识别未戴安全帽系统能从繁杂场景下对多个目标进行同时高精密识别，识别未戴安全帽系统分析和监测现场人员是不是佩戴安全帽，识别未戴安全帽系统大大提升了安全监督的时效性，减少了人力成本。识别未戴安全帽系统自动从现场部署的相机视频流中抓拍图像或者视频并警报。识别未戴安全帽系统远距离图像要求人体绝对高度超出总体图像的1/10，即人的双眼能够识别；近距图像要求需要暴露于上身。
YOLOv7 在 5 FPS 到 160 FPS 范围内，速度和精度都超过了所有已知的目标检测器
并在 V100 上，30 FPS 的情况下达到实时目标检测器的最高精度 56.8% AP。YOLOv7 是在 MS COCO 数据集上从头开始训练的，不使用任何其他数据集或预训练权重。
相对于其他类型的工具，YOLOv7-E6 目标检测器（56 FPS V100，55.9% AP）比基于 transformer 的检测器 SWINL Cascade-Mask R-CNN（9.2 FPS A100，53.9% AP）速度上高出 509%，精度高出 2%，比基于卷积的检测器 ConvNeXt-XL Cascade-Mask R-CNN (8.6 FPS A100, 55.2% AP) 速度高出 551%，精度高出 0.7%。
为减少作业过程不安全隐患，最好的方法是督促现场人员戴安全帽，并配置专职员开展安全检查。但很多人觉得不便和难受，有的人抱有侥幸心理，感觉安全生产事故不会产生。保证现场人员戴安全帽已经成为现场安全监督的一个关键问题，因而识别未戴安全帽系统应时而生。
YOLOv7 的发展方向与当前主流的实时目标检测器不同，研究团队希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备。除了架构优化之外，该研究提出的方法还专注于训练过程的优化，将重点放在了一些优化模块和优化方法上。这可能会增加训练成本以提高目标检测的准确性，但不会增加推理成本。研究者将提出的模块和优化方法称为可训练的「bag-of-freebies」。
# From Mr. Dinosaur
import os
def listdir(path, list_name): # 传入存储的list
for file in os.listdir(path):
file_path = os.path.join(path, file)
if os.path.isdir(file_path):
listdir(file_path, list_name)
else:
list_name.append(file_path)
list_name = []
path = 'D:/PythonProject/data/' # 文件夹路径
listdir(path, list_name)
print(list_name)
with open('./list.txt', 'w') as f: # 要存入的txt
write = ''
for i in list_name:
write = write + str(i) + '\n'
f.write(write)识别未戴安全帽系统自动识别拍摄区域内的人员，依据机器学习+图像识别系统识别安全帽的佩戴情况。针对未戴安全帽的危险行为，能够实时监测和预警提醒，报警视频和截屏还可以在客户端显示，音箱和扬声器能够现场语音警报提示。报警记录还可以根据消费者需求推送到有关人员手机上。
