YOLOv8+PyQt5睡岗状态智能检测平台搭建 | 睡觉行为自动监控系统【开箱即用】

YOLOv8+PyQt5睡岗状态智能检测平台搭建 | 睡觉行为自动监控系统【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。

在本项目中，我们利用YOLOv8模型进行睡觉和睡岗状态检测。项目的核心功能是通过训练YOLOv8来识别不同的状态（如“睡觉”和“睡岗”）。同时，系统还提供了完整的PyQt5界面，用户可以在界面上查看实时检测结果，并且系统支持开箱即用，可以直接进行部署。

项目摘要

随着人工智能技术的发展，深度学习在多个领域取得了显著突破。YOLOv8作为当前流行的目标检测模型，在多个实际应用中表现出了强大的检测能力。本项目结合YOLOv8和PyQt5框架，创建了一款睡觉和睡岗状态检测识别系统，适用于监控、安防以及健康监测等领域。项目提供完整的源码、数据集、训练教程及部署方案，用户可以轻松实现自己的应用。

前言

随着工作环境的不断复杂化，如何通过自动化手段提高工作效率，减少人为失误已成为重要议题。睡岗检测作为其中的一项任务，利用计算机视觉技术，能够有效检测出人员的状态，帮助管理人员实时了解员工的工作状态。YOLOv8作为最新的目标检测技术，以其高效、快速的特点，成为了实现这一目标的理想选择。结合PyQt5框架，可以轻松实现一个交互式的可视化界面，方便用户查看检测结果和进行后续操作。

一、软件核心功能介绍及效果演示

本软件主要实现睡觉与睡岗状态的自动检测。其核心功能包括：

1. 实时视频监控：通过摄像头实时获取员工的状态图像，并使用YOLOv8进行目标检测。
2. 睡觉与睡岗检测：YOLOv8模型能够准确地识别出“睡觉”和“睡岗”的状态，并标注检测结果。
3. PyQt5界面展示：集成了PyQt5图形界面，实时显示检测画面，标注出检测到的目标区域。
4. 实时报警系统：若系统检测到“睡岗”状态，会通过界面实时报警，提示用户进行干预。
5. 可扩展性：系统可根据需求扩展，支持其他目标检测任务，如“离岗”检测等。

效果演示视频可以在文末哔哩哔哩视频简介处获取，演示了项目从数据输入、模型训练到最终部署的全过程。

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-20250908010404433

（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-20250908010422763

（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-20250908010645861

（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。

（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-20250908010512211

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-20250908010744547

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-20250908010724223

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。

image-20250908010816938

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

至项目实录视频下方获取：https://www.bilibili.com/video/BV1FkHCzFEJe/

image-20250801135823301

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YOLOv8目标检测模型，结合PyQt5图形界面，成功实现了睡觉与睡岗状态的智能检测识别系统。项目通过以下几个关键环节实现了自动化监控和实时报警：

1. YOLOv8模型训练与优化：通过精心设计的数据集和超参数调整，模型能够准确识别睡觉和睡岗状态。使用YOLOv8强大的目标检测能力，保证了高效且实时的检测结果。
2. PyQt5界面实现：通过开发交互式图形界面，用户能够轻松查看实时视频流，标注出检测区域，并实时接收报警提示。这一功能使得检测系统更加直观和易用。
3. 数据集与标注：项目使用了高质量的自定义数据集，并进行了详细的标注，保证了模型训练过程中的准确性和鲁棒性。
4. 部署与使用：完整的部署教程和安装步骤使得该系统具有开箱即用的特点。用户只需按照指引即可快速部署并运行检测系统。

该系统不仅在工作场所的监控中表现出了显著优势，还具有扩展性，未来可以进一步应用到其他领域，如医疗监护、安防监控等。通过持续优化，结合更多环境因素，系统的适应性和检测精度将得到进一步提高。

总的来说，这个项目展示了如何结合深度学习模型和图形界面技术，创建一个实用且高效的智能检测系统，为实际应用提供了有力的技术支持。