YOLOV8进行疲劳驾驶检测（一）训练模型和生成权重文件

本项目基于华为疲劳驾驶检测挑战赛展开，大家想要了解更多可以访问华为云官网[^1]。

1. 下载配置yolov8

下载网址: ultralytics-github仓库.
帮助文档网址: ultralytics-docs.

git clone https://github.com/ultralytics/ultralytics

配置使用环境

2. 数据准备 (datasets)

以coco128数据格式为例

coco128.yaml文件中设置了数据的输入位置
标签中的类别

• coco128
  • images
    • train2017
      • 图片
  • labels
    • train2017
      • 标签(txt格式)

coco128下载网址:coco128.zip.

自训练数据集说明

1. 需要配置一个自训练数据的yaml文件
2. 使数据格式类似与coco128（注意标签需要是txt格式的）

3. 训练权重文件 (train)

首先需要注册一个wandb的账号，用于检测训练情况

在开始训练时需要输入wandb的key

wandb注册网址:wandb.ai
yolov8n.py下载:yolov8n.pt

from ultralytics import YOLO
import wandb
import asyncio
from multiprocessing import freeze_support
freeze_support

wandb.init(project='new_db')

# 建议提前下载yolov8n.pt，国内下载会很慢
model = YOLO('yolov8n.yaml')
model = YOLO('yolov8n.pt')
model = YOLO('yolov8n.yaml').load('yolov8n.pt')

model.train(data='new_data.yaml',epochs=300,imgsz=640)

训练好之后模型权重文件best.pt和last.pt自动保存在runs/train/路径下

可以将模型导出为onnx文件格式

    from ultralytics import YOLO
    
    # Load a model
    model = YOLO('yolov8n.pt')  # 加载官方模型
    model = YOLO('path/to/best.pt')  # 加载我们已经训练好的模型
    
    # Export the model
    model.export(format='onnx')

4. 模型预测 (predict)

通过Ultralytics模块内置方法可以对图片或者视频进行预测

# 对图片进行预测
import cv2
from ultralytics import YOLO
from matplotlib import pyplot as plt
model = YOLO('./runs/train16/weights/best.pt')
res = model(img1)
res_plotted = res[0].plot()
img1 = '../datasets/new_data/images/day_man_002_30_2_284.png'
image = cv2.imread(img1)
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
plt.imshow(cv2.cvtColor(res_plotted, cv2.COLOR_BGR2RGB))
plt.show()

# 对视频进行预测
import cv2
from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO('./runs/train16/weights/best.pt')

# Open the video file
video_path = 'path/to/test.mp4'
cap = cv2.VideoCapture(video_path)

# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()

    if success:
        # Run YOLOv8 inference on the frame
        results = model(frame)

        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Display the annotated frame
        # plt.imshow(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB))
        # plt.imshow(cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB))
        # plt.show()
        # cv2.imshow('frame', frame)
        cv2.imshow('labels', annotated_frame)   # 标记

        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()

到这里已经能很好的检测出人脸和手机，接下来将对面部进行观测点识别，检测闭眼、打哈欠、转头等行为。