基於 YOLOv8 的駕駛員疲勞狀態識別系統實戰（含完整源碼與可視化界面）

一、項目背景與研究意義

隨着汽車保有量的持續增長，疲勞駕駛已成為交通事故的重要誘因之一。據統計，在高速公路和長途駕駛場景中，由於駕駛員長時間保持同一姿態，容易出現注意力下降、反應遲鈍、頻繁眨眼、打哈欠等疲勞特徵，從而顯著提升事故風險。

傳統的疲勞檢測方法多依賴以下方式：

• 車載方向盤行為分析
• 心率、腦電等生理傳感器
• 人工巡查與事後分析

這些方法或成本較高，或依賴額外硬件，或難以規模化部署。相比之下，基於計算機視覺的疲勞狀態識別具備以下優勢：

• 僅依賴攝像頭即可工作
• 可實時分析駕駛員面部行為
• 易於與現有車載系統或監控系統集成

基於此，本文實現並完整落地了一套 基於 YOLOv8 的駕駛員疲勞狀態識別系統，並通過 PyQt5 圖形化界面 實現真正意義上的“開箱即用”。

源碼下載與效果演示

嗶哩嗶哩視頻下方觀看：
https://www.bilibili.com/video/BV1noKpzNEvQ/

包含：

📦完整項目源碼

📦 預訓練模型權重

🗂️ 數據集地址（含標註腳本

二、系統總體設計方案

2.1 系統架構概覽

整個系統採用典型的 “模型推理 + GUI 展示” 架構，核心流程如下：

輸入源（圖片 / 視頻 / 攝像頭）
        ↓
YOLOv8 疲勞行為檢測模型
        ↓
行為狀態判定（閉眼 / 打哈欠 / 正常）
        ↓
PyQt5 圖形界面實時展示
        ↓
檢測結果保存與回放

系統既可以作為 獨立桌面應用運行，也可作為 疲勞檢測模塊嵌入到其他項目中。

2.2 功能模塊劃分

系統主要包含以下幾個核心功能模塊：

三、疲勞狀態識別思路設計

3.1 疲勞行為建模思路

本項目並非直接做“疲勞 / 非疲勞”二分類，而是採用 更具工程可解釋性的行為檢測策略，即：

先檢測具體疲勞行為，再綜合判斷駕駛狀態

主要檢測以下關鍵目標：

• 閉眼（Eye Closed）
• 打哈欠（Yawning）

通過對 眼睛狀態 + 嘴部張開程度 的組合分析，可以有效區分：

• 正常駕駛
• 輕度疲勞
• 明顯疲勞

該方式相比純分類模型，更適合後續擴展（如分神檢測、低頭玩手機等）。

3.2 模型選擇原因：YOLOv8

YOLOv8 是 Ultralytics 推出的新一代目標檢測模型，具有以下優勢：

• Anchor-Free 架構，訓練更穩定
• 推理速度快，適合實時視頻流
• 原生支持 ONNX / TensorRT 導出
• 生態成熟，工程資料豐富

在疲勞駕駛這種 實時性要求極高 的場景中，YOLOv8 非常適合部署在邊緣端或本地端。

四、數據集構建與訓練流程

4.1 數據集結構設計

項目採用標準 YOLO 數據集格式，結構如下：

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

每一張圖片都對應一個 .txt 標註文件，記錄目標類別與歸一化後的邊框信息。

4.2 標註類別説明

本項目標註的核心類別包括：

• eye_close
• yawn

可根據實際需求繼續擴展：

• eye_open
• phone_use
• head_down

4.3 模型訓練命令示例

使用 Ultralytics 官方 CLI 即可完成訓練：

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

訓練完成後，將自動生成：

• 最優權重 best.pt
• 損失函數曲線
• mAP 評估指標
• 混淆矩陣

五、模型推理與結果解析

5.1 推理代碼示例

模型推理基於 PyTorch 與 Ultralytics API：

from ultralytics import YOLO

model = YOLO("best.pt")
results = model("test.jpg", conf=0.25)

for box in results[0].boxes:
    cls = int(box.cls)
    score = float(box.conf)

模型輸出包括：

• 目標類別
• 置信度
• 邊框座標

5.2 狀態判定邏輯

在工程實現中，可以採用如下邏輯：

• 連續多幀檢測到閉眼 → 疲勞預警
• 間歇性打哈欠 → 疲勞趨勢提示
• 長時間無異常 → 正常狀態

這種 時序融合策略 可有效降低誤報率。

六、PyQt5 圖形界面設計

6.1 GUI 設計目標

在實際落地中，很多用户並不具備深度學習背景，因此 GUI 設計的目標是：

• 不需要寫代碼即可運行
• 操作流程簡單直觀
• 支持一鍵檢測與保存

6.2 界面功能説明

PyQt5 界面主要包括：

• 模型加載按鈕
• 圖片 / 視頻選擇按鈕
• 攝像頭開關
• 檢測結果顯示區域
• 日誌與狀態提示區域

多線程推理機制保證了 檢測過程中界面不卡頓。

七、系統部署與運行方式

7.1 一鍵運行

項目已完成完整打包，運行方式非常簡單：

python main.py

無需重新訓練即可體驗完整功能。

7.2 可擴展部署方向

該系統可進一步部署到：

• 車載嵌入式設備
• 智能駕駛輔助系統
• 安全監控終端
• 教學與科研實驗平台

八、項目總結與未來展望

本文完整介紹了一套 基於 YOLOv8 的疲勞駕駛識別系統，從算法原理、數據集構建、模型訓練到 GUI 工程落地，形成了完整閉環。

項目核心優勢總結：

• 🚗 面向真實駕駛場景，實用性強
• 🧠 行為級檢測，結果可解釋
• 💻 PyQt5 圖形界面，零代碼運行
• ⚡ YOLOv8 實時推理，性能穩定
• 📦 項目完整打包，開箱即用

後續可擴展方向：

• 引入時序模型（LSTM / Transformer）
• 增加分神、低頭、抽煙等行為
• 聯合多攝像頭多視角分析
• 與語音報警、CAN 總線聯動