YOLO公共安全与工业现场倒地、火焰、安全帽目标检测数据集工地安防基于 YOLO26 的 PPE 检测实战 数据集基本信息目标类别 [‘down’, ‘fire’, ‘head’, ‘helmet’, ‘other_clothes’, ‘reflective_clothes’, ‘smoke’]中文类别[‘倒地’, ‘火焰’, ‘头部’, ‘安全帽’, ‘其他衣物’, ‘反光衣’, ‘烟雾’]训练集5390 张验证集1534 张测试集767 张总计7691 张 data.yaml 配置信息该数据集提供了data.yaml文件内容如下train:../train/imagesval:../valid/imagestest:../test/imagesnc:7names:[down,fire,head,helmet,other_clothes,reflective_clothes,smoke]️ 标注可视化数据集下载数据集下载⬇️⬇️⬇️ 点击下载数据集详细介绍该数据集聚焦于公共安全与工业现场的实时监测需求涵盖倒地人员、火焰、安全帽等关键目标的检测任务。从名称可推断其主要应用场景包括工厂、建筑工地、交通枢纽等高风险区域用于提升环境安全性与事故预防能力。通过目标检测技术能够及时识别异常行为或危险状况为智能安防系统提供基础支持。数据集的设计体现了对工业场景中人员安全和火灾隐患的高度重视具有明确的行业应用指向。数据集包含7691张图像覆盖7个类别其中中文类别包括倒地、火焰、安全帽等英文类别则对应相应的英文名称。这些类别反映了工业现场常见的监测需求如人员跌倒可能引发的救援问题、火灾隐患的早期识别以及作业人员是否佩戴安全装备的合规性检查。图像来源可能涵盖多种光照条件与复杂背景增强了数据集的多样性和实际应用价值。类别分布上虽未明确说明但合理的类别设置有助于模型在真实场景中的泛化能力提升。标注规范方面该数据集应具备较为统一的边界框标注标准确保目标位置的准确性与一致性以满足深度学习模型的训练要求。对于工业现场的检测任务而言标注质量直接影响到模型的检测精度与稳定性因此推测该数据集在标注过程中可能采用了多级审核机制以保障数据的可靠性。这种高质量的标注数据为训练高精度的目标检测模型提供了坚实基础尤其适用于YOLO系列轻量级模型的优化与部署。在典型应用方向上该数据集可广泛用于工业安全监控系统、智能摄像头的异常行为识别、消防预警平台等场景。针对具体落地建议可以结合边缘计算设备进行模型部署实现低延迟的实时检测同时可进一步扩展至多模态融合场景如结合声音或热成像数据提升整体检测系统的鲁棒性。此外针对不同工业场景的定制化需求可对数据集进行子集划分与再训练以适应特定环境下的检测挑战。YOLO26 目标检测算法原理如果用一句话概括 YOLO26 的架构哲学那就是——去繁就简。DFL 砍了、NMS 砍了剩下的都是最基本、最核心的目标检测能力。端到端无 NMS 推理传统 YOLO 模型在推理后需要执行非极大值抑制NMS来去除冗余检测框这增加了后处理延迟和部署复杂度。YOLO26 默认采用一对一one-to-one检测头直接输出每张图像最多 300 个检测结果(N, 300, 6)完全省去 NMS 步骤推理流水线大幅简化。在 CPU 上的 ONNX 推理速度相比 YOLO11n 提升高达 43%。无 DFL 回归YOLO26 移除了分布焦点损失Distribution Focal Loss, DFL结构检测头更加轻量。边界框回归不再受限于预设的离散区间既降低了模型复杂度又保持了同等甚至更优的回归精度。Progressive Loss 与 STAL训练过程中通过渐进损失Progressive Loss将监督信号逐步从辅助头部转移到推理阶段的主头部。小目标感知标签分配STAL策略特别提升小目标的正样本标签覆盖率改善小物体检测性能。MuSGD 混合优化器创新性地将大语言模型常用的 Muon 优化器与 SGD 结合实现更稳定高效的训练收敛。相比纯 SGDMuSGD 在大 batch 训练时收敛更快且不易震荡。模型尺度与 COCO 性能YOLO26 提供 N/S/M/L/X 五种尺度模型mAP50-95CPU ONNX(ms)T4 TensorRT(ms)参数量YOLO26n40.938.91.72.4MYOLO26s48.687.22.59.5MYOLO26m53.1220.04.720.4MYOLO26l55.0286.26.224.8MYOLO26x57.5525.811.855.7MNano 版本参数量仅 2.4MCPU 推理速度比 YOLO11n 快 43%适合边缘设备和小数据集X 版本 mAP 达 57.5适用于对准确率要求极高的场景。双头架构设计YOLO26 检测模型内置两个检测头——一对一默认无 NMS输出 300 个检测框和一对多需 NMS输出 8400 个候选框。训练时一对多头作为辅助监督信号加速收敛推理时默认使用一对一头实现端到端输出。YOLO26 支持全部七大视觉任务检测、实例分割、语义分割、深度估计、分类、姿态估计和定向边界框检测OBB一个框架覆盖从 2D 检测到 3D 感知的完整需求。模型导出与部署训练只是第一步模型最终要跑在生产环境里。YOLO26 的部署导出非常方便。导出格式对比格式命令参数适用场景速度PyTorch-开发调试中等ONNXformatonnx跨平台通用快TensorRTformatengineNVIDIA GPU 推理最快OpenVINOformatopenvinoIntel CPU/VPU快Core MLformatcoremlApple 设备快TFLiteformattfliteAndroid/嵌入式快NCNNformatncnnARM 端侧很快导出示例fromultralyticsimportYOLO modelYOLO(runs/detect/train/weights/best.pt)# 导出 ONNX最通用model.export(formatonnx,imgsz416)# 导出 TensorRTNVIDIA GPU 最快model.export(formatengine,device0,imgsz416)# 导出 NCNN瑞芯微/ARM 嵌入式model.export(formatncnn,imgsz416)# int8 量化牺牲少量精度换 2-3 倍速度model.export(formatengine,device0,imgsz416,int8True)YOLO26 无 NMS 部署优势由于默认一对一检测头导出模型推理时无需额外 NMS 后处理代码。ONNX 输出格式[N, 300, 6]直接解释为[批次, 检测数, (x1, y1, x2, y2, cls, conf)]大幅简化嵌入式开发和移动端集成。CPU 部署建议无 GPU 环境推荐 ONNX OpenCV DNN 或 ONNX Runtime。YOLO26 无 NMS 设计在 CPU 上提升尤为明显推理速度比 YOLO11n 快约 43%。YOLO 数据增强策略YOLO26 在训练时默认开启了一组数据增强了解它们怎么工作有助于针对性调参。Mosaic 拼接将 4 张训练图像随机缩放后拼接为一张大幅增加场景组合的多样性。对背景复杂、目标尺寸差异大的场景特别有效。训练最后 10 轮通过close_mosaic10自动关闭 Mosaic让模型适应真实数据分布。MixUp 混合两张图像按一定比例α0.3线性混合标签也按同比例混合。能平滑模型决策边界对小数据集防过拟合效果显著。HSV 色彩空间扰动在 HSV 通道上对图像进行随机偏移色相 ±0.015、饱和度 ±0.7、明度 ±0.4模拟不同光照和色彩条件下的拍摄效果提升模型对光照变化的鲁棒性。几何变换随机水平翻转fliplr0.5、随机缩放scale0.5、随机平移translate0.1帮助模型学习位置不变性特征。Copy-Paste 增强将目标实例复制到另一张图像的随机位置增加目标实例多样性。通过copy_paste0.3控制概率。增强参数配置data.yaml 中可选覆盖hsv_h:0.015hsv_s:0.7hsv_v:0.4degrees:0.0translate:0.1scale:0.5shear:0.0perspective:0.0flipud:0.0fliplr:0.5mosaic:1.0mixup:0.1copy_paste:0.1模型评估指标解读很多人训练完就看 loss 曲线其实 loss 低不等于模型好。评估阶段看的是验证集上的检测质量和训练 loss 是两个概念。训练完成后YOLO26 训练器自动输出以下指标mAP50mAP0.5IoU 阈值为 0.5 时的平均精度均值反映模型粗粒度定位能力。mAP50 ≥ 0.90 表示定位效果很好。mAP50-95mAP0.5:0.95IoU 从 0.5 到 0.95 共 10 个阈值上取平均。更严苛反映精确定位能力是更具代表性的综合评价指标。Precision精确率检测结果中正确检测的比例。高 Precision 意味着虚警少。Recall召回率真实目标中被成功检测到的比例。高 Recall 意味着漏检少。F1 ScorePrecision 和 Recall 的调和平均数 2×P×R/(PR)综合衡量模型平衡性。Confusion Matrix混淆矩阵N×N 矩阵对角线为正确分类非对角线为误分类可定位类别间混淆情况。训练曲线分析train/box_loss单调下降 → 边界框回归正常收敛val/box_loss先降后升 → 过拟合风险应增大数据增强或减小模型metrics/mAP50(B)增长放缓趋于平稳 → 模型接近收敛上限train 持续降、val 持续升 → 严重过拟合建议减小模型或增大 dropout指标使用场景安全生产场景如安全帽检测→ 优先保证 Recall宁可多报不能漏报质检场景如缺陷检测→ 优先保证 Precision降低误检率减少人工复核量通用检测 → 均衡优化关注 mAP50-95 和 F1 ScorePR 曲线解读YOLO 训练器自动生成PR_curve.png每类别一条曲线曲线下面积即 AP 值。曲线越靠右上角效果越好曲线陡降说明 Precision-Recall 之间存在明显折中。若某类的 PR 曲线明显低于其他类通常意味着该类的标注数量不足或标注一致性差建议优先补充该类样本。YOLO26 训练步骤详解下面用几行命令跑一遍完整的训练流程环境准备pipinstallultralytics yolo checks python-cimport torch; print(torch.cuda.is_available())命令行训练yolo detect traindatadata.yamlmodelyolo26n.ptepochs150imgsz416batch64device0lr00.02patience-1cos_lrTrueclose_mosaic10Python API 训练fromultralyticsimportYOLO modelYOLO(yolo26n.pt)resultsmodel.train(datadata.yaml,epochs150,imgsz416,batch64,device0,lr00.02,patience-1,cos_lrTrue,close_mosaic10,augmentTrue,ampTrue,workers8,)训练输出文件runs/detect/train/weights/best.pt验证集上 mAP 最高的权重runs/detect/train/weights/last.pt最后一轮保存的权重runs/detect/train/results.csv每轮 loss 和指标数据runs/detect/train/confusion_matrix.png混淆矩阵图runs/detect/train/results.png训练曲线图runs/detect/train/val_batch*_pred.jpg验证集预测效果图单张推理测试modelYOLO(runs/detect/train/weights/best.pt)resultsmodel(test_image.jpg)results[0].show()多 GPU 分布式训练yolo detect traindatadata.yamlmodelyolo26n.ptdevice0,1epochs100恢复中断的训练yolo detect trainmodelpath/to/last.ptdatadata.yamlresumeTrue关键训练参数配置详解YOLO26 训练涉及的参数很多但真正需要调整的核心参数其实就十几个。下面逐一拆解每个参数的作用和本项目建议值。参数默认值本项目设置含义model-yolo26n.pt预训练权重n/s/m/l/x 五种尺度epochs100150训练总轮数imgsz640416输入图像尺寸batch1664批次大小根据显存调整lr00.010.02初始学习率lrf0.010.01最终学习率因子lr0 × lrfmomentum0.9370.937SGD 动量weight_decay0.00050.0005权重衰减L2 正则化warmup_epochs3.03.0预热轮数warmup_momentum0.80.8预热期间动量初始值box7.57.5边界框回归损失权重cls0.50.5分类损失权重dfl1.51.5DFL 损失权重YOLO26 可置 0patience100-1早停轮数cos_lrFalseTrue余弦学习率衰减close_mosaic1010最后 N 轮关闭 Mosaic 增强optimizerautoSGD优化器选择ampTrueTrue自动混合精度训练freezeNone0冻结前 N 层骨干网络参数dropout0.00.1分类头 Dropout 率防过拟合box边界框回归损失权重默认 7.5控制模型对定位精度的重视程度。如果发现框的位置偏得厉害但类别是对的可适当增大此值。cls分类损失权重默认 0.5决定类别判断的重要性——多分类场景下如果混淆严重可略微调高。学习率调参经验训练初期 loss 不下降 → 调大lr0或增加warmup_epochs训练后期 loss 震荡 → 降低lr0增大weight_decay验证集 loss 先降后升过拟合→ 增大dropout、weight_decay或减小epochs小数据集100张→lr00.001,weight_decay5e-4,dropout0.2大数据集1000张→lr00.01,weight_decay5e-4,batch32训练可视化与TensorBoardYOLO26 默认开启 TensorBoard 日志记录训练过程中可实时查看 loss 曲线和指标变化。在命令行执行tensorboard --logdir runs/detect/train即可打开 Web 看板每轮训练完成后自动刷新。训练结束后 results.png 生成的六合一曲线图是最直观的诊断工具——一眼就能看出是否过拟合、是否收敛、哪个 loss 在震荡。断点续训机制如果训练意外中断断电、OOM 等不用从头开始。YOLO 每轮保存last.pt恢复训练时指定modellast.pt并设置resumeTrue学习率和优化器状态都会从断点恢复训练曲线也和连续训练一样平滑。部署与应用建议生产环境部署大数据集训练出的模型泛化能力较强可直接导出多种格式用于不同场景fromultralyticsimportYOLO modelYOLO(runs/detect/train/weights/best.pt)# GPU 服务器TensorRT最快model.export(formatengine,device0,imgsz416)# 跨平台ONNXmodel.export(formatonnx,imgsz416)# 移动端TFLite int8 量化model.export(formattflite,imgsz416,int8True)持续优化可定期收集线上误检/漏检样本纳入训练集迭代提升模型表现。大数据集下知识蒸馏或多尺度训练也能带来额外精度收益。