基于YOLOv11与LSTM的驾驶员疲劳检测系统

最新推荐文章于 2025-05-17 18:10:58 发布

QQ_1309399183

最新推荐文章于 2025-05-17 18:10:58 发布

阅读量329

点赞数 8

分类专栏：计算机视觉实战项目集锦文章标签： YOLO lstm 人工智能计算机视觉深度学习疲劳检测

本文链接：https://blog.csdn.net/QQ_1309399183/article/details/147887780

版权

计算机视觉实战项目集锦专栏收录该内容

578 篇文章

订阅专栏

基于YOLOv11与LSTM的驾驶员疲劳检测系统

项目概述

本项目实现了一个智能驾驶员疲劳状态检测系统，结合了YOLOv11目标检测模型和LSTM时序建模能力。系统能够处理视频或图片序列输入，通过多阶段分析实现疲劳状态的精准识别与可视化展示。

技术架构

在这里插入图片描述

核心组件

YOLOv11目标检测：实时检测视频帧中的驾驶员面部特征
LSTM时序建模：分析驾驶员状态的时序变化模式
多级分类系统：将检测结果映射为可理解的疲劳等级（清醒/轻度疲劳/重度疲劳）

数据处理流程

目标检测 → 2. 特征编码(one-hot) → 3. 时序建模 → 4. 疲劳分类 → 5. 可视化输出

数据集

在这里插入图片描述

来源：drow数据集
授权：Public Domain (公共领域)
存放要求：需按data/README.dataset.txt说明放置数据集文件

开发环境

基础要求

Python 3.13.2

关键依赖

# PyTorch (CUDA 11.8版本)
pip install torch==2.2.0+cu118 torchvision==0.17.0+cu118 --index-url https://download.pytorch.org/whl/cu118

# 其他依赖
pip install -r requirements.txt

使用指南

1. 模型训练

YOLO训练：
```
python yolo_train.py
```
YOLO测试：
```
python yolo_test.py
```

2. 特征提取

python features_get.py

3. LSTM模型训练

python data_sorted.py  # 数据时序整理
python lstm_train.py  # LSTM模型训练

4. 推理与可视化

基础推理：
```
python predicate.py
```
增强推理(含时序分析)：
```
python predict_fatigue_sequence.py
```

在这里插入图片描述

输出说明

系统将生成：

命令行文本输出（疲劳等级预测结果）
带标注的MP4视频文件（可视化检测结果）

疲劳等级映射

详见predicate.py中的fatigue_level_map，实现检测类别到疲劳等级的转换逻辑。