基于YOLO26深度学习的【矿井人员安全目标检测系统】【python源码+Pyqt5界面+数据集+训练代码】

《博主简介》小伙伴们好我是阿旭。专注于计算机视觉领域包括目标检测、图像分类、图像分割和目标跟踪等项目开发提供模型对比实验、答疑辅导等。《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【YOLOv8多目标识别与自动标注软件开发】8.【基于深度学习的行人跌倒检测系统】9.【基于深度学习的PCB板缺陷检测系统】10.【基于深度学习的生活垃圾分类目标检测系统】11.【基于深度学习的安全帽目标检测系统】12.【基于深度学习的120种犬类检测与识别系统】13.【基于深度学习的路面坑洞检测系统】14.【基于深度学习的火焰烟雾检测系统】15.【基于深度学习的钢材表面缺陷检测系统】16.【基于深度学习的舰船目标分类检测系统】17.【基于深度学习的西红柿成熟度检测系统】18.【基于深度学习的血细胞检测与计数系统】19.【基于深度学习的吸烟/抽烟行为检测系统】20.【基于深度学习的水稻害虫检测与识别系统】21.【基于深度学习的高精度车辆行人检测与计数系统】22.【基于深度学习的路面标志线检测与识别系统】23.【基于深度学习的智能小麦害虫检测识别系统】24.【基于深度学习的智能玉米害虫检测识别系统】25.【基于深度学习的200种鸟类智能检测与识别系统】26.【基于深度学习的45种交通标志智能检测与识别系统】27.【基于深度学习的人脸面部表情识别系统】28.【基于深度学习的苹果叶片病害智能诊断系统】29.【基于深度学习的智能肺炎诊断系统】30.【基于深度学习的葡萄簇目标检测系统】31.【基于深度学习的100种中草药智能识别系统】32.【基于深度学习的102种花卉智能识别系统】33.【基于深度学习的100种蝴蝶智能识别系统】34.【基于深度学习的水稻叶片病害智能诊断系统】35.【基于与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于深度学习的智能草莓病害检测与分割系统】37.【基于深度学习的复杂场景下船舶目标检测系统】38.【基于深度学习的农作物幼苗与杂草检测系统】39.【基于深度学习的智能道路裂缝检测与分析系统】40.【基于深度学习的葡萄病害智能诊断与防治系统】41.【基于深度学习的遥感地理空间物体检测系统】42.【基于深度学习的无人机视角地面物体检测系统】43.【基于深度学习的木薯病害智能诊断与防治系统】44.【基于深度学习的野外火焰烟雾检测系统】45.【基于深度学习的脑肿瘤智能检测系统】46.【基于深度学习的玉米叶片病害智能诊断与防治系统】47.【基于深度学习的橙子病害智能诊断与防治系统】48.【基于深度学习的车辆检测追踪与流量计数系统】49.【基于深度学习的行人检测追踪与双向流量计数系统】50.【基于深度学习的反光衣检测与预警系统】51.【基于深度学习的危险区域人员闯入检测与报警系统】52.【基于深度学习的高密度人脸智能检测与统计系统】53.【基于深度学习的CT扫描图像肾结石智能检测系统】54.【基于深度学习的水果智能检测系统】55.【基于深度学习的水果质量好坏智能检测系统】56.【基于深度学习的蔬菜目标检测与识别系统】57.【基于深度学习的非机动车驾驶员头盔检测系统】58.【太基于深度学习的阳能电池板检测与分析系统】59.【基于深度学习的工业螺栓螺母检测】60.【基于深度学习的金属焊缝缺陷检测系统】61.【基于深度学习的链条缺陷检测与识别系统】62.【基于深度学习的交通信号灯检测识别】63.【基于深度学习的草莓成熟度检测与识别系统】64.【基于深度学习的水下海生物检测识别系统】65.【基于深度学习的道路交通事故检测识别系统】66.【基于深度学习的安检X光危险品检测与识别系统】67.【基于深度学习的农作物类别检测与识别系统】68.【基于深度学习的危险驾驶行为检测识别系统】69.【基于深度学习的维修工具检测识别系统】70.【基于深度学习的维修工具检测识别系统】71.【基于深度学习的建筑墙面损伤检测系统】72.【基于深度学习的煤矿传送带异物检测系统】73.【基于深度学习的老鼠智能检测系统】74.【基于深度学习的水面垃圾智能检测识别系统】75.【基于深度学习的遥感视角船只智能检测系统】76.【基于深度学习的胃肠道息肉智能检测分割与诊断系统】77.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】78.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】79.【基于深度学习的果园苹果检测与计数系统】80.【基于深度学习的半导体芯片缺陷检测系统】81.【基于深度学习的糖尿病视网膜病变检测与诊断系统】82.【基于深度学习的运动鞋品牌检测与识别系统】83.【基于深度学习的苹果叶片病害检测识别系统】84.【基于深度学习的医学X光骨折检测与语音提示系统】85.【基于深度学习的遥感视角农田检测与分割系统】86.【基于深度学习的运动品牌LOGO检测与识别系统】87.【基于深度学习的电瓶车进电梯检测与语音提示系统】88.【基于深度学习的遥感视角地面房屋建筑检测分割与分析系统】89.【基于深度学习的医学CT图像肺结节智能检测与语音提示系统】90.【基于深度学习的舌苔舌象检测识别与诊断系统】91.【基于深度学习的蛀牙智能检测与语音提示系统】92.【基于深度学习的皮肤癌智能检测与语音提示系统】93.【基于深度学习的工业压力表智能检测与读数系统】94.【基于深度学习的CT扫描图像肝脏肿瘤智能检测与分析系统】95.【基于深度学习的CT扫描图像脑肿瘤智能检测与分析系统】96.【基于深度学习的甲状腺结节智能检测分割与诊断系统】97.【基于深度学习的车载视角路面病害检测系统】98.【基于深度学习的宫腔镜病变智能检测与语音提示系统】99.【基于深度学习的人群密集检测统计分析与报警系统】100.【基于深度学习的路面积水智能检测分割与分析系统】二、机器学习实战专栏【链接】已更新31期欢迎关注持续更新中~~三、深度学习【Pytorch】专栏【链接】四、【Stable Diffusion绘画系列】专栏【链接】五、YOLOv8改进专栏【链接】持续更新中~~六、YOLO性能对比专栏【链接】持续更新中~《------正文------》目录基本功能演示研究背景应用场景主要工作内容一、软件核心功能介绍及效果演示软件主要功能界面参数设置说明检测结果说明主要功能说明1图片检测说明2视频检测说明3摄像头检测说明4保存图片与视频检测说明二、模型的训练、评估与推理1.YOLO26介绍数据集准备与训练2.模型训练3. 训练结果评估4. 使用模型进行推理四、可视化系统制作Pyqt5详细介绍系统制作【获取方式】基本功能演示项目视频演示地址https://www.bilibili.com/video/BV1r297BpEuq摘要矿井环境复杂危险传统人工监管存在盲区大、实时性差等痛点难以有效管控违章行为。本文基于YOLO26的深度学习框架通过4369张实际场景中矿井场景人员相关图片训练了一个矿井场景检测模型能检测4种目标类别可用于辅助矿井人员安全监测。最终基于训练好的模型制作了一款带UI界面的矿井人员安全目标检测系统更便于实际应用。该系统是基于python与PyQT5开发的支持图片、视频以及摄像头进行目标检测并保存检测结果。本文提供了完整的Python代码和使用教程给感兴趣的小伙伴参考学习完整的代码资源文件获取方式见文末。点击跳转至文末《完整相关文件及源码》获取研究背景矿井环境复杂危险传统人工监管存在盲区大、实时性差等痛点难以有效管控违章行为。本系统基于YOLO深度学习框架构建了针对“人、安全帽、自救器、指示牌”的高精度检测模型能精准识别防护装备佩戴情况。这对推动矿山安全管理从“被动事后追责”向“主动事前预防”转型降低事故率保障矿工生命安全具有重要价值。应用场景无人机自主巡检搭载于无人机高空实时扫描发现绝缘子掉串、防震锤缺陷或鸟巢即刻语音播报位置辅助飞手复核标记大幅提升缺陷发现率。固定监控实时预警集成于变电站或跨越塔摄像头7×24小时监测鸟巢筑造或突发闪络自动触发语音警报并推送集控中心实现事前干预。人工登塔检修辅助配合智能终端作为“第二双眼睛”实时语音确认微小破损或隐蔽缺陷降低人工疲劳漏检率保障检修质量。灾后应急评估灾害后快速巡视重点排查防震锤脱落及雷击损伤通过语音汇报灾情分布辅助指挥中心迅速制定抢修方案。鸟害专项排查针对鸟害高发区强化鸟巢识别发现即语音报警提醒及时清理防止因鸟害引发的线路跳闸事故。主要工作内容本文的主要内容包括以下几个方面搜集与整理数据集搜集整理实际场景中矿井人员的相关数据图片并进行相应的数据标注与处理为模型训练提供训练数据集训练模型基于整理的数据集根据最前沿的YOLO26目标检测技术训练目标检测模型实现对需要检测的对象进行有效检测的功能模型性能评估对训练出的模型在验证集上进行了充分的结果评估和对比分析主要目的是为了揭示模型在关键指标如Precision、Recall、mAP50和mAP50-95等指标上的表现情况。可视化系统制作基于训练出的目标检测模型搭配Pyqt5制作的UI界面用python开发了一款界面简洁的软件系统可支持图片、视频以及摄像头检测同时可以将图片或者视频检测结果进行保存。其目的是为检测系统提供一个用户友好的操作平台使用户能够便捷、高效地进行检测任务。软件初始界面如下图所示检测结果界面如下一、软件核心功能介绍及效果演示软件主要功能1. 可用于矿井相关目标检测分4个检测类别[安全帽,指示牌,人,自救器];2. 支持图片、视频及摄像头进行检测同时支持图片的批量检测3. 界面可实时显示目标位置、目标总数、置信度、用时、检测结果等信息;4. 支持图片或者视频的检测结果保存5. 支持将图片的检测结果保存为csv文件;界面参数设置说明置信度阈值也就是目标检测时的conf参数只有检测出的目标框置信度大于该值结果才会显示交并比阈值也就是目标检测时的iou参数对检测框重叠比例iou大于该阈值的目标框进行过滤【也就是说假如两检测框iou大于该值的话会过滤掉其中一个该值越小重叠框会越少】检测结果说明显示标签名称与置信度表示是否在检测图片上标签名称与置信度显示默认未勾选如果勾选则会在检测图片上显示标签名称与置信度目标总数表示画面中检测出的目标数目目标选择可选择单个目标进行位置信息、置信度、类别查看。目标位置表示所选择目标的检测框左上角与右下角的坐标位置。默认显示的是置信度最大的一个目标信息主要功能说明功能视频演示见文章开头以下是简要的操作描述。1图片检测说明点击打开图片按钮选择需要检测的图片或者点击打开文件夹按钮选择需要批量检测图片所在的文件夹操作演示如下点击目标下拉框后可以选定指定目标的结果信息进行显示。点击保存按钮会对检测结果进行保存存储路径为save_data目录下,同时会将图片检测信息保存csv文件。注1.右侧目标位置默认显示置信度最大一个目标位置可用下拉框进行目标切换。所有检测结果均在左下方表格中显示。2视频检测说明点击视频按钮打开选择需要检测的视频就会自动显示检测结果再次点击可以关闭视频。点击保存按钮会对视频检测结果进行保存存储路径为save_data目录下。3摄像头检测说明点击打开摄像头按钮可以打开摄像头可以实时进行检测再次点击可关闭摄像头。4保存图片与视频检测说明点击保存按钮后会将当前选择的图片【含批量图片】或者视频的检测结果进行保存对于图片图片检测还会保存检测结果为csv文件,方便进行查看与后续使用。检测的图片与视频结果会存储在save_data目录下。【注暂不支持视频文件的检测结果保存为csv文件格式。】保存的检测结果文件如下图片文件保存的csv文件内容如下包括图片路径、目标在图片中的编号、目标类别、置信度、目标坐标位置。注其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。二、模型的训练、评估与推理1.YOLO26介绍本项目采用的是最新的YOLO26模型。YOLO26 是 Ultralytics 2026 年 1 月推出的新一代计算机视觉模型主打边缘优先、高效部署。它采用端到端免 NMS 架构移除 DFL 模块CPU 推理速度较前代提升 43%搭配 MuSGD 优化器与 ProgLossSTAL 损失策略强化小目标检测能力支持检测、分割、姿势估计等多任务可无缝适配树莓派、嵌入式设备等终端广泛应用于智慧农业、安防监控等领域。YOLO各版本性能对比数据集准备与训练本文主要基于YOLO26n模型进行模型训练训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。总体流程包括数据集准备、模型训练、模型评估。通过网络上搜集关于实际场景中矿井人员的相关图片并使用Labelimg标注工具对每张图片进行标注分4个检测类别[安全帽,指示牌,人,自救器]。该数据集一共包含4369张图片其中训练集包含3059张图片验证集包含875张图片测试集包含435张图片。部分图像及标注如下图所示数据集各类别数目分布情况如下2.模型训练准备好数据集后将图片数据以如下格式放置在项目目录中。在项目目录中新建datasets目录同时将检测的图片分为训练集与验证集放入Data目录下。同时我们需要新建一个data.yaml文件用于存储训练数据的路径及模型需要进行检测的类别。在进行模型训练时会读取该文件的信息用于进行模型的训练与验证。data.yaml的具体内容如下train:E:\MyCVProgram\MineScene_v26\datasets\train/images val:E:\MyCVProgram\MineScene_v26\datasets/valid/images test:E:\MyCVProgram\MineScene_v26\datasets/test/images nc:4names:[helmet,indicator,person,self-rescuer]注train与val后面表示需要训练图片的路径建议直接写自己文件的绝对路径。数据准备完成后通过调用train.py文件进行模型训练epochs参数用于调整训练的轮数batch参数用于调整训练的批次大小【根据内存大小调整最小为1】optimizer设定的优化器为SGD训练代码如下#coding:utf-8fromultralyticsimportYOLOimportmatplotlib matplotlib.use(TkAgg)# 模型配置文件model_yaml_pathultralytics/cfg/models/26/yolo26.yaml#数据集配置文件data_yaml_pathrPuddleSeg/data/data/data.yaml#预训练模型pre_model_nameyolo26n.ptif__name____main__:#加载预训练模型modelYOLO(model_yaml_path).load(pre_model_name)#训练模型resultsmodel.train(datadata_yaml_path,epochs150,batch32,nametrain_26)模型常用训练超参数参数说明YOLO26模型的训练设置包括训练过程中使用的各种超参数和配置。这些设置会影响模型的性能、速度和准确性。关键的训练设置包括批量大小、学习率、动量和权重衰减。此外优化器、损失函数和训练数据集组成的选择也会影响训练过程。对这些设置进行仔细的调整和实验对于优化性能至关重要。以下是一些常用的模型训练参数和说明3. 训练结果评估在深度学习中我们通常用损失函数下降的曲线来观察模型训练的情况。YOLO26在训练时主要包含三个方面的损失定位损失(box_loss)、分类损失(cls_loss)和动态特征损失dfl_loss在训练结束后可以在runs/目录下找到训练过程及结果文件如下所示各损失函数作用说明定位损失box_loss预测框与标定框之间的误差GIoU越小定位得越准分类损失cls_loss计算锚框与对应的标定分类是否正确越小分类得越准动态特征损失dfl_lossDFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时目标框需要缩放到特征图尺度即除以相应的stride并与预测的边界框计算Ciou Loss同时与预测的anchors中心点到各边的距离计算回归DFLLoss。本文训练结果如下我们通常用PR曲线来体现精确率和召回率的关系本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积m表示平均后面的数表示判定iou为正负样本的阈值。mAP.5表示阈值大于0.5的平均mAP可以看到本文模型目标检测的mAP0.5值为0.901结果还是十分不错的。4. 使用模型进行推理模型训练完成后我们可以得到一个最佳的训练结果模型best.pt文件在runs/train/weights目录下。我们可以使用该文件进行后续的推理检测。图片检测代码如下#coding:utf-8fromultralyticsimportYOLOimportcv2# 所需加载的模型目录pathmodels/best.pt# 需要检测的图片地址img_pathTestFiles/-0048_png.rf.bacae4fbbe30cba6e7f8166e98c58afb.jpg# 加载预训练模型modelYOLO(path,taskdetect)# 检测图片resultsmodel(img_path)resresults[0].plot()# res cv2.resize(res,dsizeNone,fx0.5,fy0.5,interpolationcv2.INTER_LINEAR)cv2.imshow(Detection Result,res)cv2.waitKey(0)执行上述代码后会将执行的结果直接标注在图片上结果如下更多检测结果示例如下四、可视化系统制作基于上述训练出的目标检测模型为了给此检测系统提供一个用户友好的操作平台使用户能够便捷、高效地进行检测任务。博主基于Pyqt5开发了一个可视化的系统界面通过图形用户界面GUI用户可以轻松地在图片、视频和摄像头实时检测之间切换无需掌握复杂的编程技能即可操作系统。【系统详细展示见第一部分内容】Pyqt5详细介绍关于Pyqt5的详细介绍可以参考之前的博客文章《Python中的Pyqt5详细介绍基本机构、部件、布局管理、信号与槽、跨平台》地址https://a-xu-ai.blog.csdn.net/article/details/143273797系统制作博主基于Pyqt5框架开发了此款矿井人员安全目标检测系统即文中第一部分的演示内容能够很好的支持图片、视频及摄像头进行检测同时支持检测结果的保存。通过图形用户界面GUI用户可以轻松地在图片、视频和摄像头实时检测之间切换无需掌握复杂的编程技能即可操作系统。这不仅提升了系统的可用性和用户体验还使得检测过程更加直观透明便于结果的实时观察和分析。此外GUI还可以集成其他功能如检测结果的保存与导出、检测参数的调整从而为用户提供一个全面、综合的检测工作环境促进智能检测技术的广泛应用。关于该系统涉及到的完整源码、UI界面代码、数据集、训练代码、训练好的模型、测试图片视频等相关文件均已打包上传感兴趣的小伙伴可以通过下载链接自行获取。【获取方式】关注末尾名片GZH【阿旭算法与机器学习】号内发送【源码】获取下载方式本文涉及到的完整全部程序文件包括python源码、数据集、训练好的结果文件、训练代码、UI源码、测试图片视频等见下图获取方式见文末注意该代码基于Python3.9开发运行界面的主程序为MainProgram.py其他测试脚本说明见上图。为确保程序顺利运行请按照程序运行说明文档txt配置软件运行所需环境。