拓冰网站定制 
简介这份资源是面向计算机类毕业设计与课程作业的深度学习实战项目聚焦电力作业场景下基于YOLOv4算法的安全帽佩戴检测帮助学习者掌握目标检测从数据处理到模型部署的完整链路。压缩包共60个文件约50.86MB以Python脚本为主体配合YAML网络与数据配置、JPG/PNG样例图片、PT权重文件及JSON标注数据另含Shell下载脚本与Markdown说明文档覆盖数据预处理、模型训练、评估与结果可视化各阶段。目录中提供区域检测脚本、自定义数据集配置、锚框生成工具与多组预测输出图便于对照理解检测框效果与训练流程。目前已有89人学习适合具备一定Python与深度学习基础、需要完成毕设或课程实践的学生参考可借此熟悉YOLOv4网络结构、权重加载与推理部署并在此基础上迁移到其他安全检测任务。1. 电力工地安全帽检测YOLOv4 这条老路为什么还值得走电力施工现场的安全帽检测是深度学习落地里少有的「需求明确、数据可控、指标好量化」的场景。一个摄像头对着作业区算法要回答的问题只有一个画面里有没有人没戴安全帽。听起来简单但真到工地上逆光、遮挡、安全帽颜色和背景撞色、小目标密集都会让模型翻车。这个标题里的 YOLOv4 方案本质是给毕设和课程作业提供一条能跑通、能改、能写进论文的完整链路数据标注、模型训练、指标评估、推理部署。它适合两类人一类是要交作业但不想只调库的学生另一类是刚接手工地视觉项目、需要快速验证可行性的工程师。YOLOv4 不是最新但它的结构清晰、权重成熟、社区资料厚作为入门和基线性价比依然很高。2. YOLOv4 做安全帽检测结构选型与数据准备2.1 为什么在安全帽场景里选 YOLOv4 而不是更新的模型安全帽检测属于单阶段目标检测的典型任务要求实时性和召回率兼顾。YOLOv4 在 CSPDarknet53 主干上加了 SPP 和 PANet对小目标和遮挡场景的召回比 YOLOv3 稳不少。电力工地里安全帽目标通常只占画面几十个像素PANet 的多尺度融合能明显减少漏检。相比 YOLOv5/v8YOLOv4 的配置文件是纯文本 cfg改结构、改 anchor、改类别数都直观写毕设时更容易讲清楚每一层在干什么。另一个现实原因是很多学校实验室的显卡还是 1080Ti 或 2080YOLOv4 在 416×416 输入下能跑到 30 FPS 以上训练也吃得消。选它不是因为最强而是因为可控、可解释、可复现。2.2 安全帽数据集怎么标类别定义与标注规范电力场景的安全帽检测类别不要只分「戴」和「没戴」。实际标注时建议分三类helmet戴安全帽、head没戴安全帽的头部、person人体。person 类用来辅助定位减少把背景误判成头的情况。标注用 LabelImg 或 CVAT输出 YOLO 格式的 txt每行是class_id x_center y_center width height全部归一化到 0~1。标注时注意三点第一安全帽被遮挡超过一半的标 head 不标 helmet第二远处小于 15×15 像素的目标如果人眼都难分辨直接忽略不要硬标第三逆光下安全帽轮廓还在的正常标不要因为颜色暗就跳过。数据集按 8:1:1 划分训练、验证、测试电力场景的验证集要包含至少两个不同光照时段的片段。2.3 用 darknet 跑通安全帽训练的最小命令YOLOv4 官方实现是 darknet编译和训练命令如下。先准备obj.data、obj.names、train.txt、val.txt然后改yolov4-custom.cfg。# 编译 darknet开启 GPU 和 OpenCV git clone https://github.com/AlexeyAB/darknet cd darknet # 修改 MakefileGPU1, CUDNN1, CUDNN_HALF1, OPENCV1 make -j8 # 下载预训练权重 wget https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.conv.137 # 开始训练安全帽检测模型 ./darknet detector train data/obj.data cfg/yolov4-custom.cfg yolov4.conv.137 -map逻辑说明detector train是 darknet 的训练入口-map让每轮在验证集上算 mAP方便早停。参数说明obj.data里classes3、train和valid指向 txt 列表、names指向类别名文件。yolov4-custom.cfg里要改三处classes3每个 yolo 层前的filters(classes5)*324以及max_batches建议设为classes*20006000steps设为4800,5400。学习率初始 0.001如果 loss 震荡就降到 0.0005。训练日志里重点看avg loss和mAP0.5安全帽场景 mAP 到 0.85 以上基本可用。2.4 anchor 聚类用自己数据重新算一遍YOLOv4 默认 anchor 是 COCO 的安全帽目标偏小直接套用会漏检。用 darknet 自带的 k-means 重新聚类./darknet detector calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416输出 9 组 anchor按面积从小到大填回 cfg 的三个 yolo 层。逻辑说明calc_anchors会读取标注框的宽高做 IoU 距离的 k-means。参数说明-num_of_clusters 9对应三个尺度各 3 个 anchor-width/-height要和训练输入一致。聚类后如果小 anchor 还是偏大可以把输入改成 608×608但显存占用会翻倍1080Ti 上 batch 要降到 8 以下。3. 训练调参与评估让 mAP 真正反映工地表现3.1 学习率、batch 和显存的三角关系安全帽检测训练最容易翻车的地方是显存爆了或者 batch 太小导致 BN 层不稳定。YOLOv4 在 416×416 下1080Ti 11G 显存batch64、subdivisions16是稳的实际每次前向 4 张图。如果换成 608×608subdivisions要提到 32 甚至 64。学习率用burn_in1000预热前 1000 轮从 0 线性升到初始值能明显减少早期 loss 爆炸。如果训练到 2000 轮 mAP 还不动先别加轮数检查标注里有没有大量空 txt 或者类别 id 写错。血泪经验是标注文件里多一个空格都会让 darknet 静默跳过那张图训练集实际变小mAP 自然上不去。3.2 用 mAP 和 PR 曲线判断模型能不能上工地darknet 训练时输出的 mAP 是 IoU0.5 的平均精度但工地验收往往看漏检率。训练完用./darknet detector map跑测试集重点看三类指标helmet 的 AP、head 的 AP、以及 helmet 和 head 之间的混淆。如果 head 的 AP 高但 helmet 低说明模型把很多戴帽子的也判成没戴误报多反过来则是漏报多。PR 曲线在results/目录下看 recall 0.8 时 precision 有没有掉到 0.7 以下。电力场景建议 recall 优先因为漏掉一个没戴安全帽的人比误报几次代价大得多。可以调低obj.cfg里 yolo 层的confidence阈值到 0.3用更多候选框换召回。3.3 数据增强mosaic 和 cutmix 在安全帽场景的边界YOLOv4 默认开了 mosaic四张图拼一张对小目标友好。但安全帽场景里mosaic 会把不同光照的图拼在一起模型可能学到「左上角偏暗就是没戴帽」这种伪特征。建议在 cfg 的[yolo]层前保留 mosaic但把cutmix0关掉因为 cutmix 的遮挡在安全帽上容易把帽子切掉一半标 head 还是 helmet 会歧义。另外saturation和exposure别开太大电力工地本身色彩就偏灰过度增强会让安全帽的黄色和橙色失真。我一般把saturation1.2、exposure1.2、hue0.05作为上限。4. 避坑与排查安全帽检测训练里最常见的 5 个翻车点4.1 现象训练 loss 一直不降mAP 为 0原因最常见的是obj.data里names文件路径写错或者train.txt里的图片路径是相对路径但 darknet 工作目录不对。另一个原因是 cfg 里classes改了但filters没改导致输出维度对不上darknet 不报错但学不到东西。解决先用./darknet detector test加载预训练权重跑一张图确认能出框再检查filters(classes5)*3是否算对最后把train.txt里路径全部改成绝对路径。4.2 现象模型把安全帽和黄色背景混淆原因电力工地有黄色护栏、黄色警示牌和黄色安全帽颜色接近。标注时如果只标了 helmet 没标 person模型会靠颜色而不是形状判断。解决在数据集里补 person 类并且加入负样本——只有黄色护栏没有人的图标注为空 txt。训练时[yolo]层的ignore_thresh0.7可以适当降到 0.5让模型对背景更敏感。4.3 现象推理时框重叠严重一个人出好几个框原因NMS 阈值默认 0.45安全帽目标小相邻框 IoU 容易超过阈值但其实是同一个目标。解决在detector test命令后加-thresh 0.25并在 cfg 里把nms_kindgreedynms改成nms_kinddiounmsdiou-nms 对小目标重叠更友好。如果还不行把[yolo]层的jitter0.3关掉jitter 会让框位置抖动NMS 更难收敛。4.4 现象验证集 mAP 高但实际视频里漏检多原因验证集和训练集来自同一段视频时间上相邻模型过拟合了背景。解决划分数据集时按视频片段分不要按帧随机分。比如 10 段视频8 段训练1 段验证1 段测试。另外测试时用./darknet detector demo跑一段没参与训练的工地视频看连续帧的漏检情况比单帧 mAP 更真实。4.5 现象训练到一半显存溢出程序被杀原因darknet 在subdivisions较小时如果某张图的目标数特别多显存峰值会超。安全帽场景里一张图几十个人的情况不少见。解决把subdivisions翻倍batch不变相当于每次前向图片数减半。或者开random1让输入尺寸在 320~608 之间随机平均显存会降。如果还不行换 416×416 固定输入别用 608。5. 从 darknet 权重到可演示的检测脚本进阶技巧与验证习惯训练完的yolov4-custom_final.weights要变成能演示的东西最直接的是用 darknet 的 Python 接口或者 OpenCV dnn 模块。OpenCV dnn 加载 darknet 权重不需要编译 darknet适合放在毕设演示系统里。下面这段代码把权重和 cfg 读进来对视频逐帧推理并画框。import cv2 import numpy as np # 加载 YOLOv4 安全帽模型 net cv2.dnn.readNetFromDarknet(cfg/yolov4-custom.cfg, yolov4-custom_final.weights) net.setPreferableBackend(cv2.dnn.DNN_BACKEND_CUDA) net.setPreferableTarget(cv2.dnn.DNN_TARGET_CUDA) layer_names net.getLayerNames() out_layers [layer_names[i - 1] for i in net.getUnconnectedOutLayers()] def detect(frame): h, w frame.shape[:2] blob cv2.dnn.blobFromImage(frame, 1/255.0, (416, 416), swapRBTrue, cropFalse) net.setInput(blob) outs net.forward(out_layers) boxes, confs, class_ids [], [], [] for out in outs: for det in out: scores det[5:] class_id np.argmax(scores) conf scores[class_id] if conf 0.3: # 安全帽场景召回优先阈值放低 cx, cy, bw, bh (det[:4] * [w, h, w, h]).astype(int) x, y int(cx - bw/2), int(cy - bh/2) boxes.append([x, y, int(bw), int(bh)]) confs.append(float(conf)) class_ids.append(class_id) idxs cv2.dnn.NMSBoxes(boxes, confs, 0.3, 0.4) if len(idxs) 0: for i in idxs.flatten(): x, y, bw, bh boxes[i] label f{classes[class_ids[i]]}: {confs[i]:.2f} cv2.rectangle(frame, (x, y), (xbw, ybh), (0, 255, 0), 2) cv2.putText(frame, label, (x, y-5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) return frame逻辑说明blobFromImage把帧缩到 416×416swapRBTrue因为 OpenCV 读进来是 BGRdarknet 训练时是 RGB。out_layers取三个 yolo 层的输出。参数说明conf 0.3是置信度阈值比训练时的 0.25 略高减少误报NMSBoxes的nms_threshold0.4比默认 0.45 低一点因为安全帽小框多。classes列表按obj.names顺序写比如[helmet, head, person]。验证习惯上我一般会做两件事。第一用同一段视频分别跑 darknet 原版和 OpenCV dnn 版对比框的位置和数量如果差太多说明预处理或输出层解析有问题。第二把测试集里 mAP 最低的 10 张图单独拿出来看通常能发现标注错误或者极端光照样本。毕设答辩时评委最爱问「你这个模型在晚上怎么办」提前准备一段夜间视频的检测结果比任何解释都管用。这个方向值不值得做如果你要的是能写进论文、能演示、能继续加功能比如加反光衣检测的基线YOLOv4 安全帽检测依然是稳的选择。希望帮到你。本文还有配套的精品资源点击获取 电力工地安全帽检测实战：YOLOv4从训练到部署全流程
简介这份资源是面向计算机类毕业设计与课程作业的深度学习实战项目聚焦电力作业场景下基于YOLOv4算法的安全帽佩戴检测帮助学习者掌握目标检测从数据处理到模型部署的完整链路。压缩包共60个文件约50.86MB以Python脚本为主体配合YAML网络与数据配置、JPG/PNG样例图片、PT权重文件及JSON标注数据另含Shell下载脚本与Markdown说明文档覆盖数据预处理、模型训练、评估与结果可视化各阶段。目录中提供区域检测脚本、自定义数据集配置、锚框生成工具与多组预测输出图便于对照理解检测框效果与训练流程。目前已有89人学习适合具备一定Python与深度学习基础、需要完成毕设或课程实践的学生参考可借此熟悉YOLOv4网络结构、权重加载与推理部署并在此基础上迁移到其他安全检测任务。1. 电力工地安全帽检测YOLOv4 这条老路为什么还值得走电力施工现场的安全帽检测是深度学习落地里少有的「需求明确、数据可控、指标好量化」的场景。一个摄像头对着作业区算法要回答的问题只有一个画面里有没有人没戴安全帽。听起来简单但真到工地上逆光、遮挡、安全帽颜色和背景撞色、小目标密集都会让模型翻车。这个标题里的 YOLOv4 方案本质是给毕设和课程作业提供一条能跑通、能改、能写进论文的完整链路数据标注、模型训练、指标评估、推理部署。它适合两类人一类是要交作业但不想只调库的学生另一类是刚接手工地视觉项目、需要快速验证可行性的工程师。YOLOv4 不是最新但它的结构清晰、权重成熟、社区资料厚作为入门和基线性价比依然很高。2. YOLOv4 做安全帽检测结构选型与数据准备2.1 为什么在安全帽场景里选 YOLOv4 而不是更新的模型安全帽检测属于单阶段目标检测的典型任务要求实时性和召回率兼顾。YOLOv4 在 CSPDarknet53 主干上加了 SPP 和 PANet对小目标和遮挡场景的召回比 YOLOv3 稳不少。电力工地里安全帽目标通常只占画面几十个像素PANet 的多尺度融合能明显减少漏检。相比 YOLOv5/v8YOLOv4 的配置文件是纯文本 cfg改结构、改 anchor、改类别数都直观写毕设时更容易讲清楚每一层在干什么。另一个现实原因是很多学校实验室的显卡还是 1080Ti 或 2080YOLOv4 在 416×416 输入下能跑到 30 FPS 以上训练也吃得消。选它不是因为最强而是因为可控、可解释、可复现。2.2 安全帽数据集怎么标类别定义与标注规范电力场景的安全帽检测类别不要只分「戴」和「没戴」。实际标注时建议分三类helmet戴安全帽、head没戴安全帽的头部、person人体。person 类用来辅助定位减少把背景误判成头的情况。标注用 LabelImg 或 CVAT输出 YOLO 格式的 txt每行是class_id x_center y_center width height全部归一化到 0~1。标注时注意三点第一安全帽被遮挡超过一半的标 head 不标 helmet第二远处小于 15×15 像素的目标如果人眼都难分辨直接忽略不要硬标第三逆光下安全帽轮廓还在的正常标不要因为颜色暗就跳过。数据集按 8:1:1 划分训练、验证、测试电力场景的验证集要包含至少两个不同光照时段的片段。2.3 用 darknet 跑通安全帽训练的最小命令YOLOv4 官方实现是 darknet编译和训练命令如下。先准备obj.data、obj.names、train.txt、val.txt然后改yolov4-custom.cfg。# 编译 darknet开启 GPU 和 OpenCV git clone https://github.com/AlexeyAB/darknet cd darknet # 修改 MakefileGPU1, CUDNN1, CUDNN_HALF1, OPENCV1 make -j8 # 下载预训练权重 wget https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.conv.137 # 开始训练安全帽检测模型 ./darknet detector train data/obj.data cfg/yolov4-custom.cfg yolov4.conv.137 -map逻辑说明detector train是 darknet 的训练入口-map让每轮在验证集上算 mAP方便早停。参数说明obj.data里classes3、train和valid指向 txt 列表、names指向类别名文件。yolov4-custom.cfg里要改三处classes3每个 yolo 层前的filters(classes5)*324以及max_batches建议设为classes*20006000steps设为4800,5400。学习率初始 0.001如果 loss 震荡就降到 0.0005。训练日志里重点看avg loss和mAP0.5安全帽场景 mAP 到 0.85 以上基本可用。2.4 anchor 聚类用自己数据重新算一遍YOLOv4 默认 anchor 是 COCO 的安全帽目标偏小直接套用会漏检。用 darknet 自带的 k-means 重新聚类./darknet detector calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416输出 9 组 anchor按面积从小到大填回 cfg 的三个 yolo 层。逻辑说明calc_anchors会读取标注框的宽高做 IoU 距离的 k-means。参数说明-num_of_clusters 9对应三个尺度各 3 个 anchor-width/-height要和训练输入一致。聚类后如果小 anchor 还是偏大可以把输入改成 608×608但显存占用会翻倍1080Ti 上 batch 要降到 8 以下。3. 训练调参与评估让 mAP 真正反映工地表现3.1 学习率、batch 和显存的三角关系安全帽检测训练最容易翻车的地方是显存爆了或者 batch 太小导致 BN 层不稳定。YOLOv4 在 416×416 下1080Ti 11G 显存batch64、subdivisions16是稳的实际每次前向 4 张图。如果换成 608×608subdivisions要提到 32 甚至 64。学习率用burn_in1000预热前 1000 轮从 0 线性升到初始值能明显减少早期 loss 爆炸。如果训练到 2000 轮 mAP 还不动先别加轮数检查标注里有没有大量空 txt 或者类别 id 写错。血泪经验是标注文件里多一个空格都会让 darknet 静默跳过那张图训练集实际变小mAP 自然上不去。3.2 用 mAP 和 PR 曲线判断模型能不能上工地darknet 训练时输出的 mAP 是 IoU0.5 的平均精度但工地验收往往看漏检率。训练完用./darknet detector map跑测试集重点看三类指标helmet 的 AP、head 的 AP、以及 helmet 和 head 之间的混淆。如果 head 的 AP 高但 helmet 低说明模型把很多戴帽子的也判成没戴误报多反过来则是漏报多。PR 曲线在results/目录下看 recall 0.8 时 precision 有没有掉到 0.7 以下。电力场景建议 recall 优先因为漏掉一个没戴安全帽的人比误报几次代价大得多。可以调低obj.cfg里 yolo 层的confidence阈值到 0.3用更多候选框换召回。3.3 数据增强mosaic 和 cutmix 在安全帽场景的边界YOLOv4 默认开了 mosaic四张图拼一张对小目标友好。但安全帽场景里mosaic 会把不同光照的图拼在一起模型可能学到「左上角偏暗就是没戴帽」这种伪特征。建议在 cfg 的[yolo]层前保留 mosaic但把cutmix0关掉因为 cutmix 的遮挡在安全帽上容易把帽子切掉一半标 head 还是 helmet 会歧义。另外saturation和exposure别开太大电力工地本身色彩就偏灰过度增强会让安全帽的黄色和橙色失真。我一般把saturation1.2、exposure1.2、hue0.05作为上限。4. 避坑与排查安全帽检测训练里最常见的 5 个翻车点4.1 现象训练 loss 一直不降mAP 为 0原因最常见的是obj.data里names文件路径写错或者train.txt里的图片路径是相对路径但 darknet 工作目录不对。另一个原因是 cfg 里classes改了但filters没改导致输出维度对不上darknet 不报错但学不到东西。解决先用./darknet detector test加载预训练权重跑一张图确认能出框再检查filters(classes5)*3是否算对最后把train.txt里路径全部改成绝对路径。4.2 现象模型把安全帽和黄色背景混淆原因电力工地有黄色护栏、黄色警示牌和黄色安全帽颜色接近。标注时如果只标了 helmet 没标 person模型会靠颜色而不是形状判断。解决在数据集里补 person 类并且加入负样本——只有黄色护栏没有人的图标注为空 txt。训练时[yolo]层的ignore_thresh0.7可以适当降到 0.5让模型对背景更敏感。4.3 现象推理时框重叠严重一个人出好几个框原因NMS 阈值默认 0.45安全帽目标小相邻框 IoU 容易超过阈值但其实是同一个目标。解决在detector test命令后加-thresh 0.25并在 cfg 里把nms_kindgreedynms改成nms_kinddiounmsdiou-nms 对小目标重叠更友好。如果还不行把[yolo]层的jitter0.3关掉jitter 会让框位置抖动NMS 更难收敛。4.4 现象验证集 mAP 高但实际视频里漏检多原因验证集和训练集来自同一段视频时间上相邻模型过拟合了背景。解决划分数据集时按视频片段分不要按帧随机分。比如 10 段视频8 段训练1 段验证1 段测试。另外测试时用./darknet detector demo跑一段没参与训练的工地视频看连续帧的漏检情况比单帧 mAP 更真实。4.5 现象训练到一半显存溢出程序被杀原因darknet 在subdivisions较小时如果某张图的目标数特别多显存峰值会超。安全帽场景里一张图几十个人的情况不少见。解决把subdivisions翻倍batch不变相当于每次前向图片数减半。或者开random1让输入尺寸在 320~608 之间随机平均显存会降。如果还不行换 416×416 固定输入别用 608。5. 从 darknet 权重到可演示的检测脚本进阶技巧与验证习惯训练完的yolov4-custom_final.weights要变成能演示的东西最直接的是用 darknet 的 Python 接口或者 OpenCV dnn 模块。OpenCV dnn 加载 darknet 权重不需要编译 darknet适合放在毕设演示系统里。下面这段代码把权重和 cfg 读进来对视频逐帧推理并画框。import cv2 import numpy as np # 加载 YOLOv4 安全帽模型 net cv2.dnn.readNetFromDarknet(cfg/yolov4-custom.cfg, yolov4-custom_final.weights) net.setPreferableBackend(cv2.dnn.DNN_BACKEND_CUDA) net.setPreferableTarget(cv2.dnn.DNN_TARGET_CUDA) layer_names net.getLayerNames() out_layers [layer_names[i - 1] for i in net.getUnconnectedOutLayers()] def detect(frame): h, w frame.shape[:2] blob cv2.dnn.blobFromImage(frame, 1/255.0, (416, 416), swapRBTrue, cropFalse) net.setInput(blob) outs net.forward(out_layers) boxes, confs, class_ids [], [], [] for out in outs: for det in out: scores det[5:] class_id np.argmax(scores) conf scores[class_id] if conf 0.3: # 安全帽场景召回优先阈值放低 cx, cy, bw, bh (det[:4] * [w, h, w, h]).astype(int) x, y int(cx - bw/2), int(cy - bh/2) boxes.append([x, y, int(bw), int(bh)]) confs.append(float(conf)) class_ids.append(class_id) idxs cv2.dnn.NMSBoxes(boxes, confs, 0.3, 0.4) if len(idxs) 0: for i in idxs.flatten(): x, y, bw, bh boxes[i] label f{classes[class_ids[i]]}: {confs[i]:.2f} cv2.rectangle(frame, (x, y), (xbw, ybh), (0, 255, 0), 2) cv2.putText(frame, label, (x, y-5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) return frame逻辑说明blobFromImage把帧缩到 416×416swapRBTrue因为 OpenCV 读进来是 BGRdarknet 训练时是 RGB。out_layers取三个 yolo 层的输出。参数说明conf 0.3是置信度阈值比训练时的 0.25 略高减少误报NMSBoxes的nms_threshold0.4比默认 0.45 低一点因为安全帽小框多。classes列表按obj.names顺序写比如[helmet, head, person]。验证习惯上我一般会做两件事。第一用同一段视频分别跑 darknet 原版和 OpenCV dnn 版对比框的位置和数量如果差太多说明预处理或输出层解析有问题。第二把测试集里 mAP 最低的 10 张图单独拿出来看通常能发现标注错误或者极端光照样本。毕设答辩时评委最爱问「你这个模型在晚上怎么办」提前准备一段夜间视频的检测结果比任何解释都管用。这个方向值不值得做如果你要的是能写进论文、能演示、能继续加功能比如加反光衣检测的基线YOLOv4 安全帽检测依然是稳的选择。希望帮到你。本文还有配套的精品资源点击获取