《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------》
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
- 二、模型的训练、评估与推理
- 数据集准备与训练
-
- 2.模型训练
- [3. 训练结果评估](#3. 训练结果评估)
- [4. 使用模型进行推理](#4. 使用模型进行推理)
- 四、可视化系统制作
- 【获取方式】
基本功能演示
项目演示视频：https://www.bilibili.com/video/BV1DtD9BhEQQ
摘要：非机动车便捷却缺乏防护，事故中骑行者受伤风险极高，佩戴头盔是降低颅脑损伤与死亡率的最有效手段。传统人工执法监管盲区大、人力成本高、难全天候覆盖，骑行者侥幸心理严重，头盔佩戴率难维持高位。本文基于
YOLO26的深度学习框架，通过5821张实际场景中骑行安全的相关图片，训练了可进行骑行安全检测的模型，可以很好的检测骑行未带头盔行为，同时进行语音提示。最终基于训练好的模型制作了一款带UI界面的骑行安全检测与语音提示系统，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。
研究背景
非机动车便捷却缺乏保护，事故中骑行者受伤风险极高，佩戴头盔是降低颅脑损伤和死亡率的最有效手段。传统人工执法存在监管盲区大、人力成本高、难全天候覆盖等问题，骑行者侥幸心理严重，头盔佩戴率难维持高位。本系统基于YOLO深度学习框架，构建"摩托车、带头盔、未带头盔"高精度检测模型，可实时识别统计未戴头盔的违规人员，还引入智能语音提示模块，实现从"被动监控"到"主动干预"的跨越。这对提升交通管理智能化水平、纠正骑行者不安全行为、降低事故伤亡率、构建安全有序的道路交通环境具有极高社会价值。
应用场景
城市交通路口智能执法：部署于主干道或事故高发路口，实时监控摩托车流，检测到未戴头盔骑行者即触发语音劝阻并抓拍传至交管后台，辅助非现场执法。
社区与园区出入口管理：集成于门禁道闸系统，检测到摩托车驾驶员未戴头盔时自动语音提醒，可联动道闸延迟抬杆或记录，筑牢社区安全防线。
外卖与物流配送站点监控：监测站点出入口骑手出勤状态，统计未戴头盔人员数量并生成安全报表，督促骑手出发前规范佩戴头盔。
高速公路与快速路匝道巡查：通过无人机或高位监控杆预检进入匝道的摩托车，远距离识别未戴头盔骑行者并高分贝语音劝返或警告。
交通事故数据分析与研判：基于长期积累的佩戴头盔统计数据生成骑行安全热力图，为交通整治与安全设施优化提供依据。
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非机动车骑行的相关数据图片，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. 可用于实际场景中的骑行安全检测，分3个检测类别：['摩托车','带头盔', '未带头盔'];
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. 当检测到摩托车上人员未带头盔时，会有告警文字显示，同时进行语音提示；
4. 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;
5. 能够统计在摩托车/电瓶车上未带头盔的人员数量；【注：不会对行人未带头盔行为进行预警或统计】
6. 支持图片或者视频的检测结果保存；
7. 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
语音提示功能：检测到非机动车上人员未带头盔行为，会进行告警，同时会有语音提示。
违规行为数：表示的是在非机动车上未带头盔的人员数量,【不会对行人未带头盔行为进行统计】；
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，显示默认勾选，如果不勾选则不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类型、置信度查看。
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 ProgLoss+STAL 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骑行安全的相关图片，并使用Labelimg标注工具对每张图片进行标注，分3个检测类别：['摩托车','带头盔', '未带头盔']。
该数据集一共包含5821张图片，其中训练集包含5094张图片，验证集包含485张图片，测试集包含242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：
python
train: E:\MyCVProgram\RideSafety_26\datasets\train/images
val: E:\MyCVProgram\RideSafety_26\datasets/valid/images
test: E:\MyCVProgram\RideSafety_26\datasets/test/images
nc: 3
names: ['bike', 'helmet', 'unhelmet']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：
python
#coding:utf-8
from ultralytics import YOLO
import matplotlib
matplotlib.use('TkAgg')
# 模型配置文件
model_yaml_path = "ultralytics/cfg/models/26/yolo26.yaml"
#数据集配置文件
data_yaml_path = r'PuddleSeg/data/data/data.yaml'
#预训练模型
pre_model_name = 'yolo26n.pt'
if __name__ == '__main__':
#加载预训练模型
model = YOLO(model_yaml_path).load(pre_model_name)
#训练模型
results = model.train(data=data_yaml_path,
epochs=150,
batch=32,
name='train_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。YOLOv11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_loss）：DFLLoss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mAP@0.5值为0.913，结果还是不错的。
混淆矩阵如下：
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：
python
#coding:utf-8
from ultralytics import YOLO
import cv2
# 所需加载的模型目录
path = 'models/best.pt'
# 需要检测的图片地址
img_path = "TestFiles/02_jpg.rf.dbcd59f387ddb5a237da71b64a95c30b.jpg"
# 加载预训练模型
model = YOLO(path, task='detect')
# 检测图片
results = model(img_path,conf=0.3)
print(results[0].boxes)
res = results[0].plot()
# res = cv2.resize(res,dsize=None,fx=0.5,fy=0.5,interpolation=cv2.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：
系统制作
博主基于Pyqt5框架开发了此款骑行安全检测与语音提示系统，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】，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。