廚房食品衞生與安全檢測14類數據集（18萬張圖片，已劃分、已標註）——AI智能檢測的行業實踐基石
一、背景
在餐飲行業中，食品衞生安全始終是重中之重。從廚房環境到工作人員行為，任何細節的疏忽都有可能帶來食品安全隱患。
隨着計算機視覺與人工智能技術的廣泛應用，利用目標檢測模型自動識別廚房安全風險成為可能。通過部署攝像頭並結合AI算法，可以自動檢測廚房中的違規行為，如廚師未戴帽子、未佩戴口罩、存在煙霧或垃圾溢出等問題，從而在源頭保障食品安全。
為了推動該方向的AI模型落地，我們整理併發布了一個廚房食品衞生與安全檢測數據集（14類、18萬張圖片），專為目標檢測任務（YOLO系列）設計，助力科研人員與企業快速構建實用的智能監控系統。
數據集獲取
鏈接:https://pan.baidu.com/s/1rRHh2mJthhUAsNOrEGHxRg?pwd=r7q2
提取碼:r7q2 複製這段內容後打開百度網盤手機App，操作更方便哦
數據集説明
樣本分類輸出（中文）：cockroach,hairnet,no_gloves,no_hat,rat,with_mask,without_mask,smoke,phone,overflow,garbage,garbage_bin,chef_uniform,chef_hat
樣本分類輸出（英文）：蟑螂,髮網,無手套,無帽子,老鼠,有口罩,無口罩,煙霧,電話,溢出,垃圾,垃圾桶,制服,帽子
樣本分類輸出數量：14
訓練集train： 15195個樣本
驗證集valid： 2785個樣本
訓練集和驗證集樣本比例：約5:1
yolo8訓練命令行參考：yolo detect train model=yolov8n.pt data=detect_kitchen/data.yaml batch=32 epochs=1 imgsz=640 device=cuda
廚房食品衞生與安全檢測14類數據集
數據集使用説明
下載並解壓數據集後，確保目錄結構完整。可直接用於項目訓練
將數據集中的 yaml文件 中的路徑替換為你的實際目錄，即可訓練模型完成檢測。
二、數據集概述
該數據集包含18萬張高質量圖像，全面覆蓋廚房環境中與衞生安全相關的場景與目標，共劃分為14個檢測類別。數據集中每張圖像均配有精準標註，可直接用於訓練YOLOv8、YOLOv5、DETR等主流檢測模型。
✳️ 類別信息
| 中文類別 | 英文標註 | 含義説明 |
|---|---|---|
| 蟑螂 | cockroach | 廚房中常見害蟲，影響衞生 |
| 髮網 | hairnet | 廚師佩戴的防護用品 |
| 無手套 | no_gloves | 操作食材時未佩戴手套 |
| 無帽子 | no_hat | 未佩戴廚師帽 |
| 老鼠 | rat | 廚房環境中的衞生隱患 |
| 有口罩 | with_mask | 正確佩戴口罩 |
| 無口罩 | without_mask | 未佩戴或口罩脱落 |
| 煙霧 | smoke | 炊事煙霧、燃燒氣體 |
| 電話 | phone | 廚師操作中使用手機 |
| 溢出 | overflow | 食材或液體外溢 |
| 垃圾 | garbage | 廚房廢棄物 |
| 垃圾桶 | garbage_bin | 固定垃圾存放點 |
| 制服 | chef_uniform | 規範的工作着裝 |
| 帽子 | chef_hat | 正確佩戴廚師帽 |
📊 數據劃分情況
| 數據類型 | 樣本數 | 佔比 |
|---|---|---|
| 訓練集（train） | 151,950 | ≈ 84.5% |
| 驗證集（valid） | 27,850 | ≈ 15.5% |
數據集比例約為 5:1，保證模型訓練與驗證的平衡性。
三、數據集詳情
數據集在採集與標註階段經過嚴格篩選，確保每類樣本都具有代表性與多樣性：
- 採集方式：包含真實廚房監控截圖、合成圖像與半監督增強樣本；
- 圖像尺寸：統一為 640×640，支持YOLO系列模型直接輸入；
- 標註格式：YOLO標準TXT格式（class x_center y_center width height）；
- 配置文件：已提供
data.yaml文件，結構清晰可直接加載； - 類別數量：14類完整映射；
-
文件結構示例：
detect_kitchen/ ├── train/ │ ├── images/ │ └── labels/ ├── valid/ │ ├── images/ │ └── labels/ ├── data.yaml
data.yaml示例：
train: /path/to/detect_kitchen/train/images
val: /path/to/detect_kitchen/valid/images
nc: 14
names: [ 'cockroach','hairnet','no_gloves','no_hat','rat','with_mask','without_mask','smoke','phone','overflow','garbage','garbage_bin','chef_uniform','chef_hat' ]
四、適用場景
該數據集不僅適用於科研實驗，也可直接用於商用AI系統開發，典型應用包括：
- 🧑🍳 廚房衞生檢測系統
自動識別廚師是否規範佩戴帽子、口罩、手套。 - 📹 食品加工車間視頻監控
實時檢測違規行為，如使用手機、垃圾溢出等。 - 🐀 害蟲監控與智能報警
檢測蟑螂、老鼠等不衞生目標。 - 🧯 安全防控
檢測煙霧、溢出等火災或泄漏風險。 - 📈 AI教學與競賽數據集
非常適合目標檢測、模型壓縮、遷移學習等方向研究。
五、YOLO目標檢測訓練示例
使用Ultralytics的YOLO框架，可以快速啓動訓練流程：
yolo detect train model=yolov8n.pt data=detect_kitchen/data.yaml batch=32 epochs=100 imgsz=640 device=cuda✅ 參數説明：
model=yolov8n.pt：選擇輕量化模型；data=detect_kitchen/data.yaml：指定數據集配置；batch=32：每次訓練的批次大小；epochs=100：訓練輪數；imgsz=640：輸入圖像大小；device=cuda：啓用GPU加速。
📈 訓練輸出結果示例
| 指標 | 含義 | 示例結果 |
|---|---|---|
| mAP50 | 平均準確率（IoU=0.5） | 0.89 |
| mAP50-95 | 多閾值平均準確率 | 0.81 |
| Precision | 精確率 | 0.90 |
| Recall | 召回率 | 0.86 |
模型在驗證集上表現優異，能夠準確識別多種廚房安全隱患。
六、結語
隨着AI技術的成熟，智能食品安全檢測正逐漸成為餐飲行業數字化升級的重要環節。本數據集的發佈，旨在為開發者提供一個高質量、實用的研究基礎，加速AI在食品安全、公共衞生監管、工業視覺等領域的應用落地。
未來，我們將持續擴展場景類別，增加實時視頻樣本與實例分割標註，推動廚房智能檢測系統向更高精度、更強魯棒性發展。
📦 數據集名稱：廚房食品衞生與安全檢測14類數據集
🧾 文件格式：YOLO標準格式
📁 數據量：18萬張圖片（含標註）
🎯 任務類型：目標檢測
💡 推薦模型：YOLO / RT-DETR / Faster R-CNN
