
for class_name, confidence, x, y in detections:
self.add_detection_result(class_name, confidence, x, y)
# 保存视频帧
if self.video_writer:
self.video_writer.write(cv2.cvtColor(result_frame, cv2.COLOR_RGB2BGR))
def on_detection_finished(self):
if self.video_writer:
self.video_writer.release()
self.video_writer = None
self.update_status("视频检测完成，结果已保存")
elif self.is_camera_running:
self.update_status("摄像头检测已停止")
else:
self.update_status("图片检测完成")
def save_result(self):
if not hasattr(self, 'last_detection_result') or self.last_detection_result is None:
QMessageBox.warning(self, "警告", "没有可保存的检测结果")
return
save_dir = "results"
os.makedirs(save_dir, exist_ok=True)
timestamp = time.strftime("%Y%m%d_%H%M%S")
if self.is_camera_running or self.is_video_running:
# 保存当前帧为图片
save_path = os.path.join(save_dir, f"snapshot_{timestamp}.jpg")
cv2.imwrite(save_path, cv2.cvtColor(self.last_detection_result, cv2.COLOR_RGB2BGR))
self.update_status(f"截图已保存: {save_path}")
else:
# 保存图片检测结果
save_path = os.path.join(save_dir, f"result_{timestamp}.jpg")
cv2.imwrite(save_path, cv2.cvtColor(self.last_detection_result, cv2.COLOR_RGB2BGR))
self.update_status(f"检测结果已保存: {save_path}")
def closeEvent(self, event):
self.stop_detection()
event.accept()
if __name__ == "__main__":
app = QApplication(sys.argv)
# 设置应用程序样式
app.setStyle("Fusion")
# 创建并显示主窗口
window = MainWindow()
window.show()
sys.exit(app.exec_())七、项目源码（视频下方简介内）
完整全部资源文件（包括测试图片、视频，py文件，训练数据集、训练代码、界面代码等），这里已打包上传至博主的面包多平台，见可参考博客与视频，已将所有涉及的文件同时打包到里面，点击即可运行，完整文件截图如下：
基于深度学习YOLOv10的护目镜佩戴识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习YOLOv10的护目镜佩戴识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）
GitCode 天启AI是一款由 GitCode 团队打造的智能助手，基于先进的LLM（大语言模型）与多智能体 Agent 技术构建，致力于为用户提供高效、智能、多模态的创作与开发支持。它不仅支持自然语言对话，还具备处理文件、生成 PPT、撰写分析报告、开发 Web 应用等多项能力，真正做到“一句话，让 Al帮你完成复杂任务”。
更多推荐
23
0- 0
已为社区贡献45条内容
所有评论(0)