简介基于YOLOv8的实验室防护服穿戴规范检测项目面向计算机视觉、人工智能等专业的毕业设计或课程设计场景用于自动识别实验室人员是否按规定穿着防护服为安全监管提供智能化辅助。资源内含完整可运行的Python源码、可视化交互界面、标注好的数据集以及部署说明文档模型权重文件也一并提供安装依赖后即可进行训练与推理演示上手门槛低适合学生和初级开发者学习。压缩包共8个文件以3个py脚本、3个pt模型权重和2个txt说明为主整体大小约15.91MB目录结构清晰便于二次开发。该项目已通过测试并成功运行可输出核心指标曲线、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果及标签分布图覆盖实验评估与答辩展示所需的常见图表能够有效支撑毕业设计或课程设计的结果呈现。目前已有47人学习下载适合需要从零搭建目标检测系统或进行毕设/课设立项的学生快速上手。1. 实验室防护服穿戴检测为什么 YOLOv8 成了毕设和课设的“标准答案”做实验室安全管理的从业者或者高校研究生大概率都被一个问题折磨过视频监控里有人没穿实验服、没戴护目镜就进了准备间靠人盯屏幕根本不现实。一个摄像头盯八个小时人的注意力过了二十分钟就开始断崖式下跌危险行为拍到回放里也难追溯。把这个环节自动化就是实验室防护服穿戴规范检测的核心价值。而 YOLOv8 之所以在这个领域被反复选用不是因为它的 mAP 刷得多高而是因为它同时给了你模型训练、推理部署、可视化界面和数据集整理一条完整链路把“检测”这件事从原本需要算法团队做两三周的工程压缩到一个人几天就能跑通。适合谁准备毕设或课程设计的学生、实验室安全管理的负责人、以及想快速在本地跑通一个视觉检测 demo 的工程师。它的定位是在“学术算法”和“实际可用”之间选了一条最稳妥的落地路径。2. 数据集才是这个项目的命门构造一个能用的防护服穿戴数据集2.1 为什么很多人的检测模型“能跑但废了”我见过太多拿到 YOLOv8 源码就开跑的人训练完 Loss 降得挺漂亮一放到真实摄像头画面里实验服和背景的白墙混在一起或者戴了护目镜但检测框乱跳。问题几乎都出在数据集上。YOLOv8 本身是个成熟工具它不会替你解决数据分布的问题。防护服检测数据集的难点不在于“数量”而在于“语义边界的清晰度”——不戴手套、没扣扣子、护目镜挂脖子上这些都属于穿戴不规范但标注工具和模型都不会自动理解这些语义。2.2 三十分钟构造一个可用数据集标什么、怎么标常见的做法是先用公开的实验室/安全帽数据集做预训练再自建一小批特定场景数据微调。但注意公开数据集里几乎找不到“防护服”这个类目所以你需要自己标注。我的建议是直接下载现成的防护服检测数据集做起点再补拍自己实验室的 100 到 200 张照片做增量。标注工具用 labelme 或者 LabelImg 都可以YOLOv8 需要的是 YOLO 格式的 txt 标注文件每一行的格式是class_id、归一化中心点x、归一化中心点y、归一化宽、归一化高。# 安装标注工具 labelme pip install labelme # 启动标注界面 labelme # 标注完成后用下面的命令把 JSON 转成 YOLO 格式 txt # 注意输出目录需要先建好否则会报错 labelme2yolo --json_dir /path/to/labelme_json --val_size 0.2 --seed 42逻辑说明labelme2yolo 这条命令会把 JSON 格式的标注文件转换成 YOLO 训练所需的 txt 文件并按照 0.2 的比例自动划分出验证集。--seed 42的作用是锁定随机种子保证每次划分出的训练集和验证集一致方便复现实验结果。参数说明里最容易被忽略的是验证集比例。很多人默认用 0.2 做验证但对防护服检测这类样本数本身就不大的项目我更建议验证集比例调到 0.3。原因很简单这种任务里“没穿实验服”的负样本通常远多于“穿了但没戴护目镜”的难例样本验证集不够大难例样本的 Recall 值根本看不出来。2.3 标注的四个边界坑穿脱过程、遮挡、颜色相近、多人密集坑一是穿脱过程实验服穿到一半、一只袖子挂在身上这个状态很难标。我一般会单独设一个“unproper”类把这类模糊状态归进去而不是硬塞进“wearing”类里否则模型的分类头会被搞乱。坑二是遮挡操作台和仪器挡住身体下半部分时检测框会不稳。处理办法是标注时只画可见区域不要让框去“脑补”被遮挡的部分。坑三是颜色相近白色实验服在白色墙面、白色台面前会糊成一片。缓解方式是做数据增强把亮度抖动和对比度抖动的强度调大。坑四是多人密集两个以上的人站在画面里互相遮挡严重。我一般建议每个画面最多标 5 个人人数太多时训练出的模型会倾向于漏检。3. 训练 YOLOv8从命令行到参数调优的完整路径3.1 环境搭建CPU 版和 GPU 版分别怎么选YOLOv8 的环境配置其实已经被官方优化得比较省心了主要痛点是 PyTorch 的安装源选择和 CUDA 版本对应关系。如果是 GTX 1660 Ti、RTX 3050 这类入门的显卡直接装 CUDA 11.8 对应的 PyTorch 版本就够了不需要追新。CPU 版本的机器也别灰心YOLOv8n 在 CPU 上训练虽然慢但推理速度能到每秒 5 到 10 帧做课程设计演示完全够用。不要去管什么“必须用 GPU 才能做深度学习”那是对大模型的说法小尺寸的 YOLOv8n 用 CPU 推理是很常见的事。3.2 用官方 CLI 命令训一个防护服检测模型YOLOv8 的命令行工具把训练、验证、导出这几个流程封装得比较完整这也是它比 YOLOv5 对新手更友好的地方。下面是我常用的一段训练命令# 在项目根目录下执行data.yaml 需要自己准备 yolo detect train \ --model yolov8s.pt \ --data data.yaml \ --epochs 150 \ --imgsz 640 \ --batch 16 \ --device 0 \ --workers 4 \ --patience 20 \ --project runs/detect \ --name lab_safety逻辑说明--model yolov8s.pt表示加载官方在 COCO 上预训练好的 s 尺寸权重做迁移学习而不需要真的从零开始训练。--patience 20是早停机制的耐心值意思是最多允许 20 个 epoch 验证集指标没有提升再没提升就自动停止——这个参数能帮你节省大量时间。参数说明里--imgsz 640是速度和精度的平衡点不要为了追求精度把输入尺寸拉到 1280实验室监控画面通常是 1080p 缩放的模型输入的纹理细节增加不了多少但推理耗时几乎翻倍。--batch 16的取值看显存6GB 显存跑 batch 16 配合 s 模型是极限如果报 CUDA out of memory就降到 8。3.3 训练完成后的产物weights 怎么选loss 曲线怎么看训练结束后runs/detect/lab_safety/weights/目录下会有两个文件best.pt和last.pt。best.pt 是验证集上表现最好的权重last.pt 是最后一个 epoch 的权重。绝大多数场景直接用 best.pt不需要对 last.pt 有任何留念。接下来你要打开results.png这个训练曲线图重点看两件事val_loss 有没有在训练后期翘头翘头就是过拟合早停兜住了它就说明 patience 设置得合理另外还需要看 mAP50 和 mAP50-95 之间的差距——如果 mAP50 很高但 mAP50-95 很低说明模型对目标位置不够精准检测框偏移会比较明显。防护服穿戴检测这个场景对 mAP50 的要求其实比 mAP50-95 更高因为我们的目标是判断“有没有佩戴”框稍微偏移问题不大。4. 可视化界面与部署让模型不再躲在黑匣子里“跑实验”4.1 部署方案选型本地 GUI、Web 服务、还是边缘设备防护服检测这类项目有三种常见的部署路径。本地 GUI 适合毕设答辩演示用 PyQt5 或者 Tkinter 就能解决双击即开不依赖网络环境。Web 服务适合真实的实验室安防场景用 Flask 和 FastAPI 把模型封装成 HTTP 接口摄像头画面通过 RTSP 拉流经服务端推理前端用 HTML JavaScript 做实时监控面板。第三种是边缘设备部署比如 RK3588 这类开发板需要将模型导出为 ONNX 或 RKNN 格式这是工业现场的常见方案但对于课设和毕设来说前两种更实用。如果你选了 Web 方向我推荐一个轻量方案用 Flask 搭一个实时检测服务把 YOLOv8 的推理过程封装成一个 API前端通过网页轮询后端拿到检测结果。4.2 用 PyQt5 自己写一个检测界面代码级拆解可视化界面的本质是把 YOLOv8 的推理输出变成人能直观感知的画面。核心就是三件事加载模型、读摄像头/视频、画框显示。我一般用 PyQt5 做桌面端的显示容器因为它的 QLabel 控件天生适合放视频帧数据。下面是一段可直接运行的界面核心代码# 导入必要的库 import cv2 import sys from PyQt5.QtWidgets import QApplication, QLabel, QMainWindow, QVBoxLayout, QWidget from PyQt5.QtGui import QImage, QPixmap from PyQt5.QtCore import QTimer from ultralytics import YOLO # 加载训练好的权重 model YOLO(runs/detect/lab_safety/weights/best.pt) class MainWindow(QMainWindow): def __init__(self): super().__init__() # 初始化标签组件用来显示摄像头画面 self.label QLabel() self.setCentralWidget(self.label) # 设置一个定时器每 100 毫秒从视频捕获对象读取一帧 self.timer QTimer() self.timer.timeout.connect(self.update_frame) # 打开本地摄像头0 代表默认摄像头 self.cap cv2.VideoCapture(0) def start(self): # 启动定时器开始循环取帧 self.timer.start(100) def update_frame(self): # 读取一帧画面 ret, frame self.cap.read() if not ret: return # 调用 YOLOv8 推理conf 是置信度阈值 results model.predict(frame, conf0.3) # 将带检测框的结果转换回 BGR 格式供 QImage 显示 annotated results[0].plot() # BGR 转 RGB再转成 QImage rgb cv2.cvtColor(annotated, cv2.COLOR_BGR2RGB) h, w, c rgb.shape qimg QImage(rgb.data, w, h, c * w, QImage.Format_RGB888) self.label.setPixmap(QPixmap.fromImage(qimg)) # 启动应用 app QApplication(sys.argv) window MainWindow() window.show() window.start() sys.exit(app.exec_())逻辑说明results[0].plot()是 YOLOv8 自带的可视化方法它会把边界框、类别名和置信度直接画到帧数据上几行代码就能省掉手工绘制框图的大量工作。conf0.3是关键的推理阈值参数——对防护服检测这类场景阈值设高了会漏检远距离小目标设低了会出现很多误检。参数说明里要重点说conf开题阶段做演示用 0.3 没问题画面上框多、看起来“检测能力强”但实际部署建议调到 0.45-0.5因为实验室里人来人往背景里的人影很容易被误报成穿戴不规范。另外self.timer.start(100)这里的 100 毫秒对应 10FPS是 GUI 界面流畅度和 CPU 负载的折中选择追求实时显示可以改成 30 毫秒但 CPU 占用率会明显增加。4.3 模型的导出与加速从 PyTorch 到 TensorRT如果视频存在掉帧严重的现象可以把 YOLOv8 的 PyTorch 模型导出成 TensorRT 引擎在同样的硬件上通常能提速 2 到 3 倍。下面这个命令我经常用它会把 best.pt 转成 FP16 精度的 .engine 文件yolo export modelruns/detect/lab_safety/weights/best.pt \ formatengine \ device0 \ halfTrue \ workspace4逻辑说明formatengine负责创建 TensorRT 推理引擎这个过程需要把模型逐层做算子映射和内存优化所以转换耗时会比普通 ONNX 导出长很多有时候几分钟都正常不要误以为卡死了。workspace4表示给 TensorRT 优化分配了 4GB 的工作空间这能加速引擎构建但对显存较小的显卡会带来压力。参数说明halfTrue这里用到的是半精度推理GPU 运算速度翻倍但精度有小幅损失。对防护服穿戴检测这种大目标场景精度损失几乎感知不到所以这条我一般是保持开启的。5. 部署避坑指南6 个让新手原地翻车的高频问题5.1 现象代码跑起来之后界面闪退没有任何报错原因摄像头编号错了。cv2.VideoCapture(0)的 0 是默认摄像头但很多笔记本的摄像头在系统里被识别成 1因为 0 被虚拟摄像头驱动占了。解决写一个枚举摄像头编号的脚本遍历 0 到 5 号索引逐个打开测试或者直接把代码改成cv2.VideoCapture(1)试试。这是菜鸟最容易翻车的地方没有之一。5.2 现象用 GPU 训练时报错“CUDA out of memory”原因batch size 和模型尺寸的乘积超过了显存容量。解决先看报错信息尾部如果提示的是 allocating 多少多少 MiB那基本就是显存不够。把 batch 从 16 降到 8 或者 4再把--workers从 4 降到 2问题就能缓解。如果还想塞下更多的 batch那么可以使用梯度累积把 batch 设成 4再把累积步数设为 4等效效果和 batch 16 接近。5.3 现象模型训练完打开摄像头检测画面上的框疯狂闪烁原因单帧检测没有做时序平滑模型对某些角度下的穿戴状态把握不准前一帧识别成穿戴规范后一帧识别成不规范。解决引入一个简易的时间滤波逻辑——用最近 5 帧的置信度做平均只有平均值超过阈值才画框。这种逻辑相当于给检测结果装了一个低通滤波器。怎么看这个问题的本质YOLOv8 是逐帧检测的它不感知时间连续性这是所有单阶段检测器的通病不是你的训练出了毛病。5.4 现象数据集里标注了 5 个类别训练过程却提示“ class 3 has no instances”原因很多标注工具在导出时会把没有实例的类别也留在 class 列表里但 YOLOv8 的 data.yaml 中 nc类别数必须和你实际标注的类别数一致。解决打开 data.yaml把nc改成实际有标注的类别数或者删除没有标注的类别行。这类问题在 labelme 转 YOLO 时特别常见因为标注的人经常建了类目但忘记使用。下面的代码展示了 data.yaml 的标准配置结构# 这是 data.yaml 的内容 train: /path/to/dataset/train/images val: /path/to/dataset/val/images nc: 3 names: [lab_coat, goggles, safety_shoes]逻辑说明train和val下面放的是图片目录的绝对路径不是 txt 标注文件的路径。YOLOv8 在训练时会自动在同名目录下查找 labels 文件夹中的 txt 标注文件这个目录结构约定如果不遵守训练时会报“No labels found in train/images”的错。参数说明里额外提醒一句路径中尽量不要有中文和空格YOLOv8 在 Windows 上对中文路径处理不够好会出现“FileNotFoundError”或者“cant open file”这类奇怪报错排查半天你会发现路径里有个“实验室”三个字。这个属于玄学问题但发生率很高直接避开最省心。5.5 现象Ubuntu 20.04 上安装 YOLOv8 环境CPU 版本可以跑GPU 版本一直报错无法正常加载原因大多数情况是 PyTorch 的 CUDA 版本与你系统哪个驱动不匹配。解决先运行nvidia-smi查看驱动支持的 CUDA 版本然后去 PyTorch 官网选择对应的安装命令注意不要装成 cu121 版本的库否则驱动不认。CPU 版本能跑、GPU 版本跑不起来七成以上是版本对应关系的问题。# 检查当前系统的 CUDA 驱动版本这是选 PyTorch 版本的依据 nvidia-smi # 安装与驱动匹配的 PyTorch比如驱动支持 CUDA 12.1 就装这个 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121逻辑说明nvidia-smi会展示当前显卡驱动程序支持的最高 CUDA 版本号这个数字是“上限”你装 PyTorch 时选一个不高于它的版本即可。选 cu121 还是 cu118 主要是看你自己显卡型号的兼容性老显卡建议装 cu118新显卡直接 cu121。5.6 现象摄像头画面中的人离得远检测框只有一半原因训练图片中目标尺寸偏大模型对小目标的特征学习不足。解决在 data.yaml 里不要修改模型本身可以通过 Mosaic 数据增强来引入小目标让模型对远处的人也能保持稳定检测。如果你更新过 YOLOv8 版本注意 Mosaic 增强的开关方式——它已经从--mosaic参数变成了 data.yaml 里的mosaic: 0.5配置项这个值代表每张训练图有 50% 的概率使用 Mosaic 数据增强。6. 进阶技巧把单帧检测升级为时序行为判断YOLOv8 解决的是“单人单帧”的检测问题但它产出的不是单帧独立数据你完全可以把检测结果落盘。我常做的一件事是把每一帧的检测框坐标、类别、置信度按时间顺序写入 CSV 文件然后用一个滑动窗口做时序判断。比如一个 3 秒窗口内检测到“未穿实验服”的帧数占比超过 60%就触发一次告警。这种方案能把前面提到的逐帧闪烁问题自动过滤掉精确度比单纯调低置信度阈值高得多。基于这个思路我们可以做一个简单的告警状态机。状态定义为“正常”和“告警”正常状态下如果连续 10 帧检测到违规就切换到告警状态并截图存证告警状态下如果连续 30 帧检测正常才切回正常。状态切换的滞回机制防止了同样的告警重复触发比单纯用置信度阈值要可靠很多。你可以把这段逻辑封装在上一章的 PyQt5 界面代码的update_frame函数里检测到的告警结果同时写入 MySQL 或 SQLite给实验室管理员提供事后回查的证据。类似这样基于 YOLOv8 的二次开发是提高项目含金量最快的路径——它能证明你不仅仅会用现成模型还能在真实业务逻辑上做设计。如果训练效果始终不理想最后一个排查步骤是直接看特征可视化结果。Ultralytics 提供了简单的 Grad-CAM 可视化虽然不包含在默认 CLI 命令里但你可以借助ultralytics的底层 API 手动加载模型并获取特征层输出把特征图保存下来看模型关注的是穿戴物品还是背景。一旦发现模型在盯着地面或墙面说明数据集中目标区域不集中回归到第 2 章去补齐标注质量比继续加 epoch 更有效。这也是我做完这个项目后的最大教训YOLOv8 不值得花太多时间去调参数据质量永远是天花板。希望这些踩坑记录对你有实际帮助能让你在这个方向少走点弯路。本文还有配套的精品资源点击获取