源码包含：完整 YOLOv8 训练代码+数据集(带标注)+权重文件+直接可允许检测的 yolo 检测程序+直接部署教程/训练教程。源码在文末哔哩哔哩视频简介处获取。

在本项目中，我们利用 YOLOv8 模型进行睡觉和睡岗状态检测。项目的核心功能是通过训练 YOLOv8 来识别不同的状态（如“睡觉”和“睡岗”）。同时，系统还提供了完整的 PyQt5 界面，用户可以在界面上查看实时检测结果，并且系统支持开箱即用，可以直接进行部署。

项目摘要

随着人工智能技术的发展，深度学习在多个领域取得了显著突破。YOLOv8 作为当前流行的目标检测模型，在多个实际应用中表现出了强大的检测能力。本项目结合 YOLOv8 和 PyQt5 框架，创建了一款睡觉和睡岗状态检测识别系统，适用于监控、安防以及健康监测等领域。项目提供完整的源码、数据集、训练教程及部署方案，用户可以轻松实现自己的应用。

前言

随着工作环境的不断复杂化，如何通过自动化手段提高工作效率，减少人为失误已成为重要议题。睡岗检测作为其中的一项任务，利用计算机视觉技术，能够有效检测出人员的状态，帮助管理人员实时了解员工的工作状态。YOLOv8 作为最新的目标检测技术，以其高效、快速的特点，成为了实现这一目标的理想选择。结合 PyQt5 框架，可以轻松实现一个交互式的可视化界面，方便用户查看检测结果和进行后续操作。

一、软件核心功能介绍及效果演示

本软件主要实现睡觉与睡岗状态的自动检测。其核心功能包括：

1. 实时视频监控：通过摄像头实时获取员工的状态图像，并使用 YOLOv8 进行目标检测。

2. 睡觉与睡岗检测：YOLOv8 模型能够准确地识别出“睡觉”和“睡岗”的状态，并标注检测结果。

3. PyQt5 界面展示：集成了 PyQt5 图形界面，实时显示检测画面，标注出检测到的目标区域。

4. 实时报警系统：若系统检测到“睡岗”状态，会通过界面实时报警，提示用户进行干预。

5. 可扩展性：系统可根据需求扩展，支持其他目标检测任务，如“离岗”检测等。

效果演示视频可以在文末哔哩哔哩视频简介处获取，演示了项目从数据输入、模型训练到最终部署的全过程。

二、软件效果演示

为了直观展示本系统基于 YOLOv8 模型的检测能力，我们设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。

（1）单图片检测演示

用户点击“选择图片”，即可加载本地图像并执行检测：

（2）多文件夹图片检测演示

用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。

（3）视频检测演示

支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：

（4）摄像头检测演示

实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。由于原理和视频检测相同，就不重复演示了。

（5）保存图片与视频检测结果

用户可通过按钮勾选是否保存检测结果，所有检测图像自动加框标注并保存至指定文件夹，支持后续数据分析与复审。

三、模型的训练、评估与推理

YOLOv8 是 Ultralytics 公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如 CIoU、TaskAlignedAssigner）与 Anchor-Free 策略，在 COCO 等数据集上表现优异。其核心优势如下：

• 高速推理，适合实时检测任务

• 支持 Anchor-Free 检测

• 支持可扩展的 Backbone 和 Neck 结构

• 原生支持 ONNX 导出与部署

3.1 YOLOv8 的基本原理

YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：

• 速度快：推理速度提升明显；

• 准确率高：支持 Anchor-Free 架构；

• 支持分类/检测/分割/姿态多任务；

• 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。

YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往 YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。

YOLOv8 原理图如下：

3.2 数据集准备与训练

采用 YOLO 格式的数据集结构如下：

dataset/├── images/│   ├── train/│   └── val/├── labels/│   ├── train/│   └── val/

每张图像有对应的 .txt 文件，内容格式为：

4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757

分类包括（可自定义）：

3.3. 训练结果评估

训练完成后，将在 runs/detect/train 目录生成结果文件，包括：

• results.png：损失曲线和 mAP 曲线；

• weights/best.pt：最佳模型权重；

• confusion_matrix.png：混淆矩阵分析图。

若 mAP@0.5 达到 90% 以上，即可用于部署。

在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8 训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在 runs/目录下，具体内容如下：

3.4 检测结果识别

使用 PyTorch 推理接口加载模型：

import cv2from ultralytics import YOLOimport torchfrom torch.serialization import safe_globalsfrom ultralytics.nn.tasks import DetectionModel
# 加入可信模型结构safe_globals().add(DetectionModel)
# 加载模型并推理model = YOLO('runs/detect/train/weights/best.pt')results = model('test.jpg', save=True, conf=0.25)
# 获取保存后的图像路径# 默认保存到 runs/detect/predict/ 目录save_path = results[0].save_dir / results[0].path.name
# 使用 OpenCV 加载并显示图像img = cv2.imread(str(save_path))cv2.imshow('Detection Result', img)cv2.waitKey(0)cv2.destroyAllWindows()

预测结果包含类别、置信度、边框坐标等信息。

四.YOLOV8+YOLOUI 完整源码打包

本文涉及到的完整全部程序文件：包括 python 源码、数据集、训练代码、UI 文件、测试图片视频等（见下图），获取方式见【4.2 完整源码下载】：

4.1 项目开箱即用

作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。

运行项目只需输入下面命令。

python main.py

读者也可自行配置训练集，或使用打包好的数据集直接训练。

自行训练项目只需输入下面命令。

yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001

4.2 完整源码

至项目实录视频下方获取：https://www.bilibili.com/video/BV1FkHCzFEJe/

包含：

📦完整项目源码

📦 预训练模型权重

🗂️ 数据集地址（含标注脚本）

总结

本项目基于 YOLOv8 目标检测模型，结合 PyQt5 图形界面，成功实现了睡觉与睡岗状态的智能检测识别系统。项目通过以下几个关键环节实现了自动化监控和实时报警：

1. YOLOv8 模型训练与优化：通过精心设计的数据集和超参数调整，模型能够准确识别睡觉和睡岗状态。使用 YOLOv8 强大的目标检测能力，保证了高效且实时的检测结果。

2. PyQt5 界面实现：通过开发交互式图形界面，用户能够轻松查看实时视频流，标注出检测区域，并实时接收报警提示。这一功能使得检测系统更加直观和易用。

3. 数据集与标注：项目使用了高质量的自定义数据集，并进行了详细的标注，保证了模型训练过程中的准确性和鲁棒性。

4. 部署与使用：完整的部署教程和安装步骤使得该系统具有开箱即用的特点。用户只需按照指引即可快速部署并运行检测系统。

该系统不仅在工作场所的监控中表现出了显著优势，还具有扩展性，未来可以进一步应用到其他领域，如医疗监护、安防监控等。通过持续优化，结合更多环境因素，系统的适应性和检测精度将得到进一步提高。

总的来说，这个项目展示了如何结合深度学习模型和图形界面技术，创建一个实用且高效的智能检测系统，为实际应用提供了有力的技术支持。