基于yolov5的安全帽检测，模型已经训练好，可以直接使用，模型位置runs/train，检测例子位于runs/detect。并且包含数据集，可以直接进行训练，数据集位置hat_recog

《YOLOv5实现佩戴安全帽检测和识别(含佩戴安全帽数据集+训练代码)》，目前，基于YOLOv5s的目标检测的佩戴安全帽识别方法的平均精度平均值mAP_0.5=0.93，mAP_0.5:0.95=0.63https://blog.csdn.net/guyuealian/article/details/127250780

佩戴安全帽检测和识别Android App，Android佩戴安全帽的检测效果还是可以的，高精度版本YOLOv5s平均精度平均值mAP_0.5=0.93，mAP_0.5:0.95=0.63，而轻量化版本yolov5s05_320mAP_0.5=0.84左右

yolov5训练安全帽检测所需资源及脚本

深度学习 ，，安全帽检测

1、yolov5不同颜色安全帽检测，包含训练好的不同颜色安全帽检测权重，以及PR曲线，loss曲线等等，在3000多不同颜色安全帽检测据集中训练得到的权重，有pyqt界面，目标类别名为各种颜色的安全帽以及未正常佩戴安全帽共5个类别；并附不同颜色安全帽检测数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 2、pyqt界面可以检测图片、视频、调用摄像头 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 4、采用pytrch框架，python代码

安全帽的佩戴对于很多场景非常重要，尤其是生产建筑工地。而且，建筑工地中被物体 撞击和坠落是最常见的致命事故类型，占总体的 68％以上。但是，在实际场景中，人员地域 分布广，环境复杂，操作量大，安全监督有限，难以实现实时全程的安全管理，因此有必要 开发自动的安全帽识别方法。 由于安全帽在实际场景中存在遮挡、尺度、数据集少、小对象识别、安全帽载体识别等 挑战问题，使得安全帽的自动识别非常困难；同时与人脸相比，行人有较大的遮挡和柔性的 变化，在密集人群时检测困难，而且没有人脸无法取证。 本项目的目的是基于检测的多人脸框信息，自动回归出安全帽组的候选区域，并进一步 将各个人脸作为取证，同时识别候选区域是否存在安全帽，本项目提供了解决上述问题的一 种基于人脸检测框回归安全帽位置的技术。

安全帽检测数据集 (Helmet Detection).zip

1、YOLO安全帽检测数据集，3500张使用lableimg标注软件，标注好的真实场景的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，可以直接用于YOLO安全帽检检测；数据场景丰富；根据安全帽的颜色分为white、red、yellow等共5类别目标 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

Darknet版YOLOv4安全帽检测： 1、包含训练好的weights权重文件，以及后缀为cfg、data、names的配置文件，并包含训练map曲线和loss曲线，map到90%多 2、包含6000多张安全帽检测数据集，类别名为person和hat，标签格式为txt和xml两种，分别保存在两个文件夹中 3、检测效果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743