【深度学习】行人跌倒行为检测软件系统

行人跌倒检测系统在各个领域的应用都对社会的整体健康、安全和福祉产生积极影响，为人们的生活和工作提供了更加安全和可靠的环境，

本文主要使用YOLOV8深度学习框架自训练了一个“行人跌倒检测模型”，基于此模型使用PYQT5实现了一款界面软件用于功能演示。让您可以更好的了解和学习，该软件支持图片、视频以及摄像头进行跌倒目标检测，本系统所涉及的训练数据及软件源码已打包上传。

软件功能演示

图片检测演示

点击图片图标，选择需要检测的图片，即可得到检测结果，过程如下：

行人跌倒检测图片演示

视频检测演示

点击视频图标，选择需要检测的图片，即可得到检测结果，过程如下：

行人跌倒检测视频演示

摄像头功能

系统还提供了摄像头实时监测功能，可自行尝试!!!

模型训练

关于YOLOV8的数据标注及模型训练更详细的内容，可关注我的另一篇专门记录这部分的文章
【深度学习】YOLOV8数据标注及模型训练方法整体流程介绍及演示

数据集准备及标注

labelimg
通过网络上搜集关于跌倒的各类图片，并使用LabelMe标注工具对每张图片中的跌倒目标边框（Bounding Box）进行标注。一共包含1428张图片，其中训练集包含1142张图片，验证集包含286张图片，部分图像及标注如下图所示。
图片数据的存放格式如下，在项目目录中新建datasets目录，同时将跌倒检测的图片分为训练集与验证集放入FallData目录下。

训练

图片数据的存放格式如下，在项目目录中新建datasets目录，同时将跌倒检测的图片分为训练集与验证集放入FallData目录下。
同时我们需要新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。data.yaml的具体内容如下：
注：train与val后面表示需要训练图片的路径，建议直接写自己文件的绝对路径。
数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小【根据内存大小调整，最小为1】，代码如下：

训练结果评估

关于该系统涉及到的完整源码、UI界面代码、数据集、训练代码、测试图片视频等相关文件，均已打包上传，感兴趣的小伙伴可以通过下载链接自行获取。
通常用损失函数下降的曲线来观察模型训练的情况，yolov8训练时主要包含三个方面的损失：定位损失、分类损失和动态特征损失，训练结束后，在runs/目录下找到训练过程及结果文件：

• 定位损失box_loss：预测框与标定框之间的误差GloU，越小定位越准确
• 分类损失cls_loss：计算锚框与对应标定分类是否正确，越小分类越准确
• 动态特征损失dfl_loss：一种用于回归预测框与目标框之间距离的损失函数，通过计算动态特征损失，可以更准确地调整预测框的位置，提高目标检测的准确性。
  本文训练结果如下：
  

PR曲线体现精确率和召回率的关系，mAP表示Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示iou为正负样本的阈值，mAP@0.5表示阈值大于0.5的平均mAP，可以看到本文模型1类目标检测的mAP@0.5平均值为0.844，结果还是很不错的。

检测结果识别

模型训练完成后，可以得到一个最佳的训练结果模型best.pt文件，在runs/train/weights/bset.pt，可以使用该文件进行推理检测：

结束语

由于本人能力有限，难免有疏漏之处。
文中源码文件【获取方式】：关注公众号：利哥AI实例探险
给公众号发送 行人跌倒检测 获取下载方式，免费，无套路，只要关注！！！
给公众号发送 行为跌倒检测数据集 获取数据集下载方式。

公众号链接：深度学习】行人跌倒行为检测软件系统