基于YOLOv8深度学习的行人跌倒检测系统【python源码+Pyqt5界面+数据集+训练代码】目标检测

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能AI、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称	项目名称
1.【人脸识别与管理系统开发】	2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】	4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】	6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】	8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】

《------正文------》

基本功能演示

摘要：跌倒是一种常见的意外事件，尤其对于老年人、儿童、孕妇以及患有某些疾病的人群来说，跌倒可能会导致严重的身体损伤甚至危及生命。因此，及时准确地检测跌倒事件，对于保护人们的生命安全，提供紧急救助，减少伤害程度至关重要。本文基于YOLOv8深度学习框架训练一个进行跌倒目标检测的模型，开发了一款行人跌到检测系统。并结合python与PyQT5实现了UI界面，更方便进行功能的展示。该软件支持图片、视频以及摄像头进行跌倒目标检测，并保存跌倒检测结果；。本文提供了完整的Python代码和使用教程，给感兴趣的小伙伴参考学习，完整的代码资源文件获取方式见文末。

点击跳转至文末《完整相关文件及源码》获取

---

前言

跌倒是一种常见的意外事件，尤其对于老年人、儿童、孕妇以及患有某些疾病的人群来说，跌倒可能会导致严重的身体损伤甚至危及生命。因此，及时准确地检测跌倒事件，对于保护人们的生命安全，提供紧急救助，减少伤害程度至关重要。因此，跌倒检测在各个领域都有广泛的应用前景，对于提高人们的生活质量和安全保障具有重要意义。
跌倒检测的典型应用场景如下：

• 智能家居安全系统：在家庭环境中，尤其是对于有老年人或儿童的家庭，跌倒检测可以集成到智能家居安全系统中。通过监控摄像头或传感器，系统可以实时检测家庭成员是否发生跌倒，并及时触发警报或通知相关人员，以便提供及时的救助。
• 公共场所监控：在公共场所如商场、车站、公园等，人流量大且情况复杂，跌倒事件时有发生。通过安装跌倒检测系统，可以实时监控公共区域，及时发现跌倒事件，并采取相应措施保障人员的安全。
• 养老院和医疗机构：养老院和医疗机构是老年人或行动不便人群的聚集地，跌倒风险较高。在这些场所部署跌倒检测系统，可以及时发现和处理跌倒事件，降低伤害风险，并提供更好的护理服务。
• 体育赛事和演出活动：在体育赛事和演出活动中，人员密集且活动频繁，容易发生跌倒等意外事件。通过引入跌倒检测系统，可以实时监控活动现场，确保参与者的安全。
• 工业安全领域：在工业环境中，工作人员可能会因各种原因跌倒，如设备故障、操作失误等。跌倒检测系统可以及时发现这些情况，并采取相应措施，保障工作人员的安全。

博主通过搜集跌倒的相关数据图片，根据YOLOv8的目标检测技术，基于python与Pyqt5开发了一款界面简洁的行人跌倒检测系统，可支持图片、视频以及摄像头跌倒检测，同时可以将图片或者视频检测结果进行保存

软件基本界面如下图所示：

觉得不错的小伙伴，感谢点赞、关注加收藏！如果大家有任何建议或意见，欢迎在评论区留言交流！

一、软件核心功能介绍及效果演示

软件主要功能

1. 支持图片、视频及摄像头进行跌倒检测，同时支持图片的批量检测；
2. 界面可实时显示目标位置、目标总数、置信度、用时等信息;
3. 支持图片或者视频的跌倒检测结果保存；

（1）图片检测演示

点击图片图标，选择需要检测的图片，或者点击文件夹图标，选择需要批量检测图片所在的文件夹，操作演示如下：
点击目标下拉框后，可以选定指定目标的结果信息进行显示。 点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。
注：1.右侧目标位置默认显示置信度最大一个目标位置。所有检测结果均在左下方表格中显示。
单个图片检测操作如下：

批量图片检测操作如下：

（2）视频检测演示

点击视频图标，打开选择需要检测的视频，就会自动显示检测结果。点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。

（3）摄像头检测演示

点击摄像头图标，可以打开摄像头，可以实时进行跌倒检测，再次点击摄像头图标，可关闭摄像头。

（4）保存图片与视频检测结果

点击保存按钮后，会将当前选择的图片【含批量图片】或者视频的检测结果进行保存。检测的图片与视频结果会存储在save_data目录下。

二、模型的训练、评估与推理

1.YOLOv8的基本原理

YOLOv8是一种前沿的目标检测技术，它基于先前YOLO版本在目标检测任务上的成功，进一步提升了性能和灵活性。主要的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，可以在从 CPU 到 GPU 的各种硬件平台上运行。
其主要网络结构如下：

2. 数据集准备与训练

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。

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：

train: E:\MyCVProgram\Fallyolov8Detection\datasets\FallData\train  # train images (relative to 'path') 128 images
val: E:\MyCVProgram\Fallyolov8Detection\datasets\FallData\val  # val images (relative to 'path') 128 images
test:  # val images (optional)

# number of classes
nc: 1

# Classes
names: ['Fall']

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：

# 加载模型
model = YOLO("yolov8n.pt")  # 加载预训练模型
# Use the model
if __name__ == '__main__':
    # Use the model
    results = model.train(data='datasets/FallData/data.yaml', epochs=250, batch=4)  # 训练模型
    # 将模型转为onnx格式
    # success = model.export(format='onnx')

3. 训练结果评估

在深度学习中，我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv8在训练时主要包含三个方面的损失：定位损失(box_loss)、分类损失(cls_loss)和动态特征损失（dfl_loss），在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下所示：

各损失函数作用说明：
定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；
分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；
动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分，通过计算DFLLoss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：

我们通常用PR曲线来体现精确率和召回率的关系，本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值。mAP@.5：表示阈值大于0.5的平均mAP，可以看到本文模型的mAP@0.5已经达到了0.86，结果还是很不错的。

4. 检测结果识别

模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/trian/weights目录下。我们可以使用该文件进行后续的推理检测。
图片检测代码如下：

# 所需加载的模型目录
path = 'models/best.pt'
# 需要检测的图片地址
img_path = "TestFiles/fall_9.jpg"

# 加载预训练模型
# conf	0.25	object confidence threshold for detection
# iou	0.7	intersection over union (IoU) threshold for NMS
model = YOLO(path, task='detect')
# model = YOLO(path, task='detect',conf=0.5)


# 检测图片
results = model(img_path)
res = results[0].plot()
cv2.imshow("YOLOv8 Detection", res)
cv2.waitKey(0)

执行上述代码后，会将执行的结果直接标注在图片上，结果如下：

以上便是关于此款跌倒检测系统的原理与代码介绍。基于此模型，博主用python与Pyqt5开发了一个带界面的软件系统，即文中第二部分的演示内容，能够很好的支持图片、视频及摄像头进行检测，同时支持检测结果的保存。

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。

---

【获取方式】

关注下方名片G-Z-H：【阿旭算法与机器学习】，回复【软件】即可获取下载方式

本文涉及到的完整全部程序文件：包括python源码、数据集、训练代码、UI文件、测试图片视频等（见下图），获取方式见文末：

注意：该代码基于Python3.9开发，运行界面的主程序为MainProgram.py，其他测试脚本说明见上图。为确保程序顺利运行，请按照程序运行说明文档txt配置软件运行所需环境。

关注下方名片GZH:【阿旭算法与机器学习】，回复【软件】即可获取下载方式

---

结束语

以上便是博主开发的基于YOLOv8深度学习的行人跌倒检测系统的全部内容，由于博主能力有限，难免有疏漏之处，希望小伙伴能批评指正
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

觉得不错的小伙伴，感谢点赞、关注加收藏哦！