基于 YOLOv8的電動車頭盔佩戴檢測方法

摘要：在城市交通中，時常出現由于電動車騎行者未佩戴頭盔引發的安全事故。佩戴頭盔可以有效地避免或降低安全事故帶來的損害。為了解決這一問題，提出了一種基于YOLOv8的電動車頭盔佩戴檢測方法。首先采集數據并對數據集進行手工標注，然后將標注好的數據集分別通過YOLOv8模型的4種模型進行訓練，即YOLOv8n、YOLOv8s、YOLOv8m和YOLOv8l模型，從而得到最適合檢測電動車頭盔佩戴的模型。實驗結果表明，相較于其他三種模型，YOLOv8m模型更適用于電動車頭盔佩戴檢測。

關鍵詞：YOLOv8；YOLOv8m模型；城市交通；目標檢測；電動車頭盔佩戴檢測

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2024）23-0014-03

開放科學（資源服務）標識碼（OSID）

0 引言

隨著經濟社會的快速發展，機動車的保有量急劇增加，城市交通擁堵現象越發嚴重。電動自行車以其輕便、速度快、節能等優點成為人們短距離出行的主要方式[1]。據工業和信息化部消息，我國的電動自行車社會保有量已達3.5億輛[2]。與此同時，由電動車違規騎行引起的交通事故也在增加，其中電動車騎行者不佩戴頭盔的現象尤為突出。據統計，電動車駕駛者死亡事故中約有80%為腦顱損傷致死，而死亡者大多數并未佩戴頭盔。若電動車騎行人員正確佩戴頭盔，能夠將由此造成的交通事故死亡風險降低60%～70%，這對保護電動車騎行者的生命安全有著至關重要的作用。

隨著2020年4月“一盔一帶”安全守護行動在全國各地的開展，已經有許多國內學者對電動車頭盔佩戴檢測展開了研究[3]。電動車頭盔佩戴檢測屬于目標檢測中的一種。目標檢測算法主要分為傳統目標檢測算法和基于深度學習的目標檢測算法。當下應用較為廣泛的是基于深度學習的目標檢測算法，其分為One-Stage算法和Two-Stage算法。One-Stage算法（如YOLO[4]、SSD[5]） 有著更快的檢測速度，而Two-Stage算法（如Fast R-CNN[6]） 則有著更高的檢測精度。由于目前的電動車頭盔佩戴檢測對實時性有著較高的要求，因此較多學者選擇了檢測速度較快的YOLO算法，并在原模型基礎上提出了各自的改進算法，提高了檢測效率。例如，吳冬梅等提出了基于改進YOLOv4算法的電動車駕駛人員頭盔佩戴檢測方法，將數據集利用K-means算法進行聚類，在CSPDarknet53主干特征提取網絡的輸出層增加卷積層，并在PANet網絡部分增加SPP空間池化金字塔，以增加感受野，從而提高對電動車駕駛員是否佩戴頭盔的檢測能力[7]；王艷鵬等利用數據增強方法擴充數據集，再將主干網絡CSPDarknet中普通卷積改為深度可分離卷積，然后運用K-means++聚類算法對網絡anchors進行重新設置，最終改進后的YOLOv4網絡的平均精度均值（mAP） 提高了2.75%[8]；朱碩等利用改進的YOLOv5神經網絡進行訓練，獲得最優權重參數，使得改進后的YOLOv5算法對于頭盔的檢測精度達到98%，比原始神經網絡的識別準確度提高了1%～2%[9]；朱周華等引入卷積塊注意力模塊和協調注意力模塊，采用改進的非極大值抑制（NMS） ，增加多尺度特征融合檢測，并結合密集連接網絡改善特征提取效果，建立了基于改進YOLOv5s的電動車駕駛人頭盔檢測系統[10]。

1 YOLOv8 算法

YOLOv8是Ultralytics公司在2023年1月10日開源的YOLO系列的新算法，目前支持圖像分類、物體檢測和實例分割任務，并基于縮放系數提供了五種尺度算法以滿足不同場景需求。YOLOv8系列包含5個模型，從小到大分別是YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l和YOLOv8x。其中，YOLOv8 Nano（YOLOv8n） 是最小且速度最快的模型，而YOLOv8 Extra Large（YOLOv8x） 則是最準確但速度較慢的模型。

YOLOv8由于采用了新的骨干網絡、檢測頭和損失函數，并且可以在包括CPU和GPU的多種硬件平臺上運行。因此，相比其他版本，YOLOv8在速度、準確度、硬件支持等方面都得到了提高。這些優勢使其成為了目前目標檢測、圖像分割等任務中最流行、最成功的模型算法之一。YOLOv8網絡結構主要包括Backbone骨干網絡、Neck頸部結構和Head頭部結構三部分，如圖1所示[11]。

1） Backbone：骨干網絡實現特征提取。該部分將YOLOv5的C3模塊替換為梯度流更豐富的C2f模塊，并對不同尺度模型調整了不同的通道數。與YOLOv5的C3模塊相比，C2f模塊具有更少的參數量和更優秀的特征提取能力。

2） Neck：頸部結構實現特征融合。該部分通過多尺度特征融合，將來自Backbone骨干網絡的不同階段的特征圖進行融合，以增強特征表示能力。YOLOv8的Neck部分包括一個SPPF模塊、一個PAA模塊和兩個PAN模塊。

3） Head：頭部結構實現檢測信息輸出。該部分負責最終的目標檢測和分類任務。使用的是當前主流的解耦頭結構，將檢測頭和分類頭進行分離，并將Anchor-Based換成了Anchor-Free檢測頭。Anchor-Free檢測頭生成目標檢測結果，而分類頭則采用全局平均池化來對每個特征圖進行分類。

2 實驗與結果分析

2.1 實驗平臺

為驗證本文方法的有效性，本文搭建了相關實驗平臺，使用Win10專業版作為操作系統，PyTorch作為深度學習框架對模型進行訓練和測試，具體實驗環境配置如表1所示。

2.2 數據集收集

本文采用百度飛槳公開數據、網絡爬取數據和實地拍攝數據三種方式相結合制作了數據集。手工去掉不合格的圖像，比如自行車騎行、摩托車騎行等干擾圖像。最后得到的電動車騎行圖像共868張，包括電動車佩戴頭盔圖像（556張）和電動車未佩戴頭盔圖像（312張），如圖2所示。

2.3 數據標注

使用Labelmg軟件對數據進行標注。標注的數據分為2個類別，佩戴頭盔標為WithHelmet類，未佩戴頭盔標為WithoutHelmet類。標注完畢后，該軟件會自動生成XML文件，便于訓練使用。

2.4 評價指標

本文通過精確率P（Precision） 、召回率R（Recall） 、平均精度均值mAP（mean Average Precision） 來衡量YOLOv8模型對電動車頭盔佩戴情況的檢測效果。平均精度均值mAP是通過將檢測電動車頭盔佩戴的AP求平均值而得到。其中AP（Average Precision） 是對PR曲線求積分，即以精確率P和召回率R所圍成的曲線的面積值。精確率P指分類器判定是正類并且是真正類的部分占所有分類器判定是正類的比例。召回率R指是正類并且確實是正類的部分占所有確實是正類的比例。平均精度均值mAP能夠反映電動車頭盔的平均檢測水平，mAP值越大，檢測效果越好。

2.5 實驗結果分析

實驗結果主要是對算法訓練的性能參數做出整理，根據實驗結果對算法的優劣性說明，對實驗數據和實際檢測效果進行分析。在相同配置環境下進行各實驗，經訓練后對各算法生成的權值文件進行測試。筆者將YOLOv8的前四種模型用于檢測電動車佩戴頭盔，分別是YOLOv8n、YOLOv8s、YOLOv8m和YOLOv8l，實驗結果如表2所示。

分析表2可知，YOLOv8的四種模型中，YOLOv8m的mAP最高，因此可以得出，YOLOv8m是YOLOv8系列最適合用于電動車頭盔檢測的算法。

3 結束語

針對電動車騎乘人員不佩戴頭盔等違法交通問題，本文提出基于YOLOv8的電動車佩戴頭盔檢測方法。實驗表明，YOLOv8模型中的YOLOv8n、YOLOv8s、YOLOv8m和YOLOv8l模型中，YOLOv8m的檢測平均精度均值mAP最高，適用于電動車頭盔檢測。由于距離、光照、天氣、遮擋等原因，YOLOv8m算法在密集場景或者天氣復雜的情況下檢測精度還有很大的提升空間，在后續的工作中將對此進行進一步的深入研究。

參考文獻：

[1] 市場規模近千億 電動兩輪車行業大起底[N].國際金融報，2021-07-12（12）.

[2] 中華人民共和國工業和信息化部. 加強電動自行車行業規范管理 推動實現高質量發展[EB/OL]. [2024-03-10]. https：//www.miit.gov.cn/xwdt/gxdt/sjdt/art/2024/art_2b7a188027d24d39bb064a876e9a2495.html.

[3] 李穎.“一盔一帶” 嚴格執行電動車頭盔成熱購[J].中國質量萬里行，2020（6）：94-95.

[4] 莊建軍，葉振興.基于改進YOLOv5m的電動車騎行者頭盔與車牌檢測方法[J].南京信息工程大學學報，2024，16（1）：1-10.

[5] 王新，馮藝楠.基于改進SSD的騎行人員佩戴頭盔檢測[J].電子測量技術，2022，45（21）：90-97.

[6] 李強，趙峰，李博強，等.改進的Faster R-CNN算法及其在電力作業安全穿戴檢測中的應用[J].武漢大學學報（工學版），2024，57（4）：462-469.

[7] 吳冬梅，尹以鵬，宋婉瑩，等.改進YOLO v4算法的電動車駕駛員頭盔佩戴檢測[J].計算機仿真，2023，40（3）：508-513.

[8] 王艷鵬，王振亞，趙繼紅，等.基于輕量化YOLOv4電動車頭盔檢測的算法[J].自動化應用，2022（6）：8-12.

[9] 朱碩，黃劍翔，汪宗洋，等.基于深度學習的非機動車頭盔佩戴檢測方法研究[J].電子測量技術，2022，45（22）：120-127.

[10] 朱周華，齊琦.基于改進YOLOv5s電動車頭盔的自動檢測與識別[J].計算機應用，2023，43（4）：1291-1296.

[11] 張瀟藝，楊勝龍.基于YOLOv8的民用船舶影像分類方法研究[J].工業控制計算機，2024，37（4）：72-73，76.

【通聯編輯：唐一東】