创建一个基于YOLOv8+PyQt界面的驾驶员疲劳驾驶检测系统 实现对驾驶员疲劳状态的打哈欠检测，头部下垂 疲劳眼睛检测识别

OICQQ676580082025-07-04 1:00

如何使用Yolov8创建一个基于YOLOv8的驾驶员疲劳驾驶检测系统

文章目录

1

疲劳驾驶检测数据集。yolo标签。标签类别序号为0，1，2，3。注意编号从0开始计数，共4类。

创建一个基于YOLOv8的驾驶员疲劳驾驶检测系统，并且带有PyQt界面，我们可以按照以下步骤进行。请注意，由于YOLOv8在撰写此回答时并不是一个实际发布的模型版本，我们将基于YOLOv5的流程和假设YOLOv8有类似的API进行说明。请根据实际情况调整代码以适配YOLOv8的具体实现。

文章及代码仅供参考。

文章目录

1. 数据集准备

首先，确保你的数据集已经准备好，并按照YOLO格式标注（即每行代表一个对象，格式为class_id x_center y_center width height，所有值均为相对值）。对于疲劳驾驶检测，假设我们有4种类别：

  • 0: 疲劳的眼睛
  • 1: 打哈欠
  • 2: 头部下垂
  • 3: 正常状态

2. 安装依赖

安装必要的依赖库：

bash 复制代码 
pip install torch torchvision torchaudio
git clone https://github.com/ultralytics/yolov5  # 假设YOLOv8有相似的仓库结构
cd yolov5
pip install -r requirements.txt

3. 创建PyQt界面

创建一个简单的PyQt界面用于展示检测结果、选择图片或视频文件以及启动摄像头实时检测。

python 复制代码 
import sys
from PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QVBoxLayout, QWidget, QPushButton, QFileDialog
from PyQt5.QtGui import QImage, QPixmap
from PyQt5.QtCore import QTimer
import cv2
import torch
from ultralytics import YOLO  # 假设YOLOv8使用类似接口

class MainWindow(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("Driver Fatigue Detection")
        self.setGeometry(100, 100, 640, 480)

        self.initUI()
        self.model = YOLO('yolov8n.pt')  # 使用适合的预训练模型或自定义模型

    def initUI(self):
        self.image_label = QLabel(self)
        self.layout = QVBoxLayout()
        self.layout.addWidget(self.image_label)

        self.detect_image_button = QPushButton("Detect Image", self)
        self.detect_image_button.clicked.connect(self.detect_image)
        self.layout.addWidget(self.detect_image_button)

        self.detect_video_button = QPushButton("Detect Video", self)
        self.detect_video_button.clicked.connect(self.detect_video)
        self.layout.addWidget(self.detect_video_button)

        self.camera_button = QPushButton("Camera", self)
        self.camera_button.clicked.connect(self.start_camera)
        self.layout.addWidget(self.camera_button)

        central_widget = QWidget()
        central_widget.setLayout(self.layout)
        self.setCentralWidget(central_widget)

    def detect_image(self):
        file_path, _ = QFileDialog.getOpenFileName(self, "Select Image", "", "Images (*.png *.xpm *.jpg *.bmp)")
        if file_path:
            img = cv2.imread(file_path)
            results = self.model(img)
            annotated_img = results[0].plot()
            self.show_image(annotated_img)

    def detect_video(self):
        file_path, _ = QFileDialog.getOpenFileName(self, "Select Video", "", "Videos (*.mp4 *.avi *.mov)")
        if file_path:
            cap = cv2.VideoCapture(file_path)
            while True:
                ret, frame = cap.read()
                if not ret: break
                results = self.model(frame)
                annotated_frame = results[0].plot()
                self.show_image(annotated_frame)
                if cv2.waitKey(1) & 0xFF == ord('q'): break
            cap.release()

    def start_camera(self):
        self.cap = cv2.VideoCapture(0)
        self.timer = QTimer(self)
        self.timer.timeout.connect(self.update_frame)
        self.timer.start(30)

    def update_frame(self):
        ret, frame = self.cap.read()
        if ret:
            results = self.model(frame)
            annotated_frame = results[0].plot()
            self.show_image(annotated_frame)

    def show_image(self, img):
        h, w, ch = img.shape
        bytes_per_line = ch * w
        qimg = QImage(img.data, w, h, bytes_per_line, QImage.Format_BGR888)
        pixmap = QPixmap.fromImage(qimg)
        self.image_label.setPixmap(pixmap)

if __name__ == "__main__":
    app = QApplication(sys.argv)
    window = MainWindow()
    window.show()
    sys.exit(app.exec_())

4. 模型训练

如果你需要重新训练模型，可以参考前面提供的关于YOLOv5训练的示例代码进行调整。记得修改data.yaml文件中的类别数量和名称以匹配你的数据集。

为了创建一个基于YOLOv8的驾驶员疲劳驾驶检测系统，并且带有PyQt界面，我们需要详细说明模型训练和界面开发的步骤。以下是详细的代码和解释。

1. 数据集准备

确保你的数据集已经准备好，并按照YOLO格式标注（即每行代表一个对象，格式为class_id x_center y_center width height，所有值均为相对值）。对于疲劳驾驶检测，假设我们有4种类别：

  • 0: 疲劳的眼睛
  • 1: 打哈欠
  • 2: 头部下垂
  • 3: 正常状态

2. 模型训练

数据集配置文件 (data.yaml)
yaml 复制代码 
train: ./images/train
val: ./images/val
test: ./images/test

nc: 4  # number of classes
names: ['open_eye', 'yawn', 'head_down', 'normal']
训练脚本 (train.py)
python 复制代码 
import torch
from ultralytics import YOLO

# Load the model
model = YOLO('yolov8n.yaml')  # or yolov8s, yolov8x, custom

# Train the model
results = model.train(
    data='path/to/data.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    name='driver_fatigue'
)

3. PyQt界面开发

创建一个简单的PyQt界面用于展示检测结果、选择图片或视频文件以及启动摄像头实时检测。

主程序 (MainProgram.py)
python 复制代码 
import sys
from PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QVBoxLayout, QWidget, QPushButton, QFileDialog
from PyQt5.QtGui import QImage, QPixmap
from PyQt5.QtCore import QTimer
import cv2
import torch
from ultralytics import YOLO

class MainWindow(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("Driver Fatigue Detection")
        self.setGeometry(100, 100, 640, 480)

        self.initUI()
        self.model = YOLO('runs/train/driver_fatigue/weights/best.pt')

    def initUI(self):
        self.image_label = QLabel(self)
        self.layout = QVBoxLayout()
        self.layout.addWidget(self.image_label)

        self.detect_image_button = QPushButton("Detect Image", self)
        self.detect_image_button.clicked.connect(self.detect_image)
        self.layout.addWidget(self.detect_image_button)

        self.detect_video_button = QPushButton("Detect Video", self)
        self.detect_video_button.clicked.connect(self.detect_video)
        self.layout.addWidget(self.detect_video_button)

        self.camera_button = QPushButton("Camera", self)
        self.camera_button.clicked.connect(self.start_camera)
        self.layout.addWidget(self.camera_button)

        central_widget = QWidget()
        central_widget.setLayout(self.layout)
        self.setCentralWidget(central_widget)

    def detect_image(self):
        file_path, _ = QFileDialog.getOpenFileName(self, "Select Image", "", "Images (*.png *.xpm *.jpg *.bmp)")
        if file_path:
            img = cv2.imread(file_path)
            results = self.model(img)
            annotated_img = results[0].plot()
            self.show_image(annotated_img)

    def detect_video(self):
        file_path, _ = QFileDialog.getOpenFileName(self, "Select Video", "", "Videos (*.mp4 *.avi *.mov)")
        if file_path:
            cap = cv2.VideoCapture(file_path)
            while True:
                ret, frame = cap.read()
                if not ret: break
                results = self.model(frame)
                annotated_frame = results[0].plot()
                self.show_image(annotated_frame)
                if cv2.waitKey(1) & 0xFF == ord('q'): break
            cap.release()

    def start_camera(self):
        self.cap = cv2.VideoCapture(0)
        self.timer = QTimer(self)
        self.timer.timeout.connect(self.update_frame)
        self.timer.start(30)

    def update_frame(self):
        ret, frame = self.cap.read()
        if ret:
            results = self.model(frame)
            annotated_frame = results[0].plot()
            self.show_image(annotated_frame)

    def show_image(self, img):
        h, w, ch = img.shape
        bytes_per_line = ch * w
        qimg = QImage(img.data, w, h, bytes_per_line, QImage.Format_BGR888)
        pixmap = QPixmap.fromImage(qimg)
        self.image_label.setPixmap(pixmap)

if __name__ == "__main__":
    app = QApplication(sys.argv)
    window = MainWindow()
    window.show()
    sys.exit(app.exec_())

4. 运行项目

  1. 安装依赖：

    bash 复制代码 
    pip install torch torchvision torchaudio
git clone https://github.com/ultralytics/yolov5  # 假设YOLOv8有相似的仓库结构
cd yolov5
pip install -r requirements.txt

  2. 运行训练脚本：

    bash 复制代码 
    python train.py

  3. 运行主程序：

    bash 复制代码 
    python MainProgram.py

5. 关键代码解释

数据集配置文件 (data.yaml)
  • train, val, test: 数据集路径。
  • nc: 类别数量。
  • names: 类别名称。
训练脚本 (train.py)
  • YOLO('yolov8n.yaml'): 加载YOLOv8模型。
  • model.train(): 开始训练模型。
主程序 (MainProgram.py)
  • YOLO('runs/train/driver_fatigue/weights/best.pt'): 加载训练好的模型。
  • detect_image(), detect_video(), start_camera(): 分别处理图像、视频和摄像头检测。
  • show_image(): 显示检测结果。

通过以上步骤，tongxue 你就构建一个完整的驾驶员疲劳驾驶检测系统，并带有PyQt界面进行交互。

相关推荐
FL16238631294 小时前
无人机视角农田焚烧秸秆检测数据集VOC+YOLO格式3245张2类别
yolo
工程师老罗6 小时前
Pascal VOC数据集简介及数据格式说明
yolo
Lun3866buzha7 小时前
【深度学习应用】鸡蛋裂纹检测与分类：基于YOLOv3的智能识别系统，从图像采集到缺陷分类的完整实现
深度学习·yolo·分类
Lun3866buzha7 小时前
YOLOv8-SEG-FastNet-BiFPN实现室内物品识别与分类：背包、修正带、立方体和铅笔盒检测指南
yolo·分类·数据挖掘
Faker66363aaa8 小时前
基于YOLOv8-GhostHGNetV2的绝缘子破损状态检测与分类系统实现
yolo·分类·数据挖掘
Ryan老房8 小时前
智能家居AI-家庭场景物体识别标注实战
人工智能·yolo·目标检测·计算机视觉·ai·智能家居
工程师老罗10 小时前
举例说明YOLOv1 输出坐标到原图像素的映射关系
人工智能·yolo·计算机视觉
逸俊晨晖10 小时前
NVIDIA 4090的8路1080p实时YOLOv8目标检测
人工智能·yolo·目标检测·nvidia
工程师老罗11 小时前
YOLOv1数据增强
人工智能·yolo
weixin_4684668511 小时前
目标识别精度指标与IoU及置信度关系辨析
人工智能·深度学习·算法·yolo·图像识别·目标识别·调参
热门推荐
01GitHub 镜像站点02Claude Code + GLM4.7 避坑指南：解决 Unable to connect to Anthropic services03openclaw配置教程（linux+局域网ollama）04UV安装并设置国内源05AI 规范驱动开发“三剑客”深度对比：Spec-Kit、Kiro 与 OpenSpec 实战指南06Linux下V2Ray安装配置指南07openclaw使用nginx反代部署过程 与disconnected (1008): pairing required解决08在Trae中使用Pencil MCP09Claude Code Skills 实用使用手册10Vue-skills的中文文档