带标注的跌倒检测数据集，识别率88.6%，10793张图，支持yolo，coco json，voc xml,文末有模型训练代码

可识别常见的跌倒或者摔倒姿势，场景较多，包含运动场，马路街道，医院，广场等场景下的跌倒摔倒图片。

模型训练指标参数：

模型训练图：

数据集拆分

总图数：10793 张图数
训练集

9444 张图

验证集

899 张图

测试集

450 张图

预处理

自动定向：应用

调整大小：拉伸到640x640

增强

单个训练样本输出份数：3 份

翻转方式：水平翻转

裁剪缩放：最小缩放比例 0%，最大缩放比例 20%

旋转变换：角度范围 -12° ~ +12°

剪切形变：水平方向 ±2°，垂直方向 ±2°

灰度化：随机对 10% 的图像启用该效果

色相调整：范围 -20° ~ +20°

饱和度调整：范围 -20% ~ +20%

亮度调整：范围 -20% ~ +20%

曝光度调整：范围 -20% ~ +20%

模糊处理：最大模糊程度 0.75 像素

随机遮挡（Cutout）：生成 5 个遮挡块，单个遮挡块尺寸为原图的 3%

数据集图片和标注信息示例：

'Fall-Detected'

标签解释

摔倒

数据集图片和标注信息示例：

数据集下载：

yolo26:https://download.csdn.net/download/pbymw8iwm/92908375

yolo v12:https://download.csdn.net/download/pbymw8iwm/92908279

yolo v11:https://download.csdn.net/download/pbymw8iwm/92908282

yolo v9:https://download.csdn.net/download/pbymw8iwm/92908320

yolo v8:https://download.csdn.net/download/pbymw8iwm/92908368

yolo v7:https://download.csdn.net/download/pbymw8iwm/92908351

coco json:https://download.csdn.net/download/pbymw8iwm/92908396

pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92908393

YOLO模型训练

下载数据集之后解压到当前文件夹，然后将我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject里的训练模型脚本复制到文件夹下，假设你使用的是yolov8来训练你就用 python train_yolov8.py

模糊图片在模型训练中的优势分析

该数据集中包含了如果包含了一些模糊图片，这并非数据缺陷，而是一种精心设计的数据增强策略，能为模型训练带来以下显著优势：

提升模型鲁棒性：现实场景中，可能发生在运动模糊，对焦不准或光线不足的情况下。在训练集中引入模糊样本，可以迫使模型学习更本质的特征，而不是过度依赖清晰的边缘或纹理细节，从而提升模型在复杂、非理想成像条件下的识别能力。
模拟真实世界噪声：监控摄像头、手机等设备在低光照或快速移动时极易产生模糊。包含此类图片的数据集能让模型提前"见识"并适应这种噪声，减少在实际部署时因图像质量下降而导致的性能骤降。
防止模型过拟合 ：如果训练集全是高清、摆拍的完美图片，模型容易记住这些特定场景下的"干净"特征，而对新的、稍有模糊的图片泛化能力差。模糊图片作为一种有效的正则化手段，可以增加数据分布的多样性，防止模型过拟合到有限的清晰样本上。
总结：因此，数据集中包含的模糊图片，与你看到的"水平翻转"、"剪切形变"、"随机遮挡"等增强操作一样，都是为了构建一个更接近真实世界复杂分布的数据环境，从而训练出更健壮、更泛化、更实用的模型。

模型验证测试情况：

验证测试代码：

python 复制代码

#需要安装pip install ultralytics
from ultralytics import YOLO
import cv2
 
# 加载训练好的 YOLO .pt 模型
model = YOLO('best.pt')  # 替换为你实际的 .pt 模型文件路径
 
# 定义要测试的图片路径
image_path = './image.jpg'  # 替换为你实际的图片文件路径
 
# 使用模型对图片进行预测
results = model(image_path)
 
# 获取预测结果
for result in results:
    # 获取绘制了检测框的图片
    annotated_image = result.plot()
 
    # 显示图片
    cv2.imshow("YOLOv Inference", annotated_image)
 
    # 等待按键退出
    cv2.waitKey(0)
 
    # 关闭所有 OpenCV 窗口
    cv2.destroyAllWindows()