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
wuyk5551 小时前
PyQt6-第05讲-QtDesigner工作流与ui文件
python·ui·pyqt
程序员正茂5 小时前
Win11使用自定义训练集训练ncnn模型
python·yolo·图像识别·移动端·ncnn
金融小师妹6 小时前
多因子时间序列分析：美元与美债收益率变化对黄金价格+1.6%的影响
c语言·人工智能·git·决策树·pyqt
磁场转动100万匹10 小时前
PyTorch 版 YOLOv3 源码逐段详解：从配置文件到训练、评估、检测（定制自己的数据集）
人工智能·深度学习·yolo
老唐77710 小时前
OpenCV5实测：纯CPU跑YOLO26目标检测
图像处理·人工智能·opencv·yolo·目标检测·计算机视觉
pjj1985412 小时前
yolo-yolov3补充和yoluv4/v5
yolo
听风吹等浪起12 小时前
第24章：基于 YOLOv5 的肺癌 / 肺结节 / 肺腺癌多目标识别与 10 种网络改进方案深度解析
yolo
金融小师妹13 小时前
事件驱动分析模型：9月PPI超预期与美联储利率预期对黄金价格的影响
人工智能·云计算·线性回归·pyqt
燧机科技SuiJi1 天前
山体坍塌落石滑坡泥石流监测系统 落石泥石流监控摄像机
大数据·人工智能·深度学习·yolo
磁场转动100万匹1 天前
YOLOv3 原理详解：从 Darknet-53 到三尺度检测头
yolo
热门推荐
01「全语录+省流版」邵艾伦 × 孙宇晨：聊风口、聊个人IP、聊年轻人如何抓住 AI 时代的机会02国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）03GitHub 镜像站点04历年考研数学一、数学二、数学三真题试卷及答案PDF05几个好用的ip纯净度检测网站06蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接07Telegram APK 下载安装完整指南 — 2026年最新08Windows 10/11 如何退出微软账户并改用本地账户登录（含找不到选项的解决方法）09苹果iPA游戏软件资源下载网站10微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新