基于深度学习的 YOLO 框架的人脸表情检测识别系统【附完整源码+数据集】

背景

随着人机交互、智能安防、虚拟现实等技术的快速发展，人脸表情识别（Facial Expression Recognition, FER）已成为人工智能领域的重要研究方向之一。传统的表情识别方法大多依赖于人工设计的特征（如 Gabor 滤波器、HOG 等），在复杂环境下的鲁棒性较差。近年来，基于深度学习的检测算法，特别是 YOLO（You Only Look Once）系列目标检测模型，以其高精度、低延迟的优势，成为了表情识别场景中的理想选择。

本项目基于 YOLO 模型，结合自定义表情分类数据集，实现对多种人脸表情的高效识别与检测，支持 PyQt5 桌面界面部署，提供完整训练流程、推理流程和 GUI 可视化界面，开箱即用。

功能

本项目主要实现了以下功能：

• 多类别人脸表情检测：支持“高兴”、“悲伤”、“惊讶”、“愤怒”、“恐惧”、“厌恶”等多种常见表情识别；

• YOLOv8 模型训练与测试：完整的训练 pipeline，适配 ultralytics 最新版 YOLO 框架；

• PyQt5 桌面端部署：提供可视化操作界面，便于用户上传图片或打开摄像头进行实时识别；

• 支持模型热更新与多分辨率适配：适用于不同设备与推理需求；

• 开箱即用：集成标注数据、训练脚本、预训练权重、推理脚本与 GUI，适合教学、科研与落地部署。

数据集

本项目提供自建的人脸表情识别数据集，主要特征如下：

• 图像数量：约 8000 张图片，覆盖 7 类主流表情；

• 图像标注格式：YOLO 格式（TXT + 图像），兼容 Ultralytics 标准；

• 样本均衡：采用数据增强（旋转、缩放、亮度扰动等）策略，平衡类别间数据分布；

• 分辨率统一：图像尺寸统一为 640×640，便于 YOLO 训练。

示例标注如下：

# 文件名：happy_001.txt0 0.482 0.531 0.315 0.442  # class_id x_center y_center width height

YOLO 框架原理

YOLO（You Only Look Once）是单阶段目标检测算法的代表，它将目标检测问题转换为一个回归问题，从图像中直接回归出物体的位置和类别，具有极高的速度优势。YOLOv8 作为 Ultralytics 团队推出的最新版本，具备以下关键特点：

核心原理：

• 单阶段检测器：将整个检测任务在一个神经网络中完成，不依赖候选框生成；

• 端到端训练：输入图像直接输出检测框与分类结果；

• 高精度预测头：YOLOv8 采用 CSPDarknet 主干 + 特征金字塔结构 + 解耦头，提升小目标检测能力；

• 动态标签分配：引入 Anchor-free 策略，优化标签匹配策略；

• 轻量化部署：可快速导出为 ONNX、TorchScript、TensorRT 等格式，便于边缘设备部署。

表情识别中的优势：

• 多目标多分类同时预测：支持多张人脸同时表情识别；

• 实时性强：适合部署在摄像头、机器人等设备上进行即时反馈；

• 迁移性强：可在 COCO 预训练模型基础上微调用于表情识别任务。

源码下载

完整项目已打包，包括数据集、模型训练、模型推理、PyQt5 桌面 GUI、预训练权重、详细部署文档。

至项目实录视频下方获取：https://www.bilibili.com/video/BV18NumzoE1h/

• 包含内容：

• train.py：YOLOv8 训练脚本（自定义配置）

• detect.py：推理检测脚本（支持图像/摄像头）

• ui_main.py：基于 PyQt5 的图形界面

• runs/weights/best.pt：训练完成的权重文件

• data/face_expression/：YOLO 格式的数据集

• requirements.txt：项目依赖安装文件

📌 运行前请先配置环境：

conda create -n yoloui python=3.9conda activate yolouipip install -r requirements.txt

📌 启动界面程序：

python ui_main.py

总结

本项目以 YOLOv8 为核心，构建了一个功能完整的人脸表情识别系统，融合了深度目标检测与表情分类的技术优势，具备高精度、高实时性、易部署等特点。在数据方面，项目提供了格式统一、类别丰富的表情数据集，并支持自定义扩展，适合科研实验和工业部署。在工程实现方面，通过 PyQt5 构建了交互式图形界面，使得表情识别流程更加直观和易用，进一步拓展了其在智能交互、教育、心理检测等领域的应用前景。

未来方向可包括引入多模态信息（语音+图像）、融合 Transformer 结构提升特征感知能力、加入情绪强度回归预测等，以提升识别的情感细腻度和系统智能性。

这不仅是一次技术实现，更是一次深度融合 AI 与情感计算的探索。