YOLOv8煤矿工人行为与安全帽目标检测训练教程及数据集介绍

时间：2026-08-17 10:16

基于13万张真实煤矿井下影像构建16类目标检测数据集（22GB），涵盖安全帽、人员行为及液压支架角度等，采用YOLOv8框架完成训练、评估与预测，实现高精度检测，服务于智慧矿井智能分析。

煤矿井下智慧矿井智能分析：13万张真实影像与YOLOv8实战

在煤矿井下作业场景中，安全帽佩戴识别、人员行为状态分析、液压支架防护角度监测、采煤机运行检测以及煤块运输监控等关键环节，都是保障煤矿安全生产与智能化管理的重要组成部分。一个覆盖16类检测目标的智慧矿井智能分析数据集，正在成为煤矿视觉识别与行业应用落地的关键基础。

这个数据集规模如何？整体约22GB，包含13万张真实采集的井下影像数据，标注格式同时支持YOLO和COCO两种主流目标检测格式。具体来看，数据内容覆盖采掘工作面工人的安全帽检测、工人行为识别（包括行走、站立、坐、操作、弯腰、靠、摔、爬），液压支撑防护板多角度检测（防护板0~30度、30~60度、60~90度，以及支撑异常状态），同时还包含采煤人、剪煤机、运煤线和煤块检测。总计16个类别，每个类别都配备了大量真实井下场景样本，适合用于煤矿智能监测、目标检测模型训练和算法验证。

下面，我们将直接基于YOLOv8框架，演示如何使用这个煤矿井下数据集完成模型训练、性能评估和可视化预测的完整流程。相关代码已经整理完毕，关键步骤附带注释，便于你快速部署和上手实战。

项目介绍

数据准备

数据集结构采用标准YOLO格式，训练集、验证集、测试集按照8:1:1的比例划分。每张图片都对应一个同名的.txt标注文件（YOLO格式）或.json标注文件（COCO格式）。类别列表如下：

safety_hat: 安全帽
walking: 行走
standing: 站立
sitting: 坐
operating: 操作
bending: 弯腰
leaning: 靠
falling: 摔
climbing: 爬
hydraulic_support_0_30: 液压支撑防护板0~30度
hydraulic_support_30_60: 液压支撑防护板30~60度
hydraulic_support_60_90: 液压支撑防护板60~90度
hydraulic_support_abnormal: 支撑异常
shearer: 剪煤机
coal_miner: 采煤人
conveyor_belt: 运煤线
coal_piece: 煤块

模型选择

YOLOv8是当前YOLO系列中应用非常广泛的版本，在检测精度与推理速度方面均有不错表现。这里我们使用预训练模型yolov8n.pt作为基础权重，通过迁移学习完成煤矿井下目标检测训练。训练参数设置为100个epoch，输入尺寸640，batch大小16，兼顾训练效率与实际部署需求。

功能概述

整个流程包括：自动加载图像与标注数据 → 编写数据集配置文件 → 训练YOLOv8目标检测模型 → 在验证集上进行评估 → 保存最佳模型权重 → 可视化预测结果。代码中提供了较为详细的注释说明，方便理解智慧矿井视觉分析项目的每一个关键步骤。

代码实现

首先确保安装了ultralytics库：

pip install ultralytics

然后，我们编写核心脚本。假设数据集目录结构如下：

path/to/dataset/
├── train/
│   ├── images/
│   │   └── image1.jpg, image2.jpg, ...
│   └── labels/
│       └── image1.txt, image2.txt, ...
├── val/
│   ├── images/
│   └── labels/
├── test/
│   ├── images/
│   └── labels/

接下来，创建数据配置文件并启动训练：

import os
import torch
from IPython.display import Image, clear_output
from ultralytics import YOLO
import yaml

torch.manual_seed(42)

dataset_dir = 'path/to/dataset'  # 替换为你的实际路径

data_config = {
    'train': os.path.join(dataset_dir, 'train/images'),
    'val': os.path.join(dataset_dir, 'val/images'),
    'test': os.path.join(dataset_dir, 'test/images'),
    'nc': 16,
    'names': [
        'safety_hat', 'walking', 'standing', 'sitting', 'operating',
        'bending', 'leaning', 'falling', 'climbing', 'hydraulic_support_0_30',
        'hydraulic_support_30_60', 'hydraulic_support_60_90', 'hydraulic_support_abnormal',
        'shearer', 'coal_miner', 'conveyor_belt', 'coal_piece'
    ]
}

with open(os.path.join(dataset_dir, 'data.yaml'), 'w') as f:
    yaml.dump(data_config, f)

model = YOLO('yolov8n.pt')  # 加载预训练模型

results = model.train(
    data=os.path.join(dataset_dir, 'data.yaml'),
    epochs=100,
    imgsz=640,
    batch=16,
    name='smart_mine_analysis',
    project='runs/train'
)

# 评估
metrics = model.val()

# 可视化预测
source_image = 'path/to/dataset/test/sample.jpg'  # 替换为测试图片路径
results = model.predict(source=source_image, conf=0.25, iou=0.45, sa ve=True, sa ve_txt=True)
Image(filename='runs/detect/predict/sample.jpg')

如何使用这些代码

第一步，准备数据。确保你的数据集目录中包含train、val、test三个子文件夹，并且每个子文件夹下都包含images和labels目录，标注文件采用YOLO格式（每个目标一行：class x_center y_center width height）。

第二步，替换路径。将代码中的dataset_dir变量修改为你的实际数据集路径。

第三步，运行脚本。训练过程中会持续输出每个epoch的日志信息，最终在验证集上生成mAP、精度、召回率等模型评估指标。

示例：使用自定义数据集

如果你有一个新的煤矿智能分析数据集，例如my_smart_mine_dataset，且目录结构与上述一致，那么只需要将dataset_dir = 'my_smart_mine_dataset'替换到脚本中，然后重新执行完整训练流程即可。

注释说明

代码中的关键部分已添加注释，便于理解和二次开发：

data_config：定义训练、验证、测试数据路径以及类别名称信息。
model.train：设置YOLOv8模型训练参数并启动训练。
model.val：在验证集上评估模型整体表现。
model.predict：对单张测试图片执行推理并保存检测结果。

结果

运行结束后，你通常会得到以下几类输出结果：

控制台输出：每个epoch的损失值、精度、召回率、mAP等训练与评估指标。
文件输出：最佳模型权重保存在runs/train/smart_mine_analysis/weights/best.pt；验证结果保存在runs/val/exp/results.txt。
图像输出：预测结果图片保存在runs/detect/predict/目录中，可直接查看带边界框的检测可视化效果。