企业官网建设流程全解析

简介：一份基于YOLOv8的实验室防护服穿戴规范检测项目资源，面向需要完成毕业设计、课程设计或目标检测相关实训的计算机视觉学习者，也适合想快速上手YOLO系列模型的小白进阶。压缩包共8个文件，以Python脚本、模型权重和说明文档为主：py文件承担训练、视频检测及可视化界面交互，pt文件包含预训练权重与最优权重，txt则提供部署说明与标签规范。整体约15.91MB，结构清晰，无需额外整理即可运行。项目代码均经过测试，功能完整，支持生成核心指标曲线、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果和标签分布图，能够覆盖算法效果展示的常见需求。目前已有45人学习使用，适合作为毕设答辩的保底方案，也可在此基础上修改拓展，快速完成实验室安全检测相关演示。

1. 让 YOLOv8 去盯实验室的防护服，比人眼巡检靠谱在哪儿

实验室安全巡检最容易被挑战的就是“着装规范”四个字怎么落地：靠安全员定时巡逻，漏检率高，夜间和节假日基本是盲区；靠摄像头让人盯着，看十分钟就疲劳。把 YOLOv8 部署到实验室出入口的监控上，用目标检测自动判定“有没有人没穿防护服”，是这类场景里性价比最高的方案。它只需要一台普通电脑或小盒子，模型用 COCO 预训练权重微调，不需要重新设计网络，也不需要昂贵的 AI 加速卡。

这个标题指向的是一套完整的毕设或课程设计交付物：YOLOv8 检测源码、可视化界面、标注好的数据集和部署教程。它适合两类人：一类是计算机视觉方向的学生，需要把检测模型、界面和数据集串成一个能答辩的作品；另一类是实验室或企业安全管理部门的技术人员，想用现成模型搭一个防护服穿戴检测的原型。后者尤其要注意，真正的难点不在模型训练——YOLOv8 的训练链路已经足够成熟——而在于数据的采集标注、穿戴合规的判定逻辑，以及从训练环境到部署环境的迁移。下文按照“数据 → 训练 → 界面 → 部署 → 验证改进”这条主线展开，每一节都可以直接照做。

2. 把防护服数据做成 YOLOv8 能吃的格式，训练参数一次调对

2.1 数据集的类别设计直接决定项目能不能答辩过关

防护服检测最常见的错误是一上来就训练“防护服”单类别，结果模型把白色墙面、白大褂、一次性鞋套全识别成防护服。更稳妥的做法是把类别拆成person和protective_clothing两类，让模型先学会“一个人”和一个“防护服区域”，穿戴是否合规交给后处理逻辑判断：检测到person时，如果其边界框内没有protective_clothing或二者 IoU 过低，就认为未穿戴。顺带说一句，如果你想做安全帽场景，完全可以沿用这个两类的思路，只是把后一类换成helmet，这也是 YOLOv5/YOLOv8 训练自己的数据集时社区最常见的标签设计方式。

位姿无所谓，关键是样本分布。数据里要包含穿白大褂、蓝色防尘服、连体洁净服的完整外观；负样本除了正常没穿衣服的人，还要考虑防护服穿到一半、只穿上衣、衣服敞开这类容易和正样本混淆的边界状态。标注时用 LabelImg 或 labelme，输出 YOLO 格式的 txt，每行是class x_center y_center width height，四个坐标都是除以图片宽高后的归一化数值。目录结构固定为：

dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yaml

data.yaml里要注意一行容易错的内容：

path: dataset train: images/train val: images/val names: 0: person 1: protective_clothing

path如果写相对路径，ultralytics 会以当前运行目录为基准解析，建议直接改成绝对路径或者把 yaml 文件和 dataset 放在同一个工程根目录下，否则训练时会报找不到图片。另外标签文件中类别编号必须从 0 开始连续编号，class 数量在标注阶段和names列表里要保持一致，这是 YOLOv8 环境配置完最常见的报错原因。

2.2 用 ultralytics 库跑通 YOLOv8 训练的最小命令

毕设项目里训练端不需要碰源码，直接用官方包就能完成整个闭环。环境建议用 Python 3.10 + CUDA 11.8 的组合，PyTorch 用pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118安装对应版本，再装 ultralytics。数据集切分好、yaml 写好之后，一行命令开始训练：

yolo detect train \ model=yolov8s.pt \ data=dataset/data.yaml \ epochs=100 \ imgsz=640 \ batch=16 \ device=0 \ project=runs \ name=lab_coat_exp

关键参数按实际资源调整。batch在 8GB 显存（GTX 1660 Ti 就是典型代表）上跑yolov8s可以用 16，如果再大就报 CUDA out of memory，此时把batch降到 8，或者把model换成yolov8n.pt。imgsz不建议小于 640，监控画面里的人往往占画面比例不大，分辨率太低会把中远距离的小目标直接丢掉。训练过程中每天盯两个指标：一个是box_loss有没有稳定下降，另一个是val/ cls_loss在训练中后期有没有反弹。

训练完看runs/lab_coat_exp/weights/目录，里面会有best.pt和last.pt。best.pt是验证集指标最好的权重，直接拿它做推理；last.pt是最后一个 epoch 的权重，如果训练后期过拟合明显，last.pt反而可能比best.pt泛化更好，可以两个都测一遍。

2.3 验证集指标怎么读，mAP 50 和 mAP 50-95 分别代表什么

训练结束终端会打印一个指标表格，重点看mAP50和mAP50-95。mAP50是 IoU 阈值固定为 0.5 时的平均精度，适合快速整体判断模型有没有学起来；mAP50-95是 IoU 从 0.5 到 0.95 每 0.05 取一个阈值算出的平均，对边界框精度的要求更严格。防护服检测里不必追求mAP50-95过高，因为合规判定本质上是“有没有防护服覆盖人体”，0.6 左右的框精度配合后处理逻辑就够用，这也让 GTX 1660 Ti 这类入门卡完全足够完成整套训练。

还有一个容易被忽视的指标是每个类别的单独 AP。打开runs/lab_coat_exp/下的results.csv，你会看到每一行对应一个 epoch 的完整指标，其中metrics/precision(B)、metrics/recall(B)和metrics/mAP50(B)是整体值，但person和protective_clothing的差异需要看混淆矩阵。如果protective_clothing的召回率低，说明漏检多，增加穿防护服的样本比重；如果person的精确率低，说明误检多，往往是负样本不够或标注框不贴合身体。

3. 可视化界面如何接上 YOLOv8 检测结果，用 PyQt5 搭一套可操作的前端

3.1 界面选型：为什么毕设和原型都用 PyQt5 而不是 Web 前端

做可视化界面有三条路：PyQt/PySide 桌面端、Flask/FastAPI + Web 前端、直接用 ultralytics 自带的yolo predict命令行。第三条不算可视化界面，前两条里 PyQt5 是毕设和课程设计最常见的选择，原因很实际：不需要单独开一个前端服务，直接把视频解码、模型推理、结果显示放进同一个进程，虽然多线程上容易踩坑，但代码量最少；而 Web 方案的优势是能远程访问，适合部署到实验室闸机上。

真正决定选择的是硬件形态。如果界面跑在连接摄像头的本地电脑上，PyQt5 体验最好，配合 OpenCV 的VideoCapture读流，读取、推理、显示三个环节在一个循环里完成；如果摄像头画面要通过局域网从别的机器拉取，那 Web 方案更顺手。下文按 PyQt5 展开，它也是这个标题的源码包里最常见的界面实现方式。

3.2 把检测函数封装成一个独立的推理类

界面代码里最忌讳把模型加载和推理逻辑直接写进按钮回调里，否则画面一卡界面就假死。常规做法是封装一个Detector类，只保留predict(frame)一个入口，返回标注后的画面和人员统计信息：

from ultralytics import YOLO import cv2 import numpy as np class Detector: def __init__(self, weights_path, conf_thres=0.35): self.model = YOLO(weights_path) self.conf_thres = conf_thres def predict(self, frame): results = self.model.predict( frame, conf=self.conf_thres, imgsz=640, verbose=False ) boxes = results[0].boxes annotated = results[0].plot() persons, coats = 0, 0 if boxes is not None: cls = boxes.cls.cpu().numpy() persons = int((cls == 0).sum()) coats = int((cls == 1).sum()) return annotated, persons, coats

conf阈值在界面里做成一个滑块，范围 0.2 到 0.7 比较合理。设太低会出现大量低置信度框，后续合规判定被干扰；设太高会把远距离或遮挡下的人漏掉。results[0].plot()是 ultralytics 提供的可视化方法，会直接在原图上画框和标签，省去自己拼接类别名的工作。注意每次predict都会对单帧做一次前向推理，如果检测速度跟不上视频帧率，可以在循环里做跳帧，只对每 3 帧执行一次检测，中间帧直接复用上一帧的框。

3.3 界面布局和控制逻辑，以及最容易卡死的 QImage 转换

界面布局用QVBoxLayout从上到下排三个区域：顶部是操作栏，包括启动、停止、选择视频源和置信度滑块；中间占据最大面积的是显示画面的QLabel；底部是一个状态栏，显示当前帧率和人员统计结果。侧边或用分组框展示二进制状态，如“未穿戴防护服人数”。窗口标题和按钮文案直接用中文没有编码问题，但保存日志时务必用 UTF-8 编码写文件。

视频循环和界面刷新是两个线程的事，建议用QTimer驱动视频帧读取，它的超时事件会在主线程执行，不需要额外加锁。读取到帧后转换为QImage再放到QLabel上，这是最常出问题的地方，OpenCV 读出来的是 BGR 顺序，直接转QImage会红蓝互换：

def cv2_to_qimage(self, frame): rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) h, w, ch = rgb.shape bytes_per_line = ch * w return QImage(rgb.data, w, h, bytes_per_line, QImage.Format_RGB888).copy()

.copy()必须加，否则rgb局部变量在函数返回后被释放，QImage持有的指针会变成野指针，界面上会时不时出现花屏或闪退。按钮的回调里启动QTimer后，用timer.start(30)控制帧率，30 毫秒约 33 帧，足够流畅。

4. 从训练机到部署机的路径：模型导出、CPU 推理和告警数据落盘

4.1 工程目录怎么组织才能做到“简单部署即可运行”

标题里提到的源码包如果整理得清晰，部署时只需要解压、装依赖、改一条路径。拿到手先看目录结构，标准做法是这样：

lab_safety_detector/ ├── models/ │ └── best.pt ├── data/ │ └── data.yaml ├── utils/ │ └── detector.py ├── ui/ │ └── main_window.py ├── main.py ├── requirements.txt └── README.md

main.py是整个程序入口，里面做好三件事：解析命令行参数（--source指定摄像头编号或视频文件）、实例化Detector、启动MainWindow。requirements.txt里固定好版本号，最保险的是ultralytics>=8.2.0,<9.0加PyQt5>=5.15加opencv-python>=4.8。部署教程里如果写的是先装 Anaconda 再建虚拟环境，那相当于是给 GPU 环境用的；纯 CPU 部署可以精简很多。

部署机如果只有 CPU，不要在requirements.txt里装 CUDA 版的 torch，直接在 PyPI 安装即可。torch 的 CPU 版和 GPU 版在推理速度上差很多，但 YOLOv8n 模型在纯 CPU 上也能跑出每秒 10 到 15 帧，够用于实验室出入口这种非高速场景。

4.2 导出 ONNX 用 onnxruntime 推理，比 torch 推理更快更稳定

训练好的best.pt是 PyTorch 权重，在部署机上直接推理会有两个问题：一是需要完整安装 torch，占用几个 GB 磁盘；二是推理接口偶尔会受 PyTorch 版本变化影响。导出为 ONNX 后用 onnxruntime 推理是目前最稳的落地路径，导出命令一行：

yolo export model=models/best.pt format=onnx opset=12 imgsz=640 simplify=True

opset=12保证兼容性；simplify=True会调用 onnx-simplifier 对计算图做一次精简，去掉推理时用不到的节点，模型体积变小同时推理速度更快。导出完成后在models/目录下多出一个best.onnx，然后改造Detector让它支持两种后端：

class Detector: def __init__(self, weights_path, use_onnx=False): if use_onnx: import onnxruntime as ort self.session = ort.InferenceSession( weights_path, providers=["CPUExecutionProvider"] ) self.model = None else: self.model = YOLO(weights_path)

onnxruntime 的输入预处理比 torch 麻烦一点：需要把 BGR 帧转为 RGB、resize 到 640 并归一化到 0 到 1，最后组织成1x3x640x640的数组。输出是一个1x84x8400的张量含义是每个候选框的 xywh、置信度和两个类别的分数，这部分解析建议直接用 ultralytics 提供的YOLO(best.onnx)接口处理，它会自动兼容，不需要自己手写 NMS 解析。这样做的意义是推理性能明显提升：同一台 CPU 机器上，onnxruntime 通常比 PyTorch 推理快 20% 到 40%。

4.3 违规事件落盘：保存截图和 CSV 记录，避免“能检测但没证据”

可视化界面跑通之后，真正让项目变得完整的功能是违规事件记录。检测到有人且其框内没有防护服时，自动保存当前帧到violations/目录，同时把时间、违规类型、置信度追加写入records.csv，这个功能用一段简单的回调就能实现：

import csv from datetime import datetime def save_violation(frame, boxes, records_path="records.csv"): if len(boxes) == 0: return ts = datetime.now().strftime("%Y%m%d_%H%M%S") cv2.imwrite(f"violations/{ts}.jpg", frame) with open(records_path, "a", newline="", encoding="utf-8") as f: writer = csv.writer(f) writer.writerow([ts, len(boxes), "person_without_coat"])

截图命名带上时间戳可以避免重名覆盖，编码用 utf-8 加newline=""防止在 Windows 上出现空行。这个功能同时解决了两个问题：给了用户可信的检测证据，也给答辩时演示“系统有效性”积累素材。如果部署在无人值守环境，可以在save_violation里再补一条logging日志，把事件写入系统日志而不是只落在控制台。

4.4 部署机最常见的 4 个坑，都是从源码包解压后立刻会撞上的

第一个坑是中文路径。程序放在D:\实验项目\防护服检测\下面运行时，OpenCV 的imread和imwrite在 Windows 上会读不出中文路径文件，界面显示黑屏但代码不报错。处理方法有两个：要么把工程放到纯英文路径，要么所有文件操作改用cv2.imdecode读入字节流。第二个坑是 CUDA 版本和 ultralytics 的编译版本不匹配，训练机上跑得好好的，换一台部署机就提示核心库加载失败。解决办法是把训练机和部署机的 PyTorch 版本统一，或者部署机直接走 ONNX Runtime 路线绕开 torch。

第三个坑是摄像头画面旋转。实验室出入口经常用吊装摄像头，画面是倒的，OpenCV 读流后需要做cv2.rotate(frame, cv2.ROTATE_180)，这个要在进入Detector.predict之前处理，否则检测结果会整体错位。第四个坑是内存泄漏。界面长时间运行时，如果predict返回的annotated没有正确释放，内存占用会缓慢上涨，一般跑几小时后会卡死。排查方法是每 30 分钟打一次psutil.Process().memory_info().rss，确认变化幅度，泄漏点大多出在 onnxruntime 的 session 反复创建上。

5. 不重训也能提升效果：用曲线判断欠拟合，用后处理校正穿戴判定

5.1 损失函数曲线和 mAP 曲线的读法，三条线一起看

训练完成后不要只看最终结果，把runs/lab_coat_exp/results.csv用 pandas 读出来画成曲线，是最直观的改进依据。YOLOv8 画损失函数曲线图可以用 matplotlib 直接实现：

import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv("runs/lab_coat_exp/results.csv") cols = df.columns plt.plot(df[" epoch"], df[" train/box_loss"], label="train") plt.plot(df[" epoch"], df[" val/box_loss"], label="val") plt.legend() plt.xlabel("epoch") plt.ylabel("box_loss") plt.title("YOLOv8 Box Loss Curve") plt.savefig("loss_curve.png", dpi=200)

注意列名的空格，ultralytics 导出的 CSV 列名带有大量前导空格，直接复制列名时容易报 KeyError。三条线应该一起观察：train/box_loss持续下降说明模型在收敛；val/box_loss在前 30 个 epoch 下降、之后平稳说明正常；如果val曲线在中段掉头向上而train还在降，就是典型的过拟合信号，此时应减少epochs到 60 左右，或者调低模型的复杂度，把yolov8s换成yolov8n。

5.2 在 head 输出上做穿戴合规判定，是性价比最高的改进

训练层面的 head 改进难度大、周期长，改坏了还得重新训练。更聪明的做法是在模型输出端做后处理：既然模型已经给出person和protective_clothing两类框，就利用它们的空间关系判定合规性，这相当于在推理端做了一个轻量的规则层。最常用的逻辑是判断防护服框是否与人体框的中下部重叠，因为半身防护服与全身防护服的合规程度不同：

def check_compliance(person_box, coat_boxes, iou_thres=0.1): px1, py1, px2, py2 = person_box p_area = (px2 - px1) * (py2 - py1) for box in coat_boxes: cx1, cy1, cx2, cy2 = box inter_w = max(0, min(px2, cx2) - max(px1, cx1)) inter_h = max(0, min(py2, cy2) - max(py1, cy1)) inter_area = inter_w * inter_h if inter_area / p_area > iou_thres: return True return False

这里的iou_thres在 0.05 到 0.15 之间调节。设太高会把“只遮住胸口”的半穿戴判为合规，设太低会把防护服从身后飘过的误算作遮挡。对检测结果做一些统计过滤：如果连续超过 5 帧判定为违规，再触发告警，可以过滤掉人转身时防护服短暂离开画面造成的误报，这个技巧在真实监控场景里非常实用。

5.3 数据层面最简单的提升：光照和尺度扰动

如果验证结果表明模型对暗光或远距离目标识别差，不必急着换模型，优先在数据层面做增强。ultralytics 自带增强参数里，hsv_h、hsv_s和hsv_v控制颜色扰动，其中hsv_v=0.4可以模拟亮度变化，对实验室常见的低照度场景很有效；scale=0.5会在训练时随机缩放目标框，增强模型对远处小目标的适应能力。这两个参数直接在训练命令里生效：

yolo detect train \ model=yolov8s.pt \ data=dataset/data.yaml \ epochs=100 \ imgsz=640 \ batch=16 \ hsv_v=0.4 \ scale=0.5

跑完对比上一版结果的mAP50-95，如果提升了 1 到 2 个点，就可以保留该配置。相比改网络结构，这种数据层面的调优不需要有能力阅读ultralytics底层的 head 代码，也更好向答辩老师解释清楚：模型不变，只是让训练数据更接近真实部署环境的成像条件。

本文还有配套的精品资源，点击获取