🦺 YOLOv8n PPE 检测（6 类别）

一个轻量级且快速的个人防护装备（PPE）检测模型，基于 6 个安全类别训练，针对 NVIDIA Jetson Orin、ONNX Runtime 和 TensorRT 等边缘设备部署进行了优化。

1. 📌 模型详情

• 模型名称： YOLOv8n PPE 检测 – 6 类别
• 架构： Ultralytics YOLOv8n（Nano）
• 任务： 目标检测（PPE / 安全装备）
• 框架： PyTorch（Ultralytics），导出为 ONNX
• 输入尺寸： 1 × 3 × 640 × 640
• 输出形状（ONNX）： 1 × 10 × 8400
  • 4 通道 → 边界框
  • 6 通道 → 类别 logits
• 类别数量： 6

2. 🏷️ 类别与数据集分布

类别列表及图像数量

3. 🎯 预期用途

主要应用场景

• 实时 PPE 合规性监控
• 建筑工地安全分析
• 工业/仓库安全自动化
• 工人装备检测：
  • 安全帽
  • 安全鞋
  • 反光背心
  • 手套
  • 口罩
  • 护目镜

目标平台

• NVIDIA Jetson（Orin Nano、Orin NX、Xavier NX）
• ONNX Runtime
• TensorRT（FP32 / FP16 / INT8）
• NVIDIA DeepStream SDK
• Python（Ultralytics 推理）

不适用于

• 未经人工审查的法律执法
• 医疗或临床决策
• 未经同意的监控
• 受隐私法规限制的环境

⚠️ 高风险应用必须有人工监督。

4. 📂 训练数据

• 数据集来源： 自定义 PPE 数据集（Roboflow 格式）
• 标注格式： YOLO TXT
• 数据类型： 室内/室外工业环境
• 划分：
  • 训练集：大部分
  • 验证集：留出验证
  • 测试集：独立测试集用于无偏评估

数据集略有类别不平衡：

• 反光背心 最常见
• 安全鞋 和 护目镜 样本较少

5. ⚙️ 训练流程

• 基础模型： yolov8n.pt（COCO 预训练）
• 框架： Ultralytics YOLOv8
• 超参数：
  • epochs = 50
  • imgsz = 640
  • batch = 32
  • optimizer = auto
• 数据增强：
  • Mosaic
  • HSV 颜色偏移
  • 随机翻转
  • 缩放
  • 平移

6. 📊 评估与指标

整体性能

各类别 mAP@50

7. ⚠️ 局限性与伦理考量

技术方面

• 对低光照和运动模糊敏感
• 远距离小物体可能降低准确率
• PPE 变体（颜色、款式、地区差异）可能影响性能

偏差与数据风险

• 数据集可能无法代表全球所有种族、行业或地区
• 模型可能在未见过的制服类型或 PPE 颜色变体上失效

负责任 AI 指引

• 始终包含人工审查
• 遵守当地隐私法律（GDPR、工作场所法规）
• 仅用于透明、合乎伦理的监控

8. 🚀 使用方法

A) 使用 Ultralytics 推理

from ultralytics import YOLO

model = YOLO("best.pt")
results = model("image.jpg", imgsz=640)

results[0].show()  # 可视化