头盔佩戴识别是一项分类较少的目标检测任务。利用现有的高精度大规模深度学习网络模型识别头盔佩戴，存在参数冗余和计算量大的问题，不利于部署在量有限的嵌入式设备中，以适应实际的施工现场环境。针对上述问题，提出了一种适用于嵌入式设备的轻量化网络模型Yolo ghost bifpns3。在约洛夫4号基础上，基于ghost模块重建形成了一种新的网络结构，并切割了网络的深度和宽度。设计了一个基于信道加权加法的轻量化模块bifpns3，以取代计算量大的结构．FPN+pan。采用更容易量化的h-swish激活函数。在安全帽剔除数据集数据集上进行了实验，在测试集上，Map＠0.5为91.1%，与yolov4相比仅损失1个百分点，比轻量化yolov4微网络模型的精度高26个百分点。参数量为原yolov4的3%，计算量仅为原yolov4的5.8%。