口罩检测数据集-1591张图片疫情防控管理 智能门禁系统 公共场所安全监控

已发布目标检测数据集合集（持续更新）

数据集名称	图像数量	应用方向	博客链接
电网巡检检测数据集	1600 张	电力设备目标检测	点击查看
火焰 / 烟雾 / 人检测数据集	10000张	安防监控，多目标检测	点击查看
高质量车牌识别数据集	10,000 张	交通监控 / 车牌识别	点击查看
农田杂草航拍检测数据集	1,200 张	农业智能巡检	点击查看
航拍绵羊检测数据集	1,700 张	畜牧监控 / 航拍检测	点击查看
️ 热成像人体检测数据集	15,000 张	热成像下的行人检测	点击查看
安全背心检测数据集	3,897 张	工地安全 / PPE识别	点击查看
火箭检测数据集介绍	12,000 张	智慧医疗 / 养老护理	点击查看
⚡ 绝缘子故障检测数据集	2,100张	无人机巡检/智能运维	点击查看
交通标志检测数据集	1866张	智能驾驶系统/地图数据更新	点击查看
道路交通标志检测数据集	2,000张	智能地图与导航/交通监控与执法	点击查看

每篇文章附带模型指标、训练思路与推理部署建议，欢迎点赞收藏支持~

口罩检测数据集介绍

数据集概览

本项目是专注于人脸口罩佩戴检测的计算机视觉数据集，共包含约 1,591 张图像，旨在训练深度学习模型实现公共场所、室内外等多种场景下人员口罩佩戴状态的精准检测与识别。

• 图像数量：1,591 张
• 类别数：2 类
• 适用任务：目标检测（Object Detection）
• 适配模型：YOLOv5、YOLOv8、Faster R-CNN、SSD 等主流框架

包含类别

类别	描述
mask	佩戴口罩的人脸
no-mask	未佩戴口罩的人脸

数据集覆盖口罩佩戴与未佩戴两种状态，能够显著提升模型在实际应用场景下的检测准确性。

应用场景

该数据集非常适用于以下场景与研究方向：

• 疫情防控管理
  实时监测公共场所人员口罩佩戴情况，确保防疫措施落实到位。

• 智能门禁系统
  集成到门禁设备中，自动检测进入人员是否佩戴口罩，提升安全管理水平。

• 公共场所安全监控
  医院、学校、商场等场所的智能监控系统，实现自动化合规检查。

• 健康合规检查
  企业、机构等场所的健康管理系统，辅助人工进行快速筛查。

• 人脸识别预处理
  作为人脸识别系统的预处理步骤，提高口罩遮挡情况下的识别准确率。

• 智慧城市管理
  支撑城市公共卫生管理、应急响应以及智慧化治理系统。

数据样本展示

以下展示部分数据集内的样本图片（均带有目标检测框）：

数据集包含多种真实场景下的图像：

• 室内外不同环境的人脸图像
• 不同光照条件下的检测样本
• 多角度、多姿态的人脸数据
• 单人和多人场景的混合样本

场景涵盖日常生活、工作场所、公共区域等多种环境，数据多样性良好，有助于训练出具备鲁棒性的检测模型。

文件结构与使用建议

项目通常包含如下文件结构：

mask-detection-dataset/
├── images/
│   ├── train/
│   │   ├── 0001.jpg
│   │   ├── 0002.jpg
│   │   └── ...
│   ├── val/
│   │   ├── 0001.jpg
│   │   ├── 0002.jpg
│   │   └── ...
│   └── test/
│       ├── 0001.jpg
│       ├── 0002.jpg
│       └── ...
├── labels/
│   ├── train/
│   │   ├── 0001.txt
│   │   ├── 0002.txt
│   │   └── ...
│   ├── val/
│   │   ├── 0001.txt
│   │   ├── 0002.txt
│   │   └── ...
│   └── test/
│       ├── 0001.txt
│       ├── 0002.txt
│       └── ...
├── data.yaml
└── README.md

使用建议

1. 数据预处理

   • 建议对图像进行尺寸归一化（如 640x640）
   • 可应用数据增强技术：旋转、翻转、亮度调整等
   • 确保训练/验证/测试集的合理划分

2. 模型训练优化

   • 针对召回率较低的问题，可以调整损失函数权重
   • 使用多尺度训练提升检测效果
   • 考虑使用预训练模型进行迁移学习

3. 实际部署建议

   • 根据具体应用场景进行模型微调
   • 在边缘设备部署时考虑模型压缩和加速
   • 建立持续的性能监控和模型更新机制

4. 质量保证

   • 定期验证模型在新场景下的表现
   • 收集困难样本进行模型改进
   • 建立人工审核机制确保检测准确性

技术标签

计算机视觉 目标检测 口罩检测 疫情防控 深度学习 YOLO 公共安全 智能监控

---

注意: 本数据集适用于研究和商业用途，使用时请确保遵守相关的数据使用协议和隐私保护规定。

YOLOv8 训练实战

本教程介绍如何使用 YOLOv8 对目标进行识别与检测。涵盖环境配置、数据准备、训练模型、模型推理和部署等全过程。

---

1. 环境配置

建议使用 Python 3.8+，并确保支持 CUDA 的 GPU 环境。

# 创建并激活虚拟环境（可选）
python -m venv yolov8_env
source yolov8_env/bin/activate  # Windows 用户使用 yolov8_env\Scripts\activate

安装 YOLOv8 官方库 ultralytics

pip install ultralytics

2. 数据准备

2.1 数据标注格式（YOLO）

每张图像对应一个 .txt 文件，每行代表一个目标，格式如下：

所有值为相对比例（0~1）。

类别编号从 0 开始。

2.2 文件结构示例

datasets/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

2.3 创建 data.yaml 配置文件

path: ./datasets
train: images/train
val: images/val

nc: 11
names: ['Bent_Insulator', 'Broken_Insulator_Cap', '', ...]

3. 模型训练

YOLOv8 提供多种模型：yolov8n, yolov8s, yolov8m, yolov8l, yolov8x。可根据设备性能选择。

yolo detect train \
  model=yolov8s.pt \
  data=./data.yaml \
  imgsz=640 \
  epochs=50 \
  batch=16 \
  project=weed_detection \
  name=yolov8s_crop_weed

参数	类型	默认值	说明
model	字符串	-	指定基础模型架构文件或预训练权重文件路径（.pt/.yaml）
data	字符串	-	数据集配置文件路径（YAML 格式），包含训练/验证路径和类别定义
imgsz	整数	640	输入图像的尺寸（像素），推荐正方形尺寸（如 640x640）
epochs	整数	100	训练总轮次，50 表示整个数据集会被迭代 50 次
batch	整数	16	每个批次的样本数量，值越大需要越多显存
project	字符串	-	项目根目录名称，所有输出文件（权重/日志等）将保存在此目录下
name	字符串	-	实验名称，用于在项目目录下创建子文件夹存放本次训练结果

关键参数补充说明：

1. model=yolov8s.pt

   • 使用预训练的 YOLOv8 small 版本（平衡速度与精度）
   • 可用选项：yolov8n.pt(nano)/yolov8m.pt(medium)/yolov8l.pt(large)

2. data=./data.yaml

   # 典型 data.yaml 结构示例
   path: ../datasets/weeds
   train: images/train
   val: images/val
   names:
     0: Bent_Insulator
     1: Broken_Insulator_Cap
     2: ...
     3: ...
   

4. 模型验证与测试

4.1 验证模型性能

yolo detect val \
  model=runs/detect/yolov8s_crop_weed/weights/best.pt \
  data=./data.yaml

参数	类型	必需	说明
model	字符串	是	要验证的模型权重路径（通常为训练生成的 best.pt 或 last.pt）
data	字符串	是	与训练时相同的 YAML 配置文件路径，需包含验证集路径和类别定义

关键参数详解

1. model=runs/detect/yolov8s_crop_weed/weights/best.pt

   • 使用训练过程中在验证集表现最好的模型权重（best.pt）
   • 替代选项：last.pt（最终epoch的权重）
   • 路径结构说明：

     runs/detect/
     └── [训练任务名称]/
         └── weights/
             ├── best.pt   # 验证指标最优的模型
             └── last.pt   # 最后一个epoch的模型
     

2. data=./data.yaml

   • 必须与训练时使用的配置文件一致
   • 确保验证集路径正确：

     val: images/val  # 验证集图片路径
     names:
       0: crop
       1: weed
     

常用可选参数

参数	示例值	作用
batch	16	验证时的批次大小
imgsz	640	输入图像尺寸（需与训练一致）
conf	0.25	置信度阈值（0-1）
iou	0.7	NMS的IoU阈值
device	0/cpu	选择计算设备
save_json	True	保存结果为JSON文件

典型输出指标

Class     Images  Instances      P      R      mAP50  mAP50-95
all        100       752      0.891  0.867    0.904    0.672
crop       100       412      0.912  0.901    0.927    0.701
weed       100       340      0.870  0.833    0.881    0.643

4.2 推理测试图像

yolo detect predict \
  model=runs/detect/yolov8s_crop_weed/weights/best.pt \
  source=./datasets/images/val \
  save=True

5. 自定义推理脚本（Python）

from ultralytics import YOLO
import cv2

# 加载模型
model = YOLO('runs/detect/yolov8s_crop_weed/weights/best.pt')

# 推理图像
results = model('test.jpg')

# 可视化并保存结果
results[0].show()
results[0].save(filename='result.jpg')

6. 部署建议

✅ 本地运行：通过 Python 脚本直接推理。

Web API：可用 Flask/FastAPI 搭建检测接口。

边缘部署：YOLOv8 支持导出为 ONNX，便于在 Jetson、RKNN 等平台上部署。

导出示例：

yolo export model=best.pt format=onnx

总结流程

阶段	内容
✅ 环境配置	安装 ultralytics, PyTorch 等依赖
✅ 数据准备	标注图片、组织数据集结构、配置 YAML
✅ 模型训练	使用命令行开始训练 YOLOv8 模型
✅ 验证评估	检查模型准确率、mAP 等性能指标
✅ 推理测试	运行模型检测实际图像目标
✅ 高级部署	导出模型，部署到 Web 或边缘设备