摘要在工业、医疗及实验室等高风险作业环境中未按规定佩戴安全手套是导致手部伤害事故的主要诱因。为实现对安全手套佩戴状态的自动化、实时监控本文基于YOLO26目标检测算法构建了一套安全手套佩戴识别系统。系统能够同时检测“戴手套”Gloves与“未戴手套”NO-Gloves两种状态。实验采用包含7,086张训练图像、676张验证图像及335张测试图像的私有数据集进行模型训练与评估。最终模型在验证集上取得了0.937的mAP50整体精度为0.878召回率为0.899推理速度达到2.8ms/张。结果表明该模型在检测精度与实时性方面均表现优异具备在真实工业场景中部署的潜力。引言随着工业自动化和安全生产标准的不断提高作业人员个人防护装备的佩戴监管已成为企业安全管理的重要环节。安全手套作为防止手部割伤、烫伤、化学腐蚀及电击伤害的核心防护装备其正确佩戴与否直接关系到作业人员的人身安全。传统的人工巡检方式存在效率低、覆盖范围有限、易疲劳等问题难以满足现代化工厂连续、实时的安全监控需求。近年来基于深度学习的目标检测技术尤其是YOLO系列算法因其实时性与高精度优势被广泛应用于人员防护装备检测任务中如安全帽、反光衣、口罩等。然而针对安全手套佩戴状态的检测研究相对较少主要原因在于手套目标尺度小、手部姿态多变、光照条件复杂以及手套与肤色之间的视觉相似性等挑战。为此本文设计并实现了一套基于YOLO的安全手套佩戴识别检测系统。系统以YOLO26进结构为骨干网络针对两类目标——“戴手套”与“未戴手套”——进行端到端的训练与优化。本文的主要贡献包括构建了一个大规模、带精确标注的安全手套佩戴图像数据集系统分析了模型在不同类别上的检测表现及典型错误模式并通过混淆矩阵、精确率-召回率曲线等指标对模型性能进行了全面评估。最终该系统能够在保证高检测精度的同时满足实时处理需求为工业安全智能化管理提供了可行的技术方案。目录摘要详细功能展示视频功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块引言背景数据集介绍数据构成类别定义训练结果总体评价模型表现优秀已具备实用价值​编辑类别表现分析​编辑​编辑关键问题混淆矩阵分析​编辑​编辑归一化混淆矩阵显示训练曲线分析results.png​编辑F1 精度-置信度曲线​编辑Ultralytics YOLO26概述主要功能常用标注工具详细功能展示视频功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅参数实时调节置信度和IoU阈值✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查背景在现代工业生产、建筑施工、医疗护理以及化学实验等作业环境中手部是最容易受伤的部位之一。根据美国职业安全与健康管理局的统计在所有工伤事故中手部伤害约占30%以上其中相当一部分是由于作业人员未按规定佩戴安全手套所致。安全手套作为个体防护装备的重要组成部分能够有效隔离机械切割、尖锐物体刺穿、高温灼烫、低温冻伤、化学品腐蚀以及电击等风险源。然而在实际作业过程中由于手套佩戴舒适性差、操作不便、监管缺失等原因作业人员往往存在侥幸心理不佩戴或不正确佩戴安全手套的现象屡禁不止。传统的手套佩戴监管方式主要依赖安全员现场巡查或视频监控人工抽查。这种模式存在明显的局限性首先人工巡检具有间歇性无法实现24小时连续监控其次大型工厂或复杂作业区域覆盖点位众多依靠有限的安全管理人员难以全面覆盖第三长时间监控容易导致视觉疲劳和注意力下降造成漏检或误判最后人工监管缺乏数据记录与追溯能力难以形成闭环的安全管理流程。因此迫切需要一种自动化、智能化的检测手段来替代或辅助人工巡检。数据集介绍数据构成数据集整体划分为三个子集训练集7,086 张图像验证集676 张图像测试集335 张图像验证集在训练过程中用于模型选择与超参数调整测试集用于最终性能评估。所有图像均保持原始分辨率未进行下采样压缩以保留手部与手套的细节特征。类别定义数据集包含两类目标类别名称及对应标签如下类别索引类别名称含义0Gloves正确佩戴安全手套1NO-Gloves未佩戴安全手套训练结果总体评价模型表现优秀已具备实用价值mAP50 0.937总体平均精度说明模型在检测“戴手套”和“未戴手套”两类目标时准确率和召回率平衡得很好。Box Precision 0.878Box Recall 0.899说明模型漏检和误检都控制在较低水平。模型参数量仅9.46M推理速度2.8ms/张适合实时检测场景。类别表现分析类别精度 P召回率 RmAP50样本数戴手套0.8720.9090.947858未戴手套0.8840.8890.9261258戴手套检测效果更好mAP50 0.947说明特征更稳定。未戴手套召回率略低0.889说明部分未戴手套的手部被漏检可能与手部姿态、遮挡或光照有关。关键问题混淆矩阵分析归一化混淆矩阵显示戴手套识别正确率93%未戴手套识别正确率60%训练曲线分析results.png从训练过程看box_loss / cls_loss稳定下降无过拟合迹象precision / recall / mAP50上升趋势良好mAP50-95约 0.48说明模型在更严格的 IoU 阈值下仍有不错表现F1 精度-置信度曲线最佳 F1 值 0.89对应置信度阈值约 0.375精度在置信度 0.89 以上可达 1.0说明高置信度预测非常可靠Ultralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集​成残差对数似然估计​(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码详细功能展示视频