基于 YOLOv8 的人脸表情检测识别系统（Python源码 + Flask+数据集）

想上手人脸情绪识别实战、玩转 YOLOv8？这款现成的成品项目直接帮你省掉所有试错成本！它以超适合新手的 YOLOv8 为核心，不仅打通前后端、支持图片 / 视频 / 摄像头多场景一键运行，还包含完整的模型训练与验证流程，高颜值、高实用性拉满，零基础也能轻松解锁目标检测全链路技能！

一、项目背景与目标

人脸表情识别在教育、医疗、人机交互等场景有广泛应用。本文结合 YOLOv8 与 Flask，构建一个既适合本地演示、又便于二次开发的完整系统。
目标：统一本地图片、视频文件与摄像头三种输入，前后端打通，一键运行，支持推理结果可视化与置信度分析。

二、功能一览

图片识别：上传单张图片，返回带框标注的结果图与类别置信度表格。
视频文件识别：上传视频并进行流式回放，边播放边显示标注结果（MJPEG）。
摄像头实时检测：直接调用本地摄像头，持续检测并展示结果。
命令行调试：一条命令即可对图片/视频/摄像头进行推理与结果保存。

三、技术栈与架构

后端与推理：Flask + Ultralytics YOLOv8 + OpenCV
前端：Tailwind CSS + DaisyUI（CDN）
跟踪增强：YOLOv8 track(..., persist=True) 持久化追踪，提升视频场景稳定性

核心文件：

Web 后端与路由：[app.py]
首页（图片识别）：[index.html]
视频分析页：[templates/video.html]
实时检测页：[templates/live.html]
训练脚本：[train.py]
命令行推理：[detect.py]

四、源码获取和环境配置

我把所有代码都准备好了，你只需要 2 步无脑操作：

下载完整代码包

我把能直接运行的 YOLOv11 手写数字识别系统整理好了，你只需要在软件内点击【一键运行】按钮，一键获取所有文件（包含模型、前端页面、训练脚本），不用自己写一行代码、加一句注释。
单击【一键运行】→ 直接玩

稍等片刻打开浏览器访问 http://127.0.0.1:5000，在画板上随便写个数字，AI 瞬间就能认出来，全程不用调试、不用改模型，5分钟就能玩上你自己部署的 AI 系统！

在「代码社区」中选择「目标检测&图像处理」：

1.首页--代码社区

2.代码社区--目标检测&图像处理--基于yolov8的情绪识别系统，点击一键运行既可以完成代码下载和环境配置

3.运行后会自动启动pycharm 打开这个项目，直接运行app.py 既可体验效果。

4.浏览器上输入http://127.0.0.1:5000 可以看到运行效果。

抠头助手：下载工具获取源码

五、数据集与类别定义

数据集来源：https://www.kaggle.com/datasets/fatihkgg/affectnet-yolo-format
数据集 YAML：[datasets/local_data.yaml]
8 类基本情绪：Anger, Contempt, Disgust, Fear, Happy, Neutral, Sad, Surprise

yaml 复制代码

nc: 8
names:
  0: Anger
  1: Contempt
  2: Disgust
  3: Fear
  4: Happy
  5: Neutral
  6: Sad
  7: Surprise

六、训练与模型产出

bash 复制代码

python train.py

python 复制代码

## 训练脚本,运行此脚本，会开始训练

from ultralytics import YOLO
import os
import torch

def train_model():
    """
    训练YOLOv8模型用于情绪识别
    """
    # 检查GPU是否可用
    device = 0 if torch.cuda.is_available() else 'cpu'
    print(f"使用设备: {device} (CUDA可用: {torch.cuda.is_available()})")

    # 1. 加载模型
    print("正在加载模型...")
    model = YOLO('yolov8n.pt') 

    # 2. 训练模型
    print("开始训练...")
    try:
        # 获取数据集配置文件的绝对路径
        current_dir = os.path.dirname(os.path.abspath(__file__))
        yaml_path = os.path.join(current_dir, 'datasets', 'local_data.yaml')
        
        # 确保在项目根目录下运行
        results = model.train(
            data=yaml_path,
            epochs=30,
            imgsz=640,
            batch=64,
            workers=0,
            patience=50,
            device=device
        )
        print("训练完成！")
        print(f"最佳模型保存在: {results.save_dir}/weights/best.pt")
        
    except Exception as e:
        print(f"训练过程中出错: {e}")

if __name__ == '__main__':
    train_model()

默认加载 yolov8n.pt 作为初始权重，训练完成输出 best.pt 用于后续推理。
Windows 下数据加载采用 workers=0 以避免多进程问题。

七、Web 使用与演示流程

启动后端：

bash 复制代码

python app.py
# 打开浏览器访问 http://localhost:5000

图片识别：在首页上传图片，点击"开始识别"，右侧展示结果图与置信度表。
视频文件识别：进入"视频文件"页面上传本地视频，即可边播放边标注。
摄像头实时检测：进入"实时检测"页面，调用本地摄像头持续分析。

八、命令行推理（快速验证）

bash 复制代码

python detect.py

九、关键实现细节（稳定性与体验）

静态图片推理使用 model.predict(...)，避免复用追踪状态导致错判。
视频/摄像头场景使用 model.track(..., persist=True, conf=0.25)，跨帧保持框稳定，观感更好。
在图片/视频/摄像头切换时，显式重置预测器以清理旧状态：

python 复制代码

# app.py 片段
if hasattr(model, 'predictor') and model.predictor is not None:
    model.predictor = None

情绪勾子：当你亲眼看到"框不再乱跳"，那一刻的安心与成就，会让你对工程质量有全新的理解。

十、前端交互与可视化

首页支持拖拽上传与进度提示，结果图可一键新窗口放大查看。
置信度表采用进度条视觉化，直观呈现模型确定程度。
MJPEG 流式播放视频/摄像头标注结果，默认适配常见浏览器。

十一、评估与优化建议

数据增强：适度增加复杂光照、遮挡样本，提升鲁棒性。
置信度阈值：根据场景调节 conf，权衡召回与精度。
跟踪策略：视频场景优先开启 persist=True，必要时降低帧率以平衡性能。
可扩展：注意力机制（如 SE）与更强分割模型可在未来迭代中尝试，但需与现有接口合理串联。

十二、项目结构（简要）

text 复制代码

FaceEmotionAI/
├─ app.py                 # Flask 路由与推理
├─ detect.py              # 命令行推理脚本
├─ train.py               # 训练脚本
├─ templates/
│  ├─ index.html          # 图片识别页
│  ├─ video.html          # 视频分析页
│  └─ live.html           # 实时检测页
├─ datasets/
│  └─ local_data.yaml     # 数据集配置
├─ uploads/               # 上传文件（运行时生成）
└─ results/               # 推理结果图（运行时生成）

十三、常见问题（FAQ）

问：为什么视频/摄像头下的框更稳？
- 答：开启了 persist=True 的追踪与跨帧状态维护，减少抖动。
问：图片识别要不要开启 track？
- 答：不建议。静态图用 predict() 更干净，避免历史状态干扰。
问：运行时报"模型不存在"？
- 答：先运行训练脚本或把 best.pt 放到项目根目录；命令行里通过 --model 指定路径。