【完整源码+数据集】高空作业数据集，yolo高空作业检测数据集 2076 张，人员高空作业数据集，目标检测高空作业识别系统实战教程

王哈哈^_^2025-11-10 10:15

一、数据集介绍

【数据集】yolov8高空作业检测数据集 2076 张 ，目标检测，包含YOLO/VOC格式标注，训练、验证、测试集已划分。

数据集中标签包含1种分类 ：names: ['Harness ']，代表高空作业。

检测场景为施工地、工厂、商场、高楼等场景 ，可用于工地作业实时安全预警、作业规范监督、应急救援辅助、管理效率提升 等。

文章底部或主页私信获取数据集~

1、数据概述

高空作业识别的重要性

人员高空作业广泛应用于建筑施工、电力塔检修、桥梁维护等领域，作业环境复杂且风险极高，一旦发生坠落、违规操作等问题，易造成严重安全事故，直接威胁作业人员生命安全，同时影响工程进度、增加企业安全成本。​

传统高空作业安全监管存在明显短板：依赖人工地面巡查或作业人员互检，受视野限制，难以全面覆盖高空作业区域，尤其对复杂结构（如脚手架、塔吊平台）上的细微违规行为（如未系安全带、擅自跨越安全边界）难以及时发现；且人工监管响应滞后，往往在隐患发展为事故后才能介入，无法提前规避风险；此外，作业过程缺乏全程记录，若发生事故，难以追溯责任、分析原因。​

YOLO 算法凭借 "实时动态检测 + 精准目标定位" 的优势，有效破解上述难题：其一，可结合高空摄像头、无人机或作业平台监控设备，实现高帧率实时监测，无死角覆盖作业区域，无需人工紧盯画面；其二，能精准识别作业人员位置、动作及安全装备佩戴情况（如安全带、安全帽），快速捕捉违规行为；其三，检测数据可实时同步至安全管理平台，实现 "隐患即发现、预警即推送"，为及时干预提供支撑，推动高空作业监管从 "事后处置" 向 "事前预防" 转型，是保障作业安全的关键技术。

基于YOLO的人员高空作业检测系统

  1. 实时安全预警：YOLO 可实时监测作业人员是否佩戴安全帽、系好安全带，是否擅自进入未防护区域、跨越安全护栏，或出现身体失衡、误触危险设备等异常动作。一旦发现违规或危险迹象，立即触发声光预警，同步通知地面安全管理人员与作业人员，及时制止危险行为，避免坠落、碰撞等事故发生。​

  2. 作业规范监督：通过持续检测作业流程，YOLO 可监督人员是否按规范操作（如高空焊接时是否做好防火防护、电力检修时是否断开电源），是否存在违规使用工具、擅自更改作业方案的情况。同时，记录作业全程，为后续安全考核、规范培训提供依据，帮助企业强化作业人员安全意识，减少习惯性违规。​

  3. 应急救援辅助：若发生意外（如人员坠落、被困高空），YOLO 可快速定位受困人员位置，捕捉其状态（如是否清醒、是否受伤），并将精准位置信息传递给救援团队，避免救援时因定位模糊延误时间。同时，回溯事故前的检测录像，可还原事故过程，助力分析事故原因，为后续安全改进提供参考。​

  4. 多场景适配保障：在不同高空作业场景中，YOLO 可灵活适配 ------ 建筑施工中监测脚手架作业人员安全，电力运维中识别人员与高压设备的安全距离，桥梁检修中关注人员是否在防护平台外作业。无论作业环境如何变化，都能保持稳定的检测能力，确保各类高空作业安全可控。​

  5. 管理效率提升：单套 YOLO 检测系统可同时监测多个作业点，减少安全管理人员数量，降低人力成本；且系统可自动生成每日违规记录、隐患统计报表，无需人工整理数据，帮助管理人员快速掌握作业安全状况，针对性制定整改措施，提升安全管理效率。

该数据集含有 2076 张图片，包含Pascal VOC XML 格式和YOLO TXT 格式，用于训练和测试施工地、工厂、商场、高楼等场景进行高空作业识别。

图片格式为jpg格式，标注格式分别为：

YOLO：txt

VOC：xml

数据集均为手工标注，保证标注精确度。

2、数据集文件结构

Work-at-height/

------test/

------------Annotations/

------------images/

------------labels/

------train/

------------Annotations/

------------images/

------------labels/

------valid/

------------Annotations/

------------images/

------------labels/

------data.yaml

  • 该数据集已划分训练集样本，分别是：test 目录（测试集）、train 目录（训练集）、valid目录（验证集）；
  • Annotations文件夹为Pascal VOC格式的XML文件 ；
  • images文件夹为jpg格式的数据样本；
  • labels文件夹是YOLO格式的TXT文件；
  • data.yaml是数据集配置文件，包含高空作业识别的目标分类和加载路径。

​​​​

Annotations目录下的xml文件内容如下：

XML 复制代码 
<annotation>
	<folder></folder>
	<filename>901630460_jpg.rf.3034f8b6e92a43fdb7de08a3fc6dacd2.jpg</filename>
	<path>901630460_jpg.rf.3034f8b6e92a43fdb7de08a3fc6dacd2.jpg</path>
	<source>
		<database>Harness</database>
	</source>
	<size>
		<width>640</width>
		<height>640</height>
		<depth>3</depth>
	</size>
	<segmented>0</segmented>
	<object>
		<name>Harness</name>
		<pose>Unspecified</pose>
		<truncated>0</truncated>
		<difficult>0</difficult>
		<occluded>0</occluded>
		<bndbox>
			<xmin>309</xmin>
			<xmax>394</xmax>
			<ymin>226</ymin>
			<ymax>436</ymax>
		</bndbox>
	</object>
</annotation>

labels目录下的txt文件内容如下：

bash 复制代码 
0 0.65 0.4328125 0.1375 0.371875
0 0.17578125 0.65390625 0.0546875 0.1359375

3、数据集适用范围

  • 目标检测 场景，无人机 检测，监控识别
  • yolo训练模型或其他模型
  • 施工地、工厂、商场、高楼等场景
  • 可用于工地作业实时安全预警、作业规范监督、应急救援辅助、管理效率提升等。

4、数据集标注结果

4.1、数据集内容

  1. 多角度场景：无人机视角数据样本，监控视角数据样本；
  2. 标注内容：names: ['Harness '] ，总计1个分类；
  3. 图片总量：2076张图片数据；
  4. 标注类型：含有Pascal VOC XML 格式和yol o TXT格式；

5、训练过程

5.1、导入训练数据

下载YOLOv8项目压缩包，解压在任意本地workspace文件夹中。

下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。

​​​​​​

在ultralytics-main 项目根目录下，创建data文件夹，并在data文件夹下创建子文件夹：Annotations、images、imageSets、labels， 其中，将pascal VOC格式的XML文件 手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中，imageSets和labels两个文件夹不导入数据。

data目录结构如下：

data/

------Annotations/ //存放xml文件

------images/ //存放jpg图像

------imageSets/

------labels/

整体项目结构如下所示：

​​​

5.2、数据分割

首先在ultralytics-main目录下创建一个split_train_val.py文件，运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称。

python 复制代码 
import os
import random

trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

5.3、数据集格式化处理

在ultralytics-main目录下创建一个voc_label.py文件，用于处理图像标注数据，将其从XML格式（通常用于Pascal VOC数据集）转换为YOLO格式。

convert_annotation函数

  • 这个函数读取一个图像的XML标注文件，将其转换为YOLO格式的文本文件。

  • 它打开XML文件，解析树结构，提取图像的宽度和高度。

  • 然后，它遍历每个目标对象（object），检查其类别是否在classes列表中，并忽略标注为困难（difficult）的对象。

  • 对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用convert函数将坐标转换为YOLO格式。

  • 最后，它将类别ID和归一化后的边界框坐标写入一个新的文本文件。

python 复制代码 
import xml.etree.ElementTree as ET
import os
from os import getcwd

sets = ['train', 'val', 'test']
classes = ['Harness']​​​​​​​ # 根据标签名称填写类别
abs_path = os.getcwd()
print(abs_path)


def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return x, y, w, h


def convert_annotation(image_id):
    in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text),
             float(xmlbox.find('xmax').text),
             float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        b1, b2, b3, b4 = b
        # 标注越界修正
        if b2 > w:
            b2 = w
        if b4 > h:
            b4 = h
        b = (b1, b2, b3, b4)
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


wd = getcwd()
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

5.4、修改数据集配置文件

在ultralytics-main目录下创建一个data.yaml文件

python 复制代码 
train: data/train.txt
val: data/val.txt
test: data/test.txt

nc: 1
names: ['Harness']​​​​​​​

5.5、执行命令

执行train.py

python 复制代码 
model = YOLO('yolov8s.pt')
results = model.train(data='data.yaml', epochs=200, imgsz=640, batch=16, workers=0)

也可以在终端执行下述命令：

bash 复制代码 
yolo train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=0

5.6、模型预测

你可以选择新建predict.py预测脚本文件，输入视频流或者图像进行预测。

代码如下：

python 复制代码 
import cv2
from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("./best.pt") # 自定义预测模型加载路径

# Open the video file
video_path = "./demo.mp4" # 自定义预测视频路径
cap = cv2.VideoCapture(video_path) 

# Get the video properties
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)

# Define the codec and create VideoWriter object
fourcc = cv2.VideoWriter_fourcc(*'mp4v')  # Be sure to use lower case
out = cv2.VideoWriter('./outputs.mp4', fourcc, fps, (frame_width, frame_height)) # 自定义输出视频路径

# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()

    if success:
        # Run YOLOv8 inference on the frame
        # results = model(frame)
        results = model.predict(source=frame, save=True, imgsz=640, conf=0.5)

        results[0].names[0] = "道路积水"
        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Write the annotated frame to the output file
        out.write(annotated_frame)

        # Display the annotated frame (optional)
        cv2.imshow("YOLOv8 Inference", annotated_frame)

        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture and writer objects
cap.release()
out.release()
cv2.destroyAllWindows()

图片推理，代码如下：

python 复制代码 
import warnings

warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('models/best.pt')
    model.predict(source='test_pic',
                  imgsz=640,
                  save=True,
                  conf=0.25
                  )

也可以直接在命令行窗口或者Annoconda终端输入以下命令进行模型预测：

python 复制代码 
yolo predict model="best.pt" source='demo.jpg'

6、获取数据集

文章底部或主页私信获取数据集~

二、YOLO人员高空作业检测系统

1、功能介绍

1. 模型管理

支持自定义上传模型文件，一键加载所选模型，基于 YOLO 框架进行推理。

2. 图片检测

  • 支持上传本地图片文件，自动完成格式校验。

  • 对上传图片进行目标检测，检测结果以带有边框和标签的图片形式返回并展示。

  • 检测结果可下载保存。

3. 视频检测与实时流

  • 支持上传本地视频文件，自动完成格式校验。

  • 对视频逐帧检测，检测结果通过 MJPEG 流实时推送到前端页面，用户可边看边等。

  • 支持摄像头实时检测（如有接入摄像头）。

4. 置信度阈值调节

  • 前端可实时调整检测置信度阈值，动态影响检测结果。

  • 阈值调整后，后端推理自动应用新阈值，无需重启。

5. 日志与状态反馈

  • 前端集成日志区，实时显示模型加载、推理、文件上传等操作的进度与结果。

  • 检测异常、错误信息及时反馈，便于排查。

  • 一键清空日志，笔面长期占用内存。

2、创建环境并安装依赖：

bash 复制代码 
conda create -n ultralytics-env python=3.10
conda activate ultralytics-env
pip install -r requirements.txt

3、启动项目

bash 复制代码 
python app.py

**打开浏览器访问：**http://localhost:5000

4、效果展示

4.1、推理效果

以草莓成熟度检测为例，效果如下：

​​​​​​​

4.2、日志文本框

4.3、摄像头检测

以红绿灯检测为例：

5、前端核心页面代码

html 复制代码 
<!doctype html>
<html lang="zh-CN">

<head>
    <meta charset="utf-8">
    <meta name="viewport" content="width=device-width,initial-scale=1">
    <title>视觉检测系统 - Web UI</title>
    <link rel="stylesheet" href="/static/style.css">
    <link rel="icon" href="/favicon.ico">
</head>

<body>
    <div class="container main-flex">
        <!-- 左侧内容区 -->
        <div class="left-content">
            <header>
                <h1>YOLO人员高空作业检测系统</h1>
                <div id="currentModelDisplay" class="modelDisplay" title="当前模型">当前模型：未上传模型</div>
            </header>
            <main>
                <div class="videoPanel">
                    <div class="pane">
                        <h3>原图 / 视频</h3>
                        <div class="preview" id="srcPreview">预览区</div>
                    </div>
                    <div class="pane">
                        <h3>检测结果</h3>
                        <div class="preview" id="detPreview">检测结果</div>
                    </div>
                </div>
                <section class="logArea">
                    <div class="logHeader">
                        <h3>日志</h3>
                    </div>
                    <div class="logInner">
                        <div id="logs" class="logs"></div>
                    </div>
                </section>
            </main>
        </div>
        <!-- 右侧按钮栏 -->
        <aside class="right-bar">
            <!-- 1. 模型上传/加载区 -->
            <section class="model-section">
                <button id="uploadModelBtn" class="ghost">上传模型
                    <input id="modelFileInput" type="file" accept=".pt" title="选择 .pt 模型文件">
                </button>
                <button id="loadModel">加载模型</button>
            </section>

            <!-- 2. 检测方式选择区 -->
            <section class="detect-mode-section">
                <div class="detect-mode-title">请选择检测方式</div>
                <div class="detect-mode-radio-group">
                    <label><input type="radio" name="detectMode" value="upload" checked> 图片/视频</label>
                    <label><input type="radio" name="detectMode" value="camera"> 摄像头</label>
                </div>
                <div id="detectModeUpload" class="detect-mode-panel">
                    <div class="uploaded-file-name">
                        <span id="uploadedFileName" class="placeholder">未选择文件</span>
                    </div>
                    <div style="height: 22px;"></div>
                    <button id="uploadBtn">上传文件
                        <input id="fileInput" type="file" accept="image/*,video/*" title="上传图片或视频" aria-label="上传图片或视频">
                    </button>
                </div>
                <div id="detectModeCamera" class="detect-mode-panel" style="display:none;">
                    <button id="cameraDetectBtn" class="ghost">开启摄像头</button>
                    <div id="cameraPreview" class="camera-preview">
                        <video id="localCameraVideo" autoplay muted playsinline></video>
                        <div class="camera-controls">
                            <button id="stopCameraBtn" class="ghost">关闭摄像头</button>
                        </div>
                    </div>
                </div>
                <div class="confWrap">
                    <label class="conf">置信度
                        <input id="confRange" type="range" min="0.01" max="0.99" step="0.01" value="0.5">
                        <input id="confValue" type="number" min="0.01" max="0.99" step="0.01" value="0.5">
                    </label>
                </div>
            </section>

            <!-- 3. 操作按钮区 -->
            <section class="action-btn-section">
                <button id="startBtn" disabled class="start">开始检测</button>
                <button id="stopBtn" disabled class="stop">停止</button>
                <button id="clearLogs" class="ghost">清空日志</button>
            </section>
        </aside>
    </div>
    <script src="/static/app.js"></script>
</body>

</html>

6、代码获取

文章底部名片或私信获取系统源码和数据集~

更多数据集请查看

以上内容均为原创。

相关推荐
猿小猴子2 小时前
主流 AI IDE 之一的 Comate IDE 介绍
ide·人工智能·comate
一条数据库2 小时前
猫狗识别数据集：34,441张高质量标注图像，深度学习二分类任务训练数据集，计算机视觉算法研发，CNN模型训练，图像识别分类，机器学习实践项目完整数据资
深度学习·算法·机器学习
bloxd yzh2 小时前
图论基础概念
算法
可触的未来，发芽的智生2 小时前
触摸未来2025-11-09：万有力，图论革命
javascript·人工智能·python·程序人生·自然语言处理
悟乙己2 小时前
超越文本：利用大型语言模型进行时间序列预测（第1部分）
人工智能·语言模型·自然语言处理
小白程序员成长日记2 小时前
2025.11.09 力扣每日一题
算法·leetcode·职场和发展
hansang_IR2 小时前
【题解】洛谷 P1477 [NOI2008] 假面舞会 [思维 + 图论]
c++·算法·图论·思维
ZEERO~2 小时前
夏普比率和最大回撤公式推导及代码实现
大数据·人工智能·机器学习·金融
天选之女wow2 小时前
【代码随想录算法训练营——Day59】图论——47.参加科学大会、94.城市间货物运输I
算法·图论
热门推荐
01GitHub 镜像站点02UV安装并设置国内源03BongoCat - 跨平台键盘猫动画工具04综合整理：pdf预览显示：你尝试预览的文件可能对你的计算机有害。如果你信任此文件以及其来源，请打开此文件以看其内容，如何解决以正常预览文件05Linux下V2Ray安装配置指南06安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）07《大数据技术原理与应用》实验报告三 熟悉HBase常用操作08jdk21下载、安装（Windows、Linux、macOS）09Labelme从安装到标注：零基础完整指南10PyCharm 社区版全平台安装指南