基于YOLOv8深度学习的智慧交通驾驶行为检测与语音提醒系统（PyQt5界面+数据集+训练代码）

随着交通安全问题日益严重，驾驶员的行为监控成为提高道路安全性的关键因素之一。传统的驾驶行为监测方法多依赖于硬件设备或人工监控，存在高成本、低效率和易出错等问题。本文提出了一种基于YOLOv8深度学习模型的智慧交通驾驶行为检测与语音提醒系统，旨在通过实时视频监控，自动识别并提醒驾驶员的危险行为，从而提高驾驶安全性。

该系统通过收集包含不同驾驶行为的数据集，采用YOLOv8模型进行训练，以实现对驾驶员“分心驾驶”、“疲劳驾驶”、“吃东西”、“未系安全带”、“已系安全带”和“吸烟”等行为的高效检测。系统采用PyQt5框架设计用户界面，提供实时行为监测、行为分类与语音提醒功能。结合视频流数据和实时处理，系统能够准确判断驾驶员的状态，并通过语音提示及时提醒驾驶员纠正不安全行为。

实验结果表明，所提方法在准确度和实时性方面具有较好的表现，能够有效地提升驾驶员的安全意识，降低交通事故发生的风险。该系统不仅具有较高的应用价值，还可以为智能交通、自动驾驶以及车辆安全辅助系统的进一步发展提供技术支持。

算法流程

项目数据

通过搜集关于数据集为各种各样的驾驶行为相关图像，并使用Labelimg标注工具对每张图片进行标注，分6检测类别，分别是’驾驶员已经分心’, ‘驾驶员已经疲劳’, ‘驾驶员在吃东西’, ‘驾驶员未系安全带’, ‘驾驶员已系安全带’, ‘驾驶员正在吸烟’。

目标检测标注工具
（1）labelimg:开源的图像标注工具，标签可用于分类和目标检测，它是用python写的，并使用Qt作为其图形界面，简单好用（虽然是英文版的）。其注释以 PASCAL VOC格式保存为XML文件，这是ImageNet使用的格式。此外，它还支持 COCO数据集格式。
（2）安装labelimg 在cmd输入以下命令 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

结束后，在cmd中输入labelimg

初识labelimg

打开后，我们自己设置一下

在View中勾选Auto Save mode

接下来我们打开需要标注的图片文件夹

并设置标注文件保存的目录（上图中的Change Save Dir）
接下来就开始标注，画框，标记目标的label，然后d切换到下一张继续标注，不断重复重复。

Labelimg的快捷键

（3）数据准备
这里建议新建一个名为data的文件夹（这个是约定俗成，不这么做也行），里面创建一个名为images的文件夹存放我们需要打标签的图片文件；再创建一个名为labels存放标注的标签文件；最后创建一个名为 classes.txt 的txt文件来存放所要标注的类别名称。

data的目录结构如下：
│─img_data
│─images 存放需要打标签的图片文件
│─labels 存放标注的标签文件
└ classes.txt 定义自己要标注的所有类别（这个文件可有可无，但是在我们定义类别比较多的时候，最好有这个创建一个这样的txt文件来存放类别）

首先在images这个文件夹放置待标注的图片。
生成文件如下:

“classes.txt”定义了你的 YOLO 标签所引用的类名列表。

（4）YOLO模式创建标签的样式

存放标签信息的文件的文件名为与图片名相同，内容由N行5列数据组成。
每一行代表标注的一个目标，通常包括五个数据，从左到右依次为：类别id、x_center、y_center、width、height。
其中：
–x类别id代表标注目标的类别；
–x_center和y_center代表标注框的相对中心坐标；
–xwidth和height代表标注框的相对宽和高。

注意：这里的中心点坐标、宽和高都是相对数据！！！

存放标签类别的文件的文件名为classes.txt (固定不变)，用于存放创建的标签类别。

完成后可进行后续的yolo训练方面的操作。

模型训练

模型的训练、评估与推理

1.YOLOv8的基本原理

YOLOv8是一个SOTA模型，它建立在Yolo系列历史版本的基础上，并引入了新的功能和改进点，以进一步提升性能和灵活性，使其成为实现目标检测、图像分割、姿态估计等任务的最佳选择。其具体创新点包括一个新的骨干网络、一个新的Ancher-Free检测头和一个新的损失函数，可在CPU到GPU的多种硬件平台上运行。

YOLOv8是Yolo系列模型的最新