企业官网建设流程全解析

简介：本资源面向计算机视觉入门与进阶开发者、安防场景算法实践者，提供一套完整的YOLOv8行人跌倒检测方案，解决从数据准备到界面部署的全流程问题。包内包含基于一千多张行人跌倒图像训练好的检测权重，目标类别为fall，并附PR曲线、loss曲线等训练过程记录，便于评估模型表现。资源共约2000个文件，以txt标签、jpg样本图、py源码、pyc缓存、yaml配置为主，另有pt权重、ui界面文件、mp4演示视频及pdf说明文档，压缩包约134.81MB，目录按数据集、代码、界面等模块划分清晰。PyQt界面支持图片、视频与摄像头三种检测方式，数据集同时提供txt和xml两种标注格式，分别存放于独立文件夹，方便直接用于训练或格式转换。目前已有744人学习下载，适合希望快速复现跌倒检测项目、理解YOLOv8训练与推理流程、并借助可视化界面完成演示的读者参考。

1. 从一次养老院走廊的误报说起：YOLOv8行人跌倒检测到底在做什么

去年帮一个做智慧养老的朋友调系统，他们用普通摄像头做跌倒报警，结果老人蹲下系鞋带、弯腰捡东西，后台一天弹几十条告警，护工直接把通知关了。问题不在摄像头，在于只用了「人体框高宽比突变」这种规则判断，没有真正识别「跌倒」这个动作的时空特征。后来换成 YOLOv8 做人体检测，再叠加姿态和时序逻辑，误报率才压下来。这套「YOLOv8行人跌倒检测+训练好的模型+pyqt界面+数据集」的组合，本质是把检测、判定、可视化三件事串成一条能落地的链路：YOLOv8 负责在每一帧里稳定框出人，跌倒判定负责区分「躺下」和「摔倒」，PyQt 界面负责让非技术护工也能看懂和操作。它适合两类人：一类是想拿现成模型快速搭演示或毕设的开发者，另一类是想把跌倒检测接进自己监控系统的工程人员。下面我按「数据怎么准备、模型怎么训、界面怎么接、坑在哪」的顺序，把这条链路拆开讲清楚。

2. 数据集与标注：跌倒检测的成败八成在数据这一层

2.1 跌倒检测数据集和通用行人数据集差在哪

很多人第一反应是拿 COCO 或 VOC 里的人物框直接训，结果模型只学会「框人」，根本不知道什么叫跌倒。跌倒检测的数据集必须包含三类关键样本：正常站立行走、蹲坐弯腰等易混淆动作、真实跌倒（含躺地、侧摔、后仰）。常见做法是自建，用固定摄像头在走廊、卧室、卫生间门口各录一段，再抽帧标注。公开数据集里，像 UR Fall Detection、Le2i 这类偏学术，场景和国内养老院差异大，直接拿来训往往过拟合。我一般建议：公开数据集做预训练底子，自建 2000～5000 张做微调，比例大概 1:2。

标注用 LabelImg 或 Labelme 都行，YOLOv8 要的是 YOLO 格式的 txt。每张图一个同名 txt，每行类别 x_center y_center w h，坐标全部归一化到 0～1。类别建议只设两类：person和fall。别把「蹲下」单独设一类，否则类别不平衡会更严重，蹲下交给后处理逻辑去过滤。

2.2 把标注数据整理成 YOLOv8 能吃的目录结构

YOLOv8 对目录结构有固定要求，整理错了训练直接报找不到标签。标准结构如下：

fall_dataset/ ├── images/ │ ├── train/ # 训练图片 │ └── val/ # 验证图片 ├── labels/ │ ├── train/ # 对应训练标签 txt │ └── val/ # 对应验证标签 txt └── data.yaml # 数据集配置文件

data.yaml内容：

path: /home/user/fall_dataset # 数据集根目录，绝对路径最稳 train: images/train val: images/val nc: 2 # 类别数 names: ['person', 'fall'] # 类别名，顺序必须和标注时一致

这里有个血泪经验：names的顺序必须和标注时类别 id 对应，标fall时如果 id 写成 1，names 里fall就得排第二。顺序错位模型会把跌倒当人，训练 loss 看着降，实际全错。整理完跑一句校验，确认图片和标签数量一致：

import os img_dir = 'fall_dataset/images/train' lbl_dir = 'fall_dataset/labels/train' imgs = {os.path.splitext(f)[0] for f in os.listdir(img_dir)} lbls = {os.path.splitext(f)[0] for f in os.listdir(lbl_dir)} print('无标签的图片:', imgs - lbls) # 应为空 print('无图片的标签:', lbls - imgs) # 应为空

参数说明：imgs - lbls是漏标的图片，lbls - imgs是删图后残留的标签，两者都必须为空才能开训。这一步花两分钟，能省后面几小时的排查。

2.3 数据增强里哪些能用哪些会帮倒忙

YOLOv8 默认开启 mosaic、HSV 抖动、随机翻转。跌倒检测里，水平翻转可以用，垂直翻转千万别开——人倒过来在物理上不成立，模型会学到错误特征。mosaic 四图拼接对小目标有帮助，但跌倒样本本身占画面比例大，mosaic 反而可能把两个跌倒拼成一张，造成标签混乱。我一般把mosaic关掉或调低到 0.3，fliplr保持 0.5，scale控制在 0.5 以内，避免人体被缩得太小。这些在训练命令里通过参数覆盖即可，不用改源码。

3. 训练 YOLOv8 跌倒检测模型：参数怎么设、曲线怎么看

3.1 环境配置与最小训练命令

环境用 Python 3.9～3.10，PyTorch 按显卡选版本。CPU 也能跑，只是慢，ubuntu20.04上装 CPU 版做验证没问题，正式训还是建议有张 8G 以上显存的卡。装 ultralytics：

pip install ultralytics==8.0.200 yolo checks # 检查环境和依赖

最小训练命令：

yolo detect train \ data=fall_dataset/data.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ batch=16 \ lr0=0.01 \ patience=20 \ project=runs/fall \ name=exp1

参数说明：model=yolov8n.pt是官方预训练权重，n 最轻量，跌倒检测场景够用，显存紧张就选它；imgsz=640是输入尺寸，摄像头分辨率高可以提到 960，但显存翻倍；batch=16按显存调，8G 卡跑 640 一般能到 16；lr0=0.01初始学习率，微调自建小数据集可以降到 0.001；patience=20是早停，20 轮没提升就停，省时间。训练完权重在runs/fall/exp1/weights/best.pt。

3.2 损失曲线和 mAP 曲线到底该看哪条

训练完runs/fall/exp1/下会有results.png，包含 box_loss、cls_loss、mAP50、mAP50-95。看曲线有三个判断点：box_loss 和 cls_loss 应平稳下降，如果 cls_loss 震荡大，多半是学习率偏高或类别不平衡；mAP50 到 0.85 以上基本可用，跌倒检测因为样本少，能到 0.8 就不错；如果训练集 mAP 高、验证集低，是过拟合，加数据或加dropout。想自己画曲线，读results.csv：

import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv('runs/fall/exp1/results.csv') df.columns = df.columns.str.strip() # 列名常带空格，必须清理 plt.plot(df['epoch'], df['metrics/mAP50(B)'], label='mAP50') plt.plot(df['epoch'], df['train/box_loss'], label='box_loss') plt.legend(); plt.xlabel('epoch'); plt.savefig('curve.png')

参数说明：columns.str.strip()这行别省，ultralytics 导出的 csv 列名前后有空格，不清理会 KeyError，这是很多人画不出曲线的直接原因。

3.3 推理验证：先确认模型真的能分「跌倒」和「蹲下」

训完别急着接界面，先用命令行验证几张图：

yolo detect predict \ model=runs/fall/exp1/weights/best.pt \ source=test_imgs/ \ conf=0.4 \ save=True

conf=0.4是置信度阈值，跌倒检测宁可稍低也别漏报，但太低会误报，0.4 是常见起点。重点看两类图：蹲下弯腰的有没有被误判成 fall，真实躺地的有没有被漏掉。如果蹲下误报多，说明数据里负样本不够，回去补；如果躺地漏报，看是不是跌倒样本姿态太单一，补侧摔、后仰样本。这一步是接界面前最后一道关，别跳过。

4. PyQt 界面接入：把模型变成护工能用的工具

4.1 界面最小功能集与线程模型

PyQt 界面别一上来做花哨的，最小可用集就四块：视频显示区、开始/停止按钮、报警日志区、置信度滑块。核心难点是推理不能跑在主线程，否则界面卡死。常见做法是 QThread 开子线程跑 YOLOv8 推理，通过信号把结果发回主线程刷新。下面是一个可复用的推理线程骨架：

from PyQt5.QtCore import QThread, pyqtSignal from ultralytics import YOLO import cv2 class DetectThread(QThread): frame_signal = pyqtSignal(object) # 发带框的帧 alarm_signal = pyqtSignal(str) # 发报警文本 def __init__(self, model_path, source=0, conf=0.4): super().__init__() self.model = YOLO(model_path) self.source = source self.conf = conf self.running = True def run(self): cap = cv2.VideoCapture(self.source) while self.running and cap.isOpened(): ret, frame = cap.read() if not ret: break results = self.model(frame, conf=self.conf, verbose=False) for r in results: for box in r.boxes: cls_id = int(box.cls[0]) name = self.model.names[cls_id] if name == 'fall': self.alarm_signal.emit('检测到跌倒，请立即查看') annotated = results[0].plot() # 画框 self.frame_signal.emit(annotated) cap.release() def stop(self): self.running = False self.wait()

逻辑说明：frame_signal传 numpy 图像给主线程显示，alarm_signal传报警字符串。results[0].plot()是 ultralytics 自带的画框方法，省得自己写。参数conf从界面滑块读，source=0是本地摄像头，也可以传视频路径。注意verbose=False关掉每帧日志，否则控制台刷屏拖慢速度。

4.2 主窗口怎么把信号接起来

主窗口负责显示和交互，关键是把子线程信号连到槽函数：

from PyQt5.QtWidgets import QMainWindow, QLabel, QPushButton, QVBoxLayout, QWidget from PyQt5.QtGui import QImage, QPixmap import cv2 class MainWindow(QMainWindow): def __init__(self): super().__init__() self.label = QLabel('视频区') self.btn = QPushButton('开始检测') self.btn.clicked.connect(self.toggle) layout = QVBoxLayout() layout.addWidget(self.label) layout.addWidget(self.btn) container = QWidget(); container.setLayout(layout) self.setCentralWidget(container) self.thread = None def toggle(self): if self.thread is None: self.thread = DetectThread('runs/fall/exp1/weights/best.pt', conf=0.4) self.thread.frame_signal.connect(self.show_frame) self.thread.alarm_signal.connect(self.show_alarm) self.thread.start() self.btn.setText('停止') else: self.thread.stop() self.thread = None self.btn.setText('开始检测') def show_frame(self, frame): rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) h, w, _ = rgb.shape img = QImage(rgb.data, w, h, w * 3, QImage.Format_RGB888) self.label.setPixmap(QPixmap.fromImage(img).scaled(self.label.size())) def show_alarm(self, text): print('报警:', text) # 实际可换成日志区追加

参数说明：QImage构造里的w * 3是每行字节数，RGB 三通道，写错会花屏。scaled保持比例显示。show_alarm里换成往 QTextEdit 追加文本即可。这套骨架跑通后，再加报警声音、日志落盘、多路摄像头都不难。

4.3 界面和模型解耦：换模型不用改界面

把模型路径、置信度、类别名抽成配置，界面只读配置。这样以后换yolov8s.pt或换自训权重，只改配置文件。常见做法是写个config.yaml，界面启动时读。别把路径硬编码在代码里，否则部署到另一台机器全是错。

5. 避坑与排查：跌倒检测落地时最容易翻车的五件事

5.1 现象：模型把蹲下、弯腰全报成跌倒

原因：训练集里负样本（蹲、坐、弯腰）太少，模型只学到「人体框变矮变宽」就等于跌倒。解决：补 500～1000 张易混淆动作图，标成person，重新微调；同时在推理后加逻辑，连续 N 帧判定为 fall 才报警，单帧不报。

5.2 现象：训练 loss 正常下降，但验证 mAP 一直是 0

原因：data.yaml里names顺序和标注类别 id 错位，或者val路径写错导致验证集为空。解决：跑 2.2 的校验脚本确认图片标签配对，再打印data.yaml核对 names 顺序，路径用绝对路径。

5.3 现象：PyQt 界面点开始后卡死无响应

原因：推理跑在主线程，或者子线程里直接操作了界面控件。解决：推理必须放 QThread，界面刷新只能通过信号槽在主线程做，子线程里禁止直接调setPixmap。

5.4 现象：CPU 上跑推理只有 2～3 帧，界面像幻灯片

原因：yolov8n在 CPU 上 640 输入也就这个水平。解决：降imgsz到 416，或换yolov8n的 OpenVINO/ONNX 导出加速；实在要实时，得上 GPU 或边缘加速棒。别指望 CPU 跑 1080p 实时。

5.5 现象：换一台机器部署，报找不到模型或类别错乱

原因：模型路径硬编码、names从模型里读但和界面写死的类别对不上。解决：模型路径走配置，类别名统一从model.names读，界面不写死。部署前在目标机器跑一遍yolo detect predict确认模型能加载。

6. 让跌倒检测更稳的一个技巧：用连续帧投票压掉单帧误报

单帧检测再准也架不住光照突变、遮挡、运动模糊。我一般会在 PyQt 线程里加一个滑动窗口投票：维护最近 10 帧的判定结果，fall 出现超过 6 帧才触发报警，同时要求人体框中心在窗口内持续下移。这样蹲下这种短暂动作会被自然过滤，真实跌倒因为持续躺地会稳定命中。实现上用一个collections.deque(maxlen=10)存每帧是否 fall，报警前统计比例：

from collections import deque class FallVoter: def __init__(self, window=10, threshold=0.6): self.buf = deque(maxlen=window) self.threshold = threshold def update(self, is_fall): self.buf.append(1 if is_fall else 0) if len(self.buf) < self.buf.maxlen: return False return sum(self.buf) / len(self.buf) >= self.threshold

参数说明：window=10对应约 0.3～0.5 秒（按帧率），threshold=0.6表示 10 帧里 6 帧判定跌倒才报警。窗口太长会延迟报警，太短压不住误报，10 和 0.6 是我在 25fps 摄像头下试出来的平衡点。验证方法很简单：录一段「蹲下捡东西再站起」和一段「真实侧摔」，分别跑投票逻辑，看误报和漏报。我自己的习惯是每换一个场景，先跑这两段回归，再上线。这套投票逻辑不复杂，但它是把 demo 变成能用的系统之间最关键的一步。希望帮到你。

本文还有配套的精品资源，点击获取