基于YOLOv8的人体检测、行人识别项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！

基于YOLOv8的人体检测、行人识别项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！

源码包含：完整YOLOv8训练代码+数据集(带标注)+权重文件+直接可允许检测的yolo检测程序+直接部署教程/训练教程

源码在文末哔哩哔哩视频简介处获取。

项目摘要

本项目集成了 YOLOv8人体检测与行人识别模型 与 PyQt5图形界面工具，构建了一个多平台、支持多输入的目标识别系统。系统具备以下特点：

• 采用最新Ultralytics YOLOv8架构，具备更强的检测精度和推理速度；
• 利用行人检测数据集（如CrowdHuman、Caltech Pedestrian等）进行微调，提高对遮挡、拥挤场景下的识别性能；
• 图形界面由PyQt5开发，操作简洁，便于非程序员使用；
• 模型训练与部署一体化，提供详细的训练流程说明，开箱即用；
• 全平台兼容（Windows/Linux），可扩展性强，可用于安防监控、人数统计、异常行为识别等多个场景。

项目源码、训练数据与部署文档统一打包，详见哔哩哔哩站内演示视频下方简介处。

前言

在智能安防、智慧城市、公共安全等场景中，人体检测与行人识别是实现高级视觉感知的基础任务。相比传统图像处理方法，YOLO系列算法凭借其“一次前向传递即完成检测”的端到端优势，在速度和精度之间取得了良好平衡。

随着YOLOv8的发布，其在轻量化结构、Anchor-Free设计、解耦头结构方面均做出了重大更新，进一步提升了在人群密集、遮挡复杂等现实场景下的检测性能。

为此，我们构建了本项目，旨在：

• 降低人体检测的开发门槛；
• 提供一套完整的人体识别系统方案；
• 支持从训练到部署的闭环流程，助力用户快速落地实际应用。

无论你是AI初学者，还是打算将YOLO用于实际商业项目的开发者，这套系统都能为你提供一个可靠、高效、易用的技术框架。

一、软件核心功能介绍及效果演示

• ✅ 支持图片、视频、摄像头、文件夹多种检测输入方式
• ✅ 支持YOLOv8n、YOLOv8s等多个模型权重一键切换
• ✅ 支持自定义模型训练、导出和加载
• ✅ 集成PyQt5图形界面：拖拽式操作，零门槛使用
• ✅ 可视化检测结果：标注人体位置、识别行人目标
• ✅ 实现检测速度快、精度高、轻量部署

二、软件效果演示

为了直观展示本系统基于 YOLOv8 模型的检测能力，我们设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。

（1）单图片检测演示

用户点击“选择图片”，即可加载本地图像并执行检测：

image-20250718140001423

（2）多文件夹图片检测演示

用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。

image-20250718140025283

（3）视频检测演示

支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：

image-20250718140111717

（4）摄像头检测演示

实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。由于原理和视频检测相同，就不重复演示了。

image-20250718140124278

（5）保存图片与视频检测结果

用户可通过按钮勾选是否保存检测结果，所有检测图像自动加框标注并保存至指定文件夹，支持后续数据分析与复审。

image-20250718140152005

三、模型的训练、评估与推理

YOLOv8是Ultralytics公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如CIoU、TaskAlignedAssigner）与Anchor-Free策略，在COCO等数据集上表现优异。

其核心优势如下：

• 高速推理，适合实时检测任务
• 支持Anchor-Free检测
• 支持可扩展的Backbone和Neck结构
• 原生支持ONNX导出与部署

3.1 YOLOv8的基本原理

YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：

• 速度快：推理速度提升明显；
• 准确率高：支持 Anchor-Free 架构；
• 支持分类/检测/分割/姿态多任务；
• 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。

YOLOv8 由Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。

image-20250526165954475

YOLOv8原理图如下：

image-20250526170118103

3.2 数据集准备与训练

采用 YOLO 格式的数据集结构如下：

dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

每张图像有对应的 .txt 文件，内容格式为：

4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757

分类包括（可自定义）：

image-20250718140355358

3.3. 训练结果评估

训练完成后，将在 runs/detect/train 目录生成结果文件，包括：

• results.png：损失曲线和 mAP 曲线；
• weights/best.pt：最佳模型权重；
• confusion_matrix.png：混淆矩阵分析图。

若 mAP@0.5 达到 90% 以上，即可用于部署。

在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在runs/目录下，具体内容如下：

image-20250718140239311

3.4检测结果识别

使用 PyTorch 推理接口加载模型：

import cv2
from ultralytics import YOLO
import torch
from torch.serialization import safe_globals
from ultralytics.nn.tasks import DetectionModel

# 加入可信模型结构
safe_globals().add(DetectionModel)

# 加载模型并推理
model = YOLO('runs/detect/train/weights/best.pt')
results = model('test.jpg', save=True, conf=0.25)

# 获取保存后的图像路径
# 默认保存到 runs/detect/predict/ 目录
save_path = results[0].save_dir / results[0].path.name

# 使用 OpenCV 加载并显示图像
img = cv2.imread(str(save_path))
cv2.imshow('Detection Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

预测结果包含类别、置信度、边框坐标等信息。

result_000000050811_jpg.rf.edca4cb2b03960587a7db03b475bb143

四.YOLOV8+YOLOUI完整源码打包

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【4.2 完整源码下载】：

4.1 项目开箱即用

作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。

运行项目只需输入下面命令。

python main.py

读者也可自行配置训练集，或使用打包好的数据集直接训练。

自行训练项目只需输入下面命令。

yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001

4.2 完整源码下载

至项目实录视频下方获取：https://www.bilibili.com/video/BV1Uvg3zsEg7

包含：

📦完整项目源码

📦 预训练模型权重

🗂️ 数据集地址（含标注脚本）

总结

本项目基于 Ultralytics 发布的 YOLOv8 框架，结合 PyQt5 构建了一个操作简单、功能全面、可直接部署的人体检测与行人识别系统。项目不仅支持图片、视频、摄像头等多种输入方式，还实现了训练与推理的无缝衔接，极大地降低了AI模型在实际场景中应用的技术门槛。

通过对 YOLOv8 架构的深入理解与调优，项目在遮挡、拥挤等复杂环境下依然保持了较高的检测精度。同时，PyQt5 提供了直观可视化的界面，使非技术人员也能便捷使用本系统，真正实现“AI赋能下沉应用”。

不论你是AI开发者、科研工作者，还是初学者、企业工程师，这个项目都可以作为你部署行人检测/人数统计/安防监控系统的优秀起点。

📌 项目亮点总结：

✅ 支持多输入格式的检测操作； ✅ PyQt5图形界面即点即用； ✅ 完整训练 + 推理流程，一键运行； ✅ COCO格式兼容，支持自定义数据集； ✅ 支持二次开发与迁移学习。

未来可拓展方向包括：加入目标追踪（DeepSORT）、行人再识别（ReID）、异常行为识别等模块，构建更智能化的综合视频分析系统。