基于 YOLOv12 预训练模型训练特殊场景的目标检测模型

Ultralytics ? AGPL-3.0 License - https://ultralytics.com/license

违规场景识别

目标分类与标准

Classes

names:
0: rised # 车翻斗升起来，truck_bed_rised
1: lowed # 车翻斗降下来
2: rope_miss # 车头没有挂安全绳
3: rope # 车头有挂安全绳
4: person # 普通行人
5: helmet_person # 佩戴安全帽的人
6: no_helmet_person # 未佩戴安全帽的人
7: truck # 卡车（收运车）
8: person_in_cabin # 人在驾驶舱

优化后的：

Classes (YOLOv12 格式)

names:
0: truck # 卡车，标注整车轮廓，辅助区域分析
1: truck_bed_rised # 翻斗升起，标注翻斗升起部分，判断是否进入卸料状态
2: truck_bed_lowed # 车斗未升起（负样本），可选
3: safety_rope # 挂了安全绳（目标存在即表示“已挂”）
4: helmet # 佩戴安全帽的人（需要标注头部+安全帽）
5: head # 头，未佩戴安全帽的人
6: person # 普通行人（人的区域，人体）
7: person_in_cabin # 驾驶舱中有人

注意：对于驾驶舱的司机，为了防止误判为没戴安全帽，标注驾驶舱中人时只标 person_in_cabin，不要标注为 no_helmet_person，这样模型就不会学到“驾驶舱中未戴帽也属于违规”的错误逻辑。

多目标判断

1、基于空间距离进行“车头绑定”判断

假设画面中 rope 位置靠近车头，那么可以通过计算 rope 与每个 truck 的相对位置（如最近的前方区域）来判断它属于哪一辆卡车。

2、通过目标跟踪来判断

相关文章：
COCO数据集
使用YOLOv8训练自己的【目标检测】数据集-【收集数据集】-【标注数据集】-【划分数据集】-【配置训练环境】-【训练模型】-【评估模型】-【导出模型】

为者常成，行者常至