【深度学习目标检测】二十四、基于深度学习的疲劳驾驶检测系统-含数据集、GUI和源码（python，yolov8）

设计一个疲劳驾驶检测系统的重要性主要体现在以下几个方面：

1. 提高道路安全：疲劳驾驶是引发交通事故的重要因素之一。驾驶员在长时间驾驶或缺乏休息的情况下，反应速度和判断能力会显著下降，从而增加事故风险。通过实时检测驾驶员的疲劳状态，并及时发出警告或采取相应措施，疲劳驾驶检测系统可以显著提高道路安全性，减少因疲劳驾驶引发的事故。

2. 保护驾驶员健康：长时间驾驶对驾驶员的身体健康也有不良影响，可能导致肌肉疲劳、眼睛疲劳、颈椎问题等。通过检测疲劳状态，系统可以提醒驾驶员适时休息，有助于保护驾驶员的身体健康。

3. 提升驾驶效率与舒适度：疲劳驾驶不仅危险，还会导致驾驶效率下降。一个能够准确检测疲劳并及时提醒驾驶员的系统，可以帮助驾驶员保持清醒和专注，从而提高驾驶效率。同时，合理的休息安排也能提升驾驶员的驾驶舒适度。

4. 符合法规要求：许多国家和地区都有关于驾驶员工作时间和休息时间的法规要求，以防止疲劳驾驶。一个有效的疲劳驾驶检测系统可以帮助运输公司和个人驾驶员遵守这些法规，避免因违规而面临的法律风险和罚款。

5. 技术进步与智能化趋势：随着汽车智能化和自动驾驶技术的发展，车辆能够越来越多地承担驾驶任务中的监控和决策职责。疲劳驾驶检测系统是这一趋势的重要组成部分，它体现了技术进步在提升道路安全和驾驶体验方面的积极作用。

6. 保险与风险管理：对于运输公司和保险公司而言，疲劳驾驶是一个重要的风险管理因素。通过使用疲劳驾驶检测系统，这些公司可以更好地评估和管理风险，从而制定更合理的保险政策和安全措施。

综上所述，设计一个疲劳驾驶检测系统对于提高道路安全、保护驾驶员健康、提升驾驶效率与舒适度、符合法规要求以及适应技术进步与智能化趋势等方面都具有重要意义。

本文介绍了基于深度学习yolov8的行人检测计数系统，包括训练过程和数据准备过程，同时提供了推理的代码和GUI。

模型在线体验：https://o554w00336.goho.co/

检测结果如下图：

一、安装YoloV8

yolov8官方文档：主页 - Ultralytics YOLOv8 文档

安装部分参考：官方安装教程

1、安装pytorch

根据本机是否有GPU，安装适合自己的pytorch，如果需要训练自己的模型，建议使用GPU版本。

①GPU版本的pytorch安装

对于GPU用户，安装GPU版本的pytorch，首先在cmd命令行输入nvidia-smi，查看本机的cuda版本，如下图，我的cuda版本是12.4（如果版本过低，建议升级nvidia驱动）：

打开pytorch官网，选择合适的版本安装pytorch，如下图，建议使用conda安装防止cuda版本问题出现报错：

②CPU版本pytorch安装

打开pytorch官网，选择CPU版本安装pytorch，如下图：

2、安装yolov8

在命令行使用如下命令安装：

pip install ultralytics

二、数据集准备

本文数据集来自疲劳驾驶行为数据集

该数据集包含2041个训练数据，582个验证数据，291个测试数据，数据如下图：

为了使用yolov8算法进行训练，需要将该数据转换为yolov8格式，本文提供转换好的数据集下载连接：（驾驶疲劳检测）yolov8格式数据集，该数据集2041个训练数据，582个验证数据，291个测试数据

三、模型配置及训练

1、数据集配置文件

创建数据集配置文件fatigue.yaml，内容如下（将path路径替换为自己的数据集路径）：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO 2017 dataset http://cocodataset.org by Microsoft
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco  ← downloads here (20.1 GB)
 
 
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: D:\DeepLearning\detection\yolov8_csdn\fatigue\datasets\fatigue_yolov8  # 替换为自己的数据集路径
train: images/train 
val: images/val 
test: images/val  
 
# Classes
names:
  # 0: normal
  0: closed_eye
  1: open_eye
  2: closed_mouth
  3: open_mouth
 
 

2、训练模型

使用如下命令训练模型，数据配置文件路径更改为自己的路径，model根据自己的需要使用yolov8n/s/l/x版本，其他参数根据自己的需要进行设置：

yolo detect train project=fatigue name=train exist_ok data=fatigue.yaml model=yolov8n.yaml epochs=100 imgsz=640 

3、验证模型

使用如下命令验证模型，相关路径根据需要修改：

yolo detect val project=fatigue name=val imgsz=640 model=fatigue/train/weights/best.pt data=fatigue.yaml

精度如下：

# YOLOv8n summary (fused): 168 layers, 3006428 parameters, 0 gradients, 8.1 GFLOPs
#                  Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 19/19 [00:02