电动车佩带头盔检测数据集1.数据集包含5448张图片标签格式为txt一共3个类别分别是helmetwithout_helmettwo_wheeler。2.数据已经划分好了训练集和验证集可直接用于训练其中训练集4358张图片验证集1090张图片。电动车佩带头盔检测权重文件1.已训练好的yolov5模型模型尺寸为yolov5n训练共计200轮map50为0.81map50-95为0.49准确率为0.85召回率为0.76。2.已训练好的yolov8模型模型尺寸为yolov8n训练共计200轮map50为0.83map50-95为0.52准确率为0.85召回率为0.77。电动车佩带头盔检测数据集 训练代码一、数据集与模型信息表项目详情数据集名称电动车佩带头盔检测数据集数据总量5448张图片已划分训练/验证集训练集4358张图片验证集1090张图片标签格式YOLO TXT格式检测类别helmet佩戴头盔、without_helmet未佩戴头盔、two_wheeler两轮车已训练模型YOLOv5n、YOLOv8n均训练200轮模型尺寸训练轮数mAP0.5mAP0.5:0.95准确率(Precision)召回率(Recall)YOLOv5n轻量版2000.810.490.850.76YOLOv8n轻量版2000.830.520.850.77二、数据集目录结构helmet_dataset/ ├── images/ │ ├── train/ # 4358张训练图片 │ └── val/ # 1090张验证图片 └── labels/ ├── train/ # 对应训练集的txt标签 └── val/ # 对应验证集的txt标签三、YOLOv5 训练代码1. 数据集配置文件helmet.yamlpath:./helmet_datasettrain:images/trainval:images/valnc:3names:0:helmet1:without_helmet2:two_wheeler2. 训练启动命令python train.py\--weightsyolov5n.pt\--datahelmet.yaml\--epochs200\--batch-size16\--img640\--device0四、YOLOv8 训练代码1. 数据集配置文件同上直接复用helmet.yaml2. 训练启动命令yolo detect train\modelyolov8n.pt\datahelmet.yaml\epochs200\batch16\imgsz640\device0五、模型推理代码通用fromultralyticsimportYOLOimportcv2# 加载训练好的模型v5/v8通用modelYOLO(yolov8n_helmet_best.pt)# 或 yolov5n_helmet_best.pt# 图片检测imgcv2.imread(test.jpg)resultsmodel(img,conf0.25)img_outresults[0].plot()cv2.imwrite(result.jpg,img_out)# 视频/摄像头检测capcv2.VideoCapture(test_video.mp4)# 或 0 表示摄像头whilecap.isOpened():ret,framecap.read()ifnotret:breakresultsmodel(frame,conf0.25)frameresults[0].plot()cv2.imshow(Helmet Detection,frame)ifcv2.waitKey(1)0xFFord(q):breakcap.release()cv2.destroyAllWindows()六、训练曲线说明对应图片从训练曲线可以看出损失值box_loss、obj_loss、cls_loss 在训练过程中持续下降并趋于稳定模型收敛良好。精度指标precision、recall、mAP0.5、mAP0.5:0.95 均稳定上升最终达到了较高水平模型泛化能力强。