基于 YOLO11 的跌倒检测预警系统 | 源码系统分享基于 YOLO11 的跌倒检测预警系统

基于 YOLO11 的跌倒检测预警系统 | 源码系统分享

一套面向养老院、医院病房、独居监护与公共场所安全场景的跌倒行为视觉识别方案，使用 YOLO11n + Streamlit 构建，可实时检出画面中的跌倒人员并定位位置，为及时救援与安全管理提供可量化的告警依据。

附完整源码与效果演示。

一、背景

1.1 行业痛点

跌倒被称为老年人的"隐形杀手"，而监护环节长期依赖人力，存在三个结构性难题：

人工盯屏不可持续——护士站一台监控对着多间病房，值班人员不可能 24 小时逐画面注视，漏看往往就是几分钟的事；
事后查证滞后——传统方案只能回放录像，跌倒发生后常常错过最佳处置窗口；
独居监护无手段——老人独居场景下，家属与社区最需要的"跌倒即告警"能力恰恰最缺失。

本项目把"看画面"升级为"检跌倒"：摄像头采集 → YOLO11 单类目标检测 → 框出跌倒人员并给出置信度，一个可立即落地、可复用换皮的视觉底座，覆盖机构监护与独居看护两类场景。

数据集来自真实跌倒场景，共 7250 张高质量标注图（train 5072 / valid 1450 / test 728），按 YOLO 格式组织，单类别 nc=1：跌倒。

视频演示与源码下载

www.bilibili.com/video/BV1z1…

在这里插入图片描述

包含： 📦完整项目源码 📦 预训练模型权重

🗂️数据集

1.2 项目运行效果

*Web 界面总览
*单张图片识别效果
批量图片检测

在这里插入图片描述

1.3 项目介绍

创新点 / 亮点

维度	说明
单类检测专注事件	只检"跌倒"一个目标，正样本聚焦、误报可控，适合做告警触发
原子配置即业务	project.yaml 描述场景、部署形态与预警阈值，前端 0 代码定制品牌
多源接入	同一 UI 支持单图、批量（含 ZIP）、视频、摄像头四种模式，零部署门槛
阈值可调	置信度阈值侧栏实时调节，养老 / 医院 / 公共场所可分别标定

系统功能概览

单张图片检测：上传图片即得标注图 + 检测明细表
批量图片检测：多图或 ZIP 上传，自动汇总每张图的检出数与平均置信度，结果打包下载
视频检测：逐帧推理生成标注视频，附逐帧检出统计
摄像头实时检测：浏览器拉本机摄像头，实时输出检测结果

技术栈

层级	技术选型
检测模型	YOLO11n（Ultralytics）
Web 框架	Streamlit
图像处理	OpenCV、Pillow
数据 / 图表	Pandas
视频编解码	imageio-ffmpeg
部署	Python 3.8+，本地 / 容器 / 边缘盒子均可

类别定义：nc=1，names=['跌倒']。

二、设计框架

系统架构

┌────────────────────────────────────────────────────────────┐
│            用户浏览器（护理人员 / 家属 / 安保）             │
│        单张图片 │ 批量图片 │ 视频 │ 摄像头                   │
└──────────────────────┬─────────────────────────────────────┘
                       │ HTTP / WebSocket
┌──────────────────────▼─────────────────────────────────────┐
│              Streamlit App (app/streamlit_app.py)          │
│  · 模式路由（st.radio）                                     │
│  · 上传 / 预览 / 检测明细 / 结果 ZIP 导出                   │
│  · 行业品牌渲染（project.yaml 驱动）                        │
└──────────────────────┬─────────────────────────────────────┘
                       │ model.predict(conf=可调, iou=0.7)
┌──────────────────────▼─────────────────────────────────────┐
│                 YOLO11n 推理引擎                           │
│  Backbone (C2f + SPPF) → Neck (FPN + PAN) → Decoupled Head │
│  + DFL（分布式回归）→ NMS                                   │
└──────────────────────┬─────────────────────────────────────┘
                       │ result.boxes (cls, conf, xyxy)
┌──────────────────────▼─────────────────────────────────────┐
│   后处理：类别映射 → DataFrame 明细 → 统计汇总 → 前端渲染   │
└────────────────────────────────────────────────────────────┘

YOLO11 网络结构（沿用 v8 主干，更轻更深）

Backbone：Conv + C2f 堆叠下采样 5 次，末端 SPPF 融合多尺度特征
Neck：FPN（自顶向下语义）+ PAN（自底向上定位）双向特征金字塔
Head：解耦头 + DFL（分布回归），对人体这种非刚性、姿态多变的目标定位更稳
损失：BCE（分类）+ CIoU + DFL（回归）

检测流程：图像/帧 → letterbox 至 imgsz=640 → 推理 → 置信度过滤（默认 0.25）→ NMS（iou=0.7）→ 类别映射 → 前端图表渲染。

三、代码结构（核心 50 行 + 解析）

项目结构：

跌倒检测系统_yolo11n/
├── app/streamlit_app.py        # Streamlit Web 入口
├── configs/project.yaml        # 业务配置（场景、部署、UI 主题、推理参数）
├── model/best.pt               # YOLO11n 权重
├── data/                       # train / valid / test
└── train/                      # 训练产物

核心代码（项目真实摘录）：

PROJECT_ROOT = Path(__file__).resolve().parent.parent
APP_CONFIG = load_yaml(PROJECT_ROOT / "configs" / "project.yaml")
DEFAULT_CONF = float(INFERENCE_META.get("conf", 0.25))     # 阈值由配置驱动

@st.cache_resource(show_spinner=False)
def load_model(model_path: str) -> YOLO:
    return YOLO(model_path)                       # 全局缓存，避免反复加载

def infer_image_path(model: YOLO, image_path: Path, conf: float) -> tuple:
    result = model.predict(str(image_path), conf=conf, verbose=False)[0]
    annotated = result.plot()
    rows = []
    if result.boxes is not None:
        for box in result.boxes:
            cls_id = int(box.cls.item())
            rows.append({
                "class_name": result.names[cls_id],          # '跌倒'
                "confidence": round(float(box.conf.item()), 4),
                "x1": float(box.xyxy[0][0]), "y1": float(box.xyxy[0][1]),
                "x2": float(box.xyxy[0][2]), "y2": float(box.xyxy[0][3]),
            })
    return annotated[:, :, ::-1], pd.DataFrame(rows)   # BGR -> RGB

逐段解析

project.yaml + INFER.get(...)：置信度、iou、批量上限全部从配置读取，运营侧调阈值不用改代码。
@st.cache_resource 缓存 YOLO(model_path)：Streamlit 每次交互不重建模型，首屏后单图响应稳定在百毫秒级。
model.predict 一行完成"预处理 + 推理 + NMS"，.plot() 直接生成带标签框的 ndarray，[:, :, ::-1] 转回 RGB 喂给 Streamlit。
result.boxes 迭代得到 cls / conf / xyxy，组成 DataFrame：单图、批量、视频、摄像头四个入口复用同一份推理逻辑。
批量入口在推理循环中同步完成"明细落表 + 标注图写 ZIP + 缩略预览"三件事，一次跑完即拿可下载结果包。

四、训练效果

训练采用 YOLO11n 预训练权重微调，epochs=177（200 轮早停，patience=50），imgsz=640，batch=16。best.pt 对应指标：

指标	数值
Precision (B)	0.850
Recall (B)	0.773
mAP@0.5	0.855
mAP@0.5:0.95	0.488

PR 曲线（mAP@0.5 = 0.855，单类检测下召回仍有提升空间）（原文此处为截图）
归一化混淆矩阵（对角线主导，漏检主要来自遮挡、俯拍等困难样本）（原文此处为截图）
类别分布：跌倒样本在画面中的尺度分布较散，模型对中小目标的定位依赖多尺度特征融合（原文此处为截图）

五、项目总结

做对了什么

单类检测聚焦"跌倒"事件，语义清晰、告警链路短，适合作为监护系统的触发模块。
业务话术、场景、部署形态全在 project.yaml，同一套代码可换皮复用到养老院、医院、社区等不同客户。
推理函数返回 (annotated, DataFrame)，单图 / 批量 / 视频 / 摄像头复用同一份逻辑，扩展新模式成本极低。

还能怎么做

引入时序模型（LSTM / SlowFast）做行为序列判定，把单帧"跌倒框"汇聚成"倒地持续 10 秒"等高置信事件，抑制单帧误报。
结合人体关键点（姿态估计）判断跌倒的持续状态与人员身份，区分"跌倒"与"蹲下系鞋带"。
边缘部署：YOLO11n 轻量，可塞进摄像头本地芯片做离线推理，敏感画面不出户，兼顾隐私合规。
告警联动：检测到跌倒后对接短信 / 电话 / 护理站看板，形成"检出—通知—处置"闭环。

一句话总结

YOLO11n + Streamlit 把"盯监控"升级为"检跌倒"，给养老监护、医疗陪护与公共安全一个可立即落地、可配置化复用的视觉底座。

基于 YOLO11 的跌倒检测预警系统 | 源码系统分享