基于YOLO的疲劳驾驶检测怎么做-简介
本系统围绕疲劳驾驶这一场景，做了一套基于YOLO深度学习的目标检测程序，核心任务是识别驾驶员在行车过程中是否进入疲劳状态。YOLO属于单阶段检测器，速度快、适合近实时画面处理，本系统选用其中等大小的模型变体，在速度和精度之间取一个平衡，既能跑演示也不至于太吃机器。技术上整体走Python路线：检测模型用Ultralytics提供的YOLO系列，后端服务用Django搭建，前端展示页用Vue编写，训练好的权重常驻后端，网页每次识别直接调用，不重复训练。检测目标只有两类，drowsy代表疲劳、undrowsy代表清醒，模型会对驾驶员头肩和面部区域生成边界框，并给出类别与置信度，方便判断模型有多大把握。功能层面系统提供四种识别入口：图片识别支持用户上传一张驾驶截图得到框选结果；视频识别会把视频按固定间隔抽帧，逐帧送进模型并累计疲劳帧数；摄像头识别调用本地摄像设备做近实时推演；识别页把模型返回的框直接画在原图上，疲劳框用红色标出，结果区同时列出类别和置信度，演示时一眼能看懂。历史记录模块把每次识别的时间、类别和置信度落库，统计大屏再把这些记录聚合成趋势图方便查看，大屏主要统计总识别次数、疲劳占比和按时间的变化，汇报时直接截图就能用。训练数据来自Kaggle公开数据集YaWDD，共约一万张驾驶状态图像，已按YOLO格式做好归一化标注。数据按驾驶会话整组切分，避免同一段视频的相邻帧跨进不同集合造成泄露，训练、验证、测试大致按八成多、一成多、约百分之二划分，两类样本比例接近一比一，整体比较均衡。另外数据里约有百分之六的样本被标注工具判为可能错标，按约定只在说明里如实披露、不自动清洗，训练照常进行。训练时用早停策略监控验证指标，收尾时挑出验证表现更稳的那一份权重best.pt供网站使用，整套东西对配置要求不高，普通带独显的笔记本就能完成训练和演示，不需要服务器。整条处理流程可以概括为数据准备、模型推理、结果落盘与页面展示四步，逻辑清晰，适合作为计算机毕设的完整案例。
基于YOLO的疲劳驾驶检测怎么做-背景
疲劳驾驶是道路交通安全里一个挺现实的问题，人在长时间开车后容易出现闭眼、低头、反应变慢这类状态，等到真的出事往往已经晚了。早些年的疲劳监测大多依赖方向盘转角、心率带或者红外眼动仪这类专门设备，成本高也不好普及。这几年计算机视觉和深度学习发展起来，单纯用车内摄像头拍到的画面，就能靠目标检测模型去判断驾驶员是不是疲劳，这种思路成本低、也好部署。对在校学生来说，做一套基于YOLO的疲劳驾驶检测程序，数据公开可得、模型有现成框架、功能又能跑在网页上演示，是一个能从头跟到尾、不容易半途卡死的毕设方向。比起只写算法小练习，它更让人看到从数据到上线的完整过程。正是看中它既贴着真实场景、又能在普通电脑上复现，才把它定为题目。
做这个题目，一个实在的好处是能把课堂上学的目标检测、Python编程和Web开发串成一条线，比单纯写个算法Demo更有完成度。实际层面，它给出了一种低成本的疲劳预警思路，哪怕只是个演示，也能让人直观看到模型怎么从画面里认出疲劳状态。对学校里的毕设训练来说，它覆盖了数据划分、模型训练、接口对接和页面展示多个环节，能练到不少真本事。从学习方法看，跟着公开数据和现成框架一步步做，比零散看教程更容易建立整体认知。往小了说，它帮我自己把深度学习项目从环境到上线走通了一遍；往大了说，这类轻量检测方案在车队管理、驾校培训里也有被继续打磨的价值。当然它终归是一份毕业设计，能力有限，结论也要诚实标注测试集规模偏小这类局限，不能夸大效果。
基于YOLO的疲劳驾驶检测怎么做-核心功能
功能一：图片识别 用户上传一张驾驶截图，系统调用 YOLO 模型推理，返回框选结果以及疲劳或清醒的类别和置信度。 功能二：视频识别 上传一段驾驶视频，系统按固定间隔抽帧，逐帧送进模型识别，并累计疲劳帧数、给出疲劳占比。 功能三：摄像头识别 调用本地摄像头做近实时推演，适合现场演示，模型对每一帧给出疲劳或清醒判断并画框。 功能四：历史记录 把每次识别的时间、类别、置信度写入记录，支持回溯查看，方便对比不同画面的识别情况。 功能五：统计大屏 对历史记录做聚合展示，呈现总识别量、疲劳分布和按时间的变化趋势，作为系统的可视化汇报模块。
基于YOLO的疲劳驾驶检测怎么做-视频展示
[video(video-p523rXmW-1792756477803)(type-csdn)(url-live.csdn.net/v/embed/549…)]
基于YOLO的疲劳驾驶检测怎么做-图片展示
基于YOLO的疲劳驾驶检测怎么做-代码展示
from pyspark.sql import SparkSession
spark = SparkSession.builder.appName("FatigueDashboard").master("local[*]").getOrCreate()
from ultralytics import YOLO
import cv2, os, json
model = YOLO("FatigueDrivingDetection/models/yolo26m/best.pt")
DROWSY, UNDROWSY = 0, 1
def recognize_image(image_path):
results = model.predict(source=image_path, conf=0.45, save=False, verbose=False)
r = results[0]
boxes = r.boxes
cls_list = [int(c) for c in boxes.cls.tolist()]
drowsy = cls_list.count(DROWSY)
undrowsy = cls_list.count(UNDROWSY)
conf_list = boxes.conf.tolist()
top_conf = round(float(max(conf_list)), 3) if conf_list else 0.0
label = "drowsy" if drowsy >= undrowsy else "undrowsy"
rects = []
for i, b in enumerate(boxes.xywhn.tolist()):
rects.append({"x": float(b[0]), "y": float(b[1]), "w": float(b[2]), "h": float(b[3]), "cls": int(boxes.cls[i])})
record = {"label": label, "drowsy": drowsy, "undrowsy": undrowsy, "conf": top_conf, "boxes": rects}
with open("history/image_log.jsonl", "a", encoding="utf-8") as f:
f.write(json.dumps(record, ensure_ascii=False) + "\n")
return record
def recognize_video(video_path, out_dir):
cap = cv2.VideoCapture(video_path)
frame_idx, step, drowsy_frames, total = 0, 8, 0, 0
os.makedirs(out_dir, exist_ok=True)
while cap.isOpened():
ok, frame = cap.read()
if not ok:
break
frame_idx += 1
if frame_idx % step != 0:
continue
total += 1
res = model.predict(source=frame, conf=0.45, save=False, verbose=False)[0]
for c in res.boxes.cls.tolist():
if int(c) == DROWSY:
drowsy_frames += 1
cv2.rectangle(frame, (10, 10), (220, 40), (0, 0, 255), 2)
cv2.imwrite(os.path.join(out_dir, f"f{frame_idx}.jpg"), frame)
cap.release()
summary = {"frames": total, "drowsy_frames": drowsy_frames, "rate": round(drowsy_frames/total, 3) if total else 0.0}
return summary
def build_dashboard(history_file):
rows = []
with open(history_file, encoding="utf-8") as f:
for line in f:
line = line.strip()
if not line:
continue
d = json.loads(line)
rows.append((d.get("label"), d.get("conf"), d.get("drowsy", 0)))
df = spark.createDataFrame(rows, ["label", "conf", "drowsy"])
total = df.count()
drowsy_cnt = df.filter(df.label == "drowsy").count()
avg_conf = df.agg({"conf": "avg"}).collect()[0][0] or 0.0
dist = df.groupBy("label").count().collect()
dashboard = {"total": total, "drowsy": drowsy_cnt, "avg_conf": round(float(avg_conf), 3), "dist": [(r["label"], r["count"]) for r in dist]}
return dashboard
基于YOLO的疲劳驾驶检测怎么做-结语
整理这份YOLO疲劳驾驶检测的说明花了不少功夫，里面提到的代码和数据集细节，主页那头有更全的资料可以翻。做毕设遇到跑不通的地方，去主页找技术员聊聊比自己硬磕省时间。觉得内容有用的话，点个赞、收进收藏夹，顺手关注一下，也能在评论区说说你卡在哪一步，大家一起捋。
