基于 YOLOv8 的疲劳状态识别项目｜完整源码数据集+PyQt5 界面+完整训练流程+开箱即用！

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

基本功能演示

哔哩哔哩：https://www.bilibili.com/video/BV1noKpzNEvQ/

本项目集成了 YOLOv8 疲劳驾驶检测模型 与 PyQt5 图形界面工具，实现了包括图片、文件夹、视频与摄像头等多种输入方式的人脸表情识别功能（如打哈欠、闭眼等）。配套完整源码与训练流程说明，让你开箱即用，快速部署自己的疲劳驾驶识别系统，源码与模型文件已打包。

项目摘要

本项目实现了以下主要功能：

• ✅ 实时摄像头识别疲劳状态（打哈欠、闭眼等）

• ✅ 支持图片/视频/文件夹批量检测

• ✅ 支持检测结果中文显示（打哈欠、疲劳驾驶等）

• ✅ 支持 YOLOv8 原生模型训练与自定义类目拓展

• ✅ 基于 PyQt5 的图形化操作界面，零代码运行

• ✅ 训练完成可一键部署到本地端使用

• ✅ 自动保存检测结果图/视频至指定文件夹

源码打包在文末。

前言

疲劳驾驶是交通事故的重要诱因之一，驾驶员在长时间驾驶后容易出现注意力下降、眼神涣散、闭眼或打哈欠等生理特征。传统方法主要依赖车载设备或人工巡查，效率低且难以普及。

本项目基于计算机视觉的深度学习模型 YOLOv8 实现疲劳驾驶行为检测，通过训练识别打哈欠、闭眼等典型疲劳行为，并结合 PyQt5 图形界面，让非技术用户也可以方便地在本地或车载设备上部署识别系统。

一、软件核心功能介绍及效果演示

本项目基于 YOLOv8 强大的人脸行为检测能力，结合 PyQt5 打造了一套支持多输入源的疲劳驾驶识别系统。核心功能涵盖了对闭眼、打哈欠等疲劳行为的实时检测，支持图片、视频、文件夹及摄像头输入，并通过图形界面实现一键加载模型、开始检测与保存结果的操作，用户无需编写任何代码即可使用系统。实际效果表明，该模型在复杂光照、遮挡等环境下依然具有较高的检测准确率与响应速度，适合部署在本地终端或车载设备中实现低延迟、高可靠的疲劳预警系统。

二、软件效果演示（提供两种，类别和检测，可切换）

改选择为根据眼睛和嘴巴的程度来判别是什么状态。

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

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 完整源码下载

💾 Gitee 项目地址：https://gitee.com/goodnsxxc/yolo-main

也可至项目实录视频下方获取：

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

本项目成功实现了一个基于 YOLOv8 模型 的疲劳驾驶识别系统，融合了深度学习的前沿技术与图形化界面 PyQt5，实现了从模型训练、部署到最终用户交互的完整闭环。系统具有以下突出特点：

• 🎯 实用性强：可直接检测闭眼、打哈欠等典型疲劳行为，提升驾驶安全；

• 💻 界面友好：基于 PyQt5 实现全图形化操作，适合非程序员用户快速上手；

• 🧠 模型高效：YOLOv8 提供高精度与实时性兼具的检测能力，支持小模型部署；

• 🔄 训练流程完整：提供从数据集整理、模型训练、评估到部署的全套流程；

• 📦 开箱即用：项目打包完整，支持一键运行与一键训练，节省配置时间；

• 📈 可拓展性强：支持自定义数据与类目，可根据实际场景继续扩展识别能力。

随着智能驾驶与辅助安全系统的发展，基于视觉的疲劳检测系统已成为重要研究方向。本项目为实际应用落地提供了良好的基础，后续可扩展至驾驶员分神检测、姿态识别等多场景任务，为智能交通与安全驾驶提供更强保障。