当前位置：首页 > news >正文

基于YOLOV5+Flask安全帽RTSP视频流实时目标检测

news 2025/6/24 0:02:28

1、背景

在现代工业和建筑行业中，安全始终是首要考虑的因素之一。特别是在施工现场，工人佩戴安全帽是确保人身安全的基本要求。然而，人工监督难免会有疏漏，尤其是在大型工地或复杂环境中，确保每个人都佩戴安全帽变得非常具有挑战性。
为了解决这一问题，计算机视觉技术提供了一个有效的解决方案。通过使用深度学习模型（如YOLOv5）进行实时目标检测，我们可以自动识别视频流中的工人是否佩戴了安全帽。结合Flask框架，我们可以将这一功能封装为一个Web服务，方便在任何地方通过浏览器或其他设备进行访问。

项目目标：

使用YOLOv5模型实现对RTSP视频流的工人是否佩戴安全帽实时目标检测。
将检测功能集成到Flask Web应用中，以便通过简单的HTTP请求访问检测结果。
提供一个用户友好的前端界面，实时展示检测结果。

技术栈：

YOLOv5：一个高效的实时目标检测模型，适用于多种场景的物体检测。
Flask：一个轻量级的Python Web框架，用于构建RESTful API和Web应用。
OpenCV：一个强大的计算机视觉库，用于处理视频流和图像。
RTSP：实时流传输协议，用于从摄像头获取视频流。

接下来，我将详细介绍如何构建这样一个系统，从环境准备到最终的部署。

2、环境准备

pip install Flask
pip install opencv-python
# 安装YOLOv5依赖:
pip install -r requirements.txt
#下载预训练权重：
wget https://github.com/ultralytics/yolov5/releases/download/v4.0/yolov5s.pt

3、模型训练

数据集为各类场景下的安全帽图片，并使用Labelimg标注工具对每张图片中的目标边框（Bounding Box）及类别进行标注。一共包含22789张图片，其中训练集包含15887张图片，验证集包含4641张图片，测试包含2261张图片。
在这里插入图片描述

数据集目录结构：

yolov5/
├── datasets/
│   ├── train/
│   │   ├── images/ 
│   │   └── labels/      
│   ├── val/
│   │   ├── images/
│   │   └── labels/
│   └── test/
│       ├── images/
│       └── labels/

创建数据配置文件：

在 datasets 文件夹下创建一个 data.yaml 文件，内容如下：

train: E:\yolo\mydata\train\images
val: E:\yolo\mydata\val\images
test: E:\yolo\mydata\test\images# number of classes
nc: 2# class names
names: ['head', 'helmet']

在YOLOv5项目目录下，运行以下命令开始训练模型：

python train.py --img 640 --batch 16 --epochs 50 --data datasets/data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --project runs/train --name safety_helmet

4、训练结果评估

在深度学习中，我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv5在训练时主要包含三个方面的损失：定位损失(box_loss)、分类损失(cls_loss)和动态特征损失（dfl_loss），在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下所示：
在这里插入图片描述

本文训练结果如下：

PR曲线：

5、实现RTSP视频流处理

使用OpenCV可以方便地处理RTSP视频流逻辑集成到Flask Web服务中，以便通过HTTP请求访问目标检测结果。在这个获取视频流过程中利用海康或者大华摄像头。

from flask import Flask, render_template, Response
import cv2from models.experimental import attempt_load
from utils.general import set_logging, check_img_size
from utils.torch_utils import select_deviceapp = Flask(__name__)from camera_ready import detectclass VideoCamera(object):def __init__(self):# 通过opencv获取实时视频流（海康摄像头）self.count = 0self.video = cv2.VideoCapture("rtsp://admin:Tc246800@ya.tenchan.cn:61554/Streaming/Channels/102")# 大华摄像头# self.video = cv2.VideoCapture("rtsp://%s:%s@%s/cam/realmonitor?channel=%d&subtype=0" % (user, pwd, ip, channel))self.weights, imgsz = 'best.pt', 640set_logging()self.device = select_device('')self.half = self.device.type != 'cpu'  # half precision only supported on CUDAself.model = attempt_load(self.weights, map_location=self.device)  # load FP32 modelself.stride = int(self.model.stride.max())  # model strideself.imgsz = check_img_size(imgsz, s=self.stride)  # check img_sizeif self.half:self.model.half()  # to FP16def __del__(self):self.video.release()def get_frame(self):for i in range(1):success, image = self.video.read()image = detect(source=image, half=self.half, model=self.model, device=self.device, imgsz=self.imgsz,stride=self.stride)ret, jpeg = cv2.imencode('.jpg', image)return jpeg.tobytes()@app.route('/xyhaw')
def xyhaw():return render_template('index.html')def gen(camera):while True:frame = camera.get_frame()yield (b'--frame\r\n'b'Content-Type: image/jpeg\r\n\r\n' + frame + b'\r\n')@app.route('/video_feed')
def video_feed():return Response(gen(VideoCamera()),mimetype='multipart/x-mixed-replace; boundary=frame')if __name__ == '__main__':app.run(host='0.0.0.0', debug=True)

前端简单页面：index.html

<!DOCTYPE html>
<html>
<head><title>安全帽检测</title><style>body {font-family: Arial, sans-serif;text-align: center;margin: 0;padding: 0;}.header {background-color: #4CAF50;color: white;padding: 15px;}.video-container {margin-top: 20px;}img {border: 1px solid #ddd;border-radius: 4px;padding: 5px;}</style>
</head>
<body><div class="header"><h1>安全帽RTSP视频流实时目标检测</h1></div><div class="video-container"><img src="{{ url_for('video_feed') }}" width="640" height="480"></div>
</body>
</html>