1. 先搞清楚这个系统到底能解决什么实际问题

如果你在工厂、工地或实验室负责安全管理，肯定遇到过这样的困扰：明明规定必须戴安全手套，但总有人因为操作不便或侥幸心理偷偷摘掉。传统的人工巡检既费时费力，又无法做到全天候覆盖。这个基于YOLOv8的安全手套检测系统，就是用来替代人工巡检的自动化解决方案。

它最核心的能力就两点：第一，能实时识别图像或视频中是否有人佩戴安全手套；第二，检测精度高（mAP@0.5达到0.934），速度够快（GPU环境下30帧/秒）。这意味着你可以把它接入现有的监控摄像头，系统就能自动判断每个作业人员的手部防护状态，发现违规立即告警。

我建议先关注三个关键点：一是系统已经用7086张真实场景图片训练过，不是纸上谈兵；二是提供了完整的可视化界面（PyQt5开发），不用写代码就能操作；三是模型体积小（22MB），普通GPU甚至CPU都能跑。下面我会按实际部署的顺序，从环境准备到批量检测，一步步拆解整个流程。

2. 环境配置：别在依赖版本上踩坑

虽然项目说明里提到了"环境配置"，但实际部署时最容易出问题的就是这一步。我习惯先创建一个干净的Python环境，避免与现有项目冲突。

conda create -n gloves-detection python=3.8 conda activate gloves-detection

核心依赖就这几个：

• torch>=1.7.0 （如果要用GPU，记得装CUDA对应的版本）
• ultralytics>=8.0.0 （这是YOLOv8的官方库）
• PyQt5>=5.15.0 （图形界面依赖）
• opencv-python>=4.5.0 （图像处理）

安装命令很简单：

pip install ultralytics PyQt5 opencv-python

但这里有个细节要注意：如果你的机器有NVIDIA显卡，一定要先确认CUDA版本，再安装对应的PyTorch。用nvidia-smi看CUDA版本，然后去PyTorch官网找匹配的命令。比如CUDA 11.7就装：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117

验证环境是否正常：

import torch print(torch.cuda.is_available()) # 应该返回True from ultralytics import YOLO print(YOLO('yolov8s.pt')) # 测试YOLO是否能正常加载

如果这一步报错，八成是PyTorch版本问题。我遇到过好几次，都是因为pip默认装了CPU版本的PyTorch，导致GPU无法调用。

3. 模型与数据：先跑通单张图片检测

项目提供的模型权重文件（best.pt）大约22MB，数据集包含8097张标注图片。我建议不要一上来就处理视频或摄像头，先用单张图片验证整个流程。

3.1 模型加载与初始化

from ultralytics import YOLO import cv2 # 加载训练好的模型 model = YOLO('best.pt') # 确保best.pt在当前目录 # 测试单张图片 results = model('test_image.jpg') # 替换成你的测试图片

运行后如果看到类似这样的输出，说明模型加载成功：

0: 640x640 2 gloves, 1 no-gloves, 16.3ms Speed: 2.1ms preprocess, 16.3ms inference, 1.2ms postprocess per image at 640x640

3.2 理解检测结果的关键参数

模型返回的results对象包含所有检测信息，新手最容易困惑的是这几个参数：

• 置信度阈值（conf）：默认0.25，意思是只有置信度高于25%的检测结果才会显示。在安全监控场景，我一般会调到0.5以上，减少误报。
• IoU阈值（iou）：默认0.7，控制重叠框的合并程度。值越大，合并越严格。
• 类别过滤：可以指定只检测"gloves"或"no-gloves"中的一类。

实际调用时这样设置参数：

results = model('test_image.jpg', conf=0.5, iou=0.6, classes=[0,1]) # classes对应类别索引

3.3 可视化检测结果

检测结果需要画框标注才直观，这是完整的处理代码：

import cv2 from ultralytics import YOLO def detect_gloves(image_path, save_path='result.jpg'): model = YOLO('best.pt') results = model(image_path, conf=0.5) # 读取原图 image = cv2.imread(image_path) # 遍历所有检测结果 for r in results: boxes = r.boxes for box in boxes: # 获取框坐标 x1, y1, x2, y2 = map(int, box.xyxy[0]) # 获取类别和置信度 cls = int(box.cls[0]) conf = float(box.conf[0]) label = f"{model.names[cls]} {conf:.2f}" # 画框和标签 cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(image, label, (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) cv2.imwrite(save_path, image) print(f"结果保存到: {save_path}") # 测试 detect_gloves('test_image.jpg')

跑通单张图片检测后，你会得到带标注框的结果图。这是验证整个流程是否正常的关键一步。

4. 界面操作：PyQt5图形化使用指南

命令行检测虽然灵活，但实际部署时操作人员更需要图形界面。项目提供的PyQt5界面已经封装了所有功能，重点是怎么用好它。

4.1 启动界面与登录

界面启动文件通常是main.py或app.py：

python main.py

首次使用需要注册账号，系统会用SHA-256加密存储密码。这不是多此一举，而是为了审计追踪——谁在什么时候使用了系统，都有记录。

登录后的主界面分为三栏：

• 左侧控制区：选择检测模式（图片/视频/摄像头）、调整参数
• 中央显示区：实时显示检测画面
• 右侧信息区：显示检测结果列表和系统日志

4.2 三种检测模式的实际操作

图片检测模式：

1. 点击"图片"按钮或从菜单选择
2. 选择本地图片文件（支持JPG、PNG、BMP）
3. 系统自动检测并显示结果
4. 右侧列表会显示每个检测目标的类别和置信度

视频检测模式：

1. 点击"视频"按钮选择文件（MP4、AVI等格式）
2. 系统会逐帧处理并显示实时进度
3. 可以随时暂停/继续，调整参数会立即生效
4. 如果开启"保存结果"，会生成处理后的视频文件

摄像头实时检测：

1. 点击"摄像头"按钮（默认调用ID 0的摄像头）
2. 系统开始实时检测，显示当前FPS
3. 适合接入监控摄像头进行24小时监测

4.3 参数调节的实用建议

界面提供两个关键参数的滑动条：

• 置信度阈值：我建议根据场景调整。在光线好、背景简单的环境，可以设到0.6-0.7减少误报；在复杂环境下，降到0.3-0.4避免漏检。
• IoU阈值：一般保持0.5-0.7即可，太高会导致重叠目标被过度合并。

实际操作时，先保持默认参数，观察检测效果。如果误报多，调高置信度；如果漏检多，调低置信度。每次调整后系统会立即重新检测，非常方便。

5. 批量处理与生产部署要点

单次检测跑通后，就要考虑批量化和生产环境部署了。这里有几个实战经验值得分享。

5.1 批量图片处理

如果需要处理整个文件夹的图片，用命令行模式更高效：

import os from ultralytics import YOLO def batch_detect(input_folder, output_folder): model = YOLO('best.pt') os.makedirs(output_folder, exist_ok=True) for filename in os.listdir(input_folder): if filename.lower().endswith(('.jpg', '.png', '.jpeg')): image_path = os.path.join(input_folder, filename) results = model(image_path, conf=0.5) # 处理结果并保存 # ...（可视化代码参考前面章节） output_path = os.path.join(output_folder, f"detected_{filename}") # 保存处理后的图片 batch_detect('input_images', 'output_results')

5.2 视频监控集成

如果要接入现有监控系统，建议用RTSP流代替摄像头直连：

import cv2 from ultralytics import YOLO def rtsp_detection(rtsp_url): model = YOLO('best.pt') cap = cv2.VideoCapture(rtsp_url) while True: ret, frame = cap.read() if not ret: break results = model(frame, conf=0.5, stream=True) # stream模式更省内存 for r in results: # 实时处理并显示 annotated_frame = r.plot() # 使用YOLO内置的可视化方法 cv2.imshow('Gloves Detection', annotated_frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() # 使用示例 rtsp_detection('rtsp://摄像头IP地址/流地址')

5.3 性能优化建议

根据我的实测经验，这几个优化措施很实用：

GPU内存不足时：

• 降低输入分辨率：model('image.jpg', imgsz=480)
• 减小批量大小：默认是1，如果自己改代码批量处理，不要超过4
• 使用FP16精度：model('image.jpg', half=True)

CPU环境下加速：

• 使用ONNX格式：model.export(format='onnx')然后加载ONNX模型
• 减少检测类别：如果只关心未戴手套，设置classes=[1]
• 调整检测频率：实时检测时每2-3帧处理一次，而不是每帧都处理

6. 常见问题排查手册

部署过程中肯定会遇到各种问题，我整理了几个最常见的排查思路。

6.1 模型加载失败

现象：报错找不到模型文件或加载失败排查顺序：

1. 确认best.pt文件在正确路径，文件名不要拼错
2. 检查文件大小是否正常（约22MB）
3. 确认ultralytics版本>=8.0.0：pip show ultralytics
4. 尝试重新下载模型文件

6.2 检测结果异常

现象：误检多或漏检多排查顺序：

1. 先确认输入图片质量：光线是否太暗、目标是否太小（小于图像5%）
2. 调整置信度阈值：误检多就调高，漏检多就调低
3. 检查类别是否选对：有时候不小心只选了一个类别
4. 确认训练数据与当前场景匹配：如果训练数据都是工厂环境，用在工地可能效果差

6.3 界面卡顿或无响应

现象：PyQt5界面卡死或响应慢排查顺序：

1. 确认用了多线程：检测任务要在QThread中运行，不能阻塞主界面
2. 检查内存使用：长时间运行可能内存泄漏，重启程序解决
3. 降低检测分辨率：界面显示可以用低分辨率，检测用高分辨率
4. 关闭不必要的可视化：右侧结果列表更新很耗资源，可以设为手动刷新

6.4 摄像头无法调用

现象：摄像头检测黑屏或报错排查顺序：

1. 确认摄像头ID正确：通常0是默认摄像头，笔记本可能还有1、2
2. 检查摄像头是否被其他程序占用：关闭其他视频软件
3. 尝试用OpenCV测试摄像头：cv2.VideoCapture(0).read()
4. 如果是网络摄像头，确认RTSP或HTTP流地址正确

7. 实际应用中的边界与限制

虽然这个系统在测试集上表现很好，但实际部署时要清楚它的能力边界。

7.1 什么情况下效果会打折扣

• 极端光照条件：强逆光或光线过暗时，检测精度会下降20-30%
• 严重遮挡：手部被工具或设备遮挡超过50%时，容易漏检
• 非常规手套：训练数据主要是工业手套，如果是医疗手套或特殊颜色手套，需要重新训练
• 小目标检测：图像中手部区域小于80x80像素时，效果不稳定

7.2 误报漏报的应对策略

生产环境中，我建议采用多帧确认机制：连续3帧都检测到违规才触发告警，避免瞬时误报。对于关键岗位，可以结合人脸识别，确保责任到人。

7.3 模型更新的实际考虑

当作业环境或手套类型变化时，需要更新模型。收集新场景的图片100-200张，用预训练模型微调3-5个epoch通常就够用，不需要从头训练。

这个系统真正的价值在于提供了一个完整的可落地框架，从算法到界面都经过验证。最重要的是先在小范围试点，跑通流程后再逐步扩大部署范围。