工厂场景下工人、叉车检测数据集 6022张yolovoccoco三种标注方式图像尺寸:1080*1920类别数量:2类训练集图像数量:3615; 验证集图像数量:1203 测试集图像数量:1204类别名称: 每一类图像数 每一类标注数forklift: 5709,8382person: 4238,7739image num: 6022模型代码采用 YOLOv11n 网络训练训练轮次80 个 epoch提供全部训练 测试源代码训练精度 mAP 效果如图所示PyQt5 界面功能界面使用 PyQt5 开发提供全部源码.ui、.qrc、.py 及图标文件支持图片检测、视频检测、摄像头实时检测界面实时显示目标位置、目标总数、置信度等信息支持检测结果保存导出操作简单直观无需命令行4、零基础需远程配置针对零基础不想或不会自己配置安装可包安装 CPU 版本环境运行环境Python3.8、opencv-python、PyQt5、torch支持 Windows、Linux 系统附、配套文件全套完整完整数据集含原始图像、YOLO 格式 txt 标注、VOC 格式 xml 标注、yaml 配置文件模型程序文件训练代码 .py、训练好的模型权重 .ptQt 界面源码.ui、.qrc、.py 源码及配套图标资源程序运行说明文档程序运行步骤说明指导文档经过分析我已经帮你把水印去除并且整理好了数据集信息、训练代码、应用场景和关键词标签如下一、工厂叉车与人员检测数据集参数表项目详情数据集名称工厂场景叉车与人员目标检测数据集图像总数6022张图像分辨率1920×10801080P标注格式YOLO / VOC / COCO 三种通用格式类别数量2类forklift叉车 / person人员类别标注统计forklift图像数5709标注框8382个person图像数4238标注框7739个数据集划分训练集3615张验证集1203张测试集1204张模型基础基于YOLOv11n训练训练配置80个epoch最终mAP0.50.945运行环境Python 3.8、OpenCV、PyQt5、PyTorch支持Windows/Linux配套文件完整数据集、训练代码、权重文件、PyQt5界面源码含UI文件、运行说明文档二、去水印后数据集示例图三、YOLOv11 训练代码开箱即用# 安装依赖# pip install ultralytics opencv-python torch# 数据集配置文件forklift_person.yaml path: ./forklift_person_dataset # 数据集根目录 train: images/train val: images/val test: images/test nc: 2 names: [forklift, person] fromultralyticsimportYOLOif__name____main__:# 加载YOLOv11n预训练模型modelYOLO(yolov11n.pt)# 启动训练resultsmodel.train(dataforklift_person.yaml,epochs80,imgsz1920,batch8,device0,workers4,projectforklift_person_detection,nameyolov11n_run,patience15,# 早停策略# 数据增强适配工厂场景augmentTrue,hsv_h0.015,hsv_s0.7,hsv_v0.4,flipud0.1,fliplr0.5,mosaic1.0)# 模型验证metricsmodel.val()print(fmAP0.5:{metrics.box.map50:.3f})# 单张图片推理model.predict(test.jpg,saveTrue,conf0.25)四、PyQt5 界面核心功能说明# 界面核心代码片段fromPyQt5.QtWidgetsimportQApplication,QMainWindow,QFileDialogfromPyQt5.uicimportloadUifromultralyticsimportYOLOimportcv2importsysclassForkliftDetectUI(QMainWindow):def__init__(self):super().__init__()loadUi(forklift_detect.ui,self)self.modelYOLO(best.pt)self.btn_img.clicked.connect(self.detect_image)self.btn_video.clicked.connect(self.detect_video)self.btn_cam.clicked.connect(self.detect_camera)defdetect_image(self):path,_QFileDialog.getOpenFileName()ifpath:resultsself.model(path,conf0.25)# 绘制并显示检测结果# 显示目标位置、数量、置信度等信息if__name____main__:appQApplication(sys.argv)winForkliftDetectUI()win.show()sys.exit(app.exec_())支持图片、视频、摄像头实时检测界面实时显示目标位置、总数、置信度一键保存/导出检测结果无需命令行操作零基础友好五、核心应用场景工厂/仓库安全监控实时检测叉车与作业人员避免人车碰撞事故智能仓储管理自动识别叉车运行状态辅助调度与作业统计园区/厂区安防厂区出入口、装卸区的人员与车辆识别违规行为预警工业安全AI平台对接现有监控系统实现智能安防升级物流/装卸作业监控识别装卸区叉车与人员保障作业安全与效率六、关键词标签综合大类工厂安全数据集、叉车检测数据集、人员检测数据集、工业目标检测、仓储监控数据集图像与标注参数1920×1080、1080P、YOLO格式、VOC格式、COCO格式、6022张图像、2类目标检测目标类别标签forklift叉车检测、person人员检测、人车识别、作业人员检测、工业车辆检测模型与技术标签YOLOv11、YOLOv11n、目标检测、PyQt5界面、实时检测、工业AI、mAP0.50.945应用场景标签工厂安全监控、仓库人车防撞、仓储智能安防、厂区安全预警、物流装卸安全、工业视频监控
工厂场景下工人、叉车检测数据集 6022张yolovoccoco三种标注方式图像尺寸:1080*1920类别数量:2类训练集图像数量:3615; 验证集图像数量:1203 测试集图像数量:1204类别名称: 每一类图像数 每一类标注数forklift: 5709,8382person: 4238,7739image num: 6022模型代码采用 YOLOv11n 网络训练训练轮次80 个 epoch提供全部训练 测试源代码训练精度 mAP 效果如图所示PyQt5 界面功能界面使用 PyQt5 开发提供全部源码.ui、.qrc、.py 及图标文件支持图片检测、视频检测、摄像头实时检测界面实时显示目标位置、目标总数、置信度等信息支持检测结果保存导出操作简单直观无需命令行4、零基础需远程配置针对零基础不想或不会自己配置安装可包安装 CPU 版本环境运行环境Python3.8、opencv-python、PyQt5、torch支持 Windows、Linux 系统附、配套文件全套完整完整数据集含原始图像、YOLO 格式 txt 标注、VOC 格式 xml 标注、yaml 配置文件模型程序文件训练代码 .py、训练好的模型权重 .ptQt 界面源码.ui、.qrc、.py 源码及配套图标资源程序运行说明文档程序运行步骤说明指导文档经过分析我已经帮你把水印去除并且整理好了数据集信息、训练代码、应用场景和关键词标签如下一、工厂叉车与人员检测数据集参数表项目详情数据集名称工厂场景叉车与人员目标检测数据集图像总数6022张图像分辨率1920×10801080P标注格式YOLO / VOC / COCO 三种通用格式类别数量2类forklift叉车 / person人员类别标注统计forklift图像数5709标注框8382个person图像数4238标注框7739个数据集划分训练集3615张验证集1203张测试集1204张模型基础基于YOLOv11n训练训练配置80个epoch最终mAP0.50.945运行环境Python 3.8、OpenCV、PyQt5、PyTorch支持Windows/Linux配套文件完整数据集、训练代码、权重文件、PyQt5界面源码含UI文件、运行说明文档二、去水印后数据集示例图三、YOLOv11 训练代码开箱即用# 安装依赖# pip install ultralytics opencv-python torch# 数据集配置文件forklift_person.yaml path: ./forklift_person_dataset # 数据集根目录 train: images/train val: images/val test: images/test nc: 2 names: [forklift, person] fromultralyticsimportYOLOif__name____main__:# 加载YOLOv11n预训练模型modelYOLO(yolov11n.pt)# 启动训练resultsmodel.train(dataforklift_person.yaml,epochs80,imgsz1920,batch8,device0,workers4,projectforklift_person_detection,nameyolov11n_run,patience15,# 早停策略# 数据增强适配工厂场景augmentTrue,hsv_h0.015,hsv_s0.7,hsv_v0.4,flipud0.1,fliplr0.5,mosaic1.0)# 模型验证metricsmodel.val()print(fmAP0.5:{metrics.box.map50:.3f})# 单张图片推理model.predict(test.jpg,saveTrue,conf0.25)四、PyQt5 界面核心功能说明# 界面核心代码片段fromPyQt5.QtWidgetsimportQApplication,QMainWindow,QFileDialogfromPyQt5.uicimportloadUifromultralyticsimportYOLOimportcv2importsysclassForkliftDetectUI(QMainWindow):def__init__(self):super().__init__()loadUi(forklift_detect.ui,self)self.modelYOLO(best.pt)self.btn_img.clicked.connect(self.detect_image)self.btn_video.clicked.connect(self.detect_video)self.btn_cam.clicked.connect(self.detect_camera)defdetect_image(self):path,_QFileDialog.getOpenFileName()ifpath:resultsself.model(path,conf0.25)# 绘制并显示检测结果# 显示目标位置、数量、置信度等信息if__name____main__:appQApplication(sys.argv)winForkliftDetectUI()win.show()sys.exit(app.exec_())支持图片、视频、摄像头实时检测界面实时显示目标位置、总数、置信度一键保存/导出检测结果无需命令行操作零基础友好五、核心应用场景工厂/仓库安全监控实时检测叉车与作业人员避免人车碰撞事故智能仓储管理自动识别叉车运行状态辅助调度与作业统计园区/厂区安防厂区出入口、装卸区的人员与车辆识别违规行为预警工业安全AI平台对接现有监控系统实现智能安防升级物流/装卸作业监控识别装卸区叉车与人员保障作业安全与效率六、关键词标签综合大类工厂安全数据集、叉车检测数据集、人员检测数据集、工业目标检测、仓储监控数据集图像与标注参数1920×1080、1080P、YOLO格式、VOC格式、COCO格式、6022张图像、2类目标检测目标类别标签forklift叉车检测、person人员检测、人车识别、作业人员检测、工业车辆检测模型与技术标签YOLOv11、YOLOv11n、目标检测、PyQt5界面、实时检测、工业AI、mAP0.50.945应用场景标签工厂安全监控、仓库人车防撞、仓储智能安防、厂区安全预警、物流装卸安全、工业视频监控
)
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
