：從資源包到護理監(jiān)控原型實戰(zhàn))
簡介這份資源面向從事老年人護理與安全監(jiān)控的開發(fā)者、學生及算法愛好者提供一套可直接落地的跌倒檢測目標檢測方案解決摔倒行為識別與實時預警問題。包內(nèi)包含1428張已標注圖像同時提供YOLO格式txt標簽與VOC格式xml標簽并劃分好train、val、test三個子集附data.yaml文件可無縫接入yolov5至yolov26等主流算法訓練。壓縮包共約2000個文件以txt標注與說明、md文檔、py腳本為主輔以cpp、js、html、yaml等工程文件整體約77.41MB兼顧數(shù)據(jù)集、訓練好的模型與使用教程。資源還附帶模型評價指標曲線圖便于評估精度與收斂情況。目前已有36人學習下載讀者可借此快速復現(xiàn)跌倒檢測流程理解數(shù)據(jù)組織與模型評估思路并在此基礎上遷移到護理看護、獨居老人監(jiān)護等實際場景。1. 跌倒檢測系統(tǒng)落地從 yolo26-pyqt 資源包到可跑通的護理監(jiān)控原型養(yǎng)老院夜班最怕什么不是老人起夜而是跌倒后半小時沒人發(fā)現(xiàn)。我拆過不少所謂「智能看護」的包多數(shù)是拿個開源權重套個界面就發(fā)出來跑起來要么檢測框亂飛要么 PyQt 界面直接卡死。這次拿到的yolo26-pyqt跌倒檢測-老年人護理和安全監(jiān)控系統(tǒng)數(shù)據(jù)集訓練好的模型.zip算是少見的完整件數(shù)據(jù)集、訓練好的模型、PyQt 桌面端推理界面三樣都在目標很明確——讓做畢設或做原型驗證的人不用從標注開始直接跑通「視頻輸入→跌倒判定→界面告警」這條鏈路。它適合兩類人一是需要快速出演示效果的嵌入式或上位機方向學生二是想拿現(xiàn)成 pipeline 改自己場景的初級算法工程師。不適合指望開箱即用上生產(chǎn)的人因為跌倒判定邏輯和誤報抑制還得自己調(diào)。2. 拆包先看結構數(shù)據(jù)集、模型、PyQt 界面各管什么2.1 資源包里的三塊拼圖與各自邊界拿到壓縮包先別急著解壓到桌面我一般會先看目錄層級。這類資源通常分三塊datasets/放圖片和 YOLO 格式標簽weights/或runs/放訓練好的.pt權重根目錄或ui/下放 PyQt 的.py和.ui文件。數(shù)據(jù)集這塊要重點確認兩點一是標注格式是不是 YOLO 的class x_center y_center w h歸一化格式二是類別數(shù)是不是只有fall和person兩類或者干脆只有fall一類。常見做法是只標跌倒姿態(tài)正常行走不標這樣模型學的是「跌倒特征」而不是「人」。模型這塊標題寫的是 yolo26但實際權重文件大概率是 YOLOv8 或 YOLOv11 的.pt因為目前主流訓練腳本和部署生態(tài)對這兩個版本支持最穩(wěn)。PyQt 界面負責的是把 OpenCV 讀幀、模型推理、畫框、告警文字串起來它本身不做檢測只是個殼。提示解壓后先看requirements.txt或README確認 torch 和 ultralytics 的版本。版本對不上權重加載直接報UnpicklingError。2.2 環(huán)境搭建Python、PyQt5 與 ultralytics 的版本咬合環(huán)境這塊翻車最多。我習慣用 conda 建獨立環(huán)境Python 選 3.9 或 3.10這兩個版本對 PyQt5 和 torch 的兼容性最省心。PyQt5 用 pip 裝PyQt55.15.9別裝 6因為很多現(xiàn)成界面代碼是from PyQt5.QtWidgets import ...裝 6 會報模塊找不到。ultralytics 裝 8.x 系列它自帶 YOLO 推理接口一行YOLO(best.pt)就能加載。torch 根據(jù)你有沒有顯卡選有 N 卡就裝 CUDA 版沒顯卡就 CPU 版但 CPU 推理幀率會掉到個位數(shù)演示夠用實時監(jiān)控就吃力。conda create -n fall_detect python3.10 -y conda activate fall_detect pip install PyQt55.15.9 ultralytics opencv-python # 如果有 NVIDIA 顯卡去 pytorch 官網(wǎng)復制對應 CUDA 版本的安裝命令 # 例如pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118這段命令的邏輯是先隔離環(huán)境避免污染全局包再固定 PyQt5 大版本最后裝 ultralytics 和 OpenCV。參數(shù)上唯一要改的是 torch 的 CUDA 版本號得跟你驅動支持的 CUDA 版本對齊nvidia-smi右上角能看到驅動支持的 CUDA 上限。裝完跑一句python -c from ultralytics import YOLO; print(ok)不報錯再往下走。2.3 數(shù)據(jù)集格式核對與類別映射數(shù)據(jù)集如果直接拿來重訓得確認data.yaml里的nc和names跟標簽文件對得上。我見過標簽里寫0代表跌倒但data.yaml里names: [person, fall]這樣訓練時模型會把跌倒當成人學mAP 看著不低實際推理全是錯框。核對方法很簡單隨便打開一個.txt標簽看每行第一個數(shù)字再去data.yaml里對。如果只有一類跌倒nc: 1names: [fall]。如果兩類nc: 2順序別搞反。import yaml, glob, os with open(datasets/data.yaml, r) as f: cfg yaml.safe_load(f) print(類別數(shù):, cfg[nc], 類別名:, cfg[names]) label_files glob.glob(datasets/labels/train/*.txt) class_ids set() for lf in label_files[:50]: with open(lf) as f: for line in f: if line.strip(): class_ids.add(int(line.split()[0])) print(標簽里出現(xiàn)的類別 id:, sorted(class_ids)) # 如果 class_ids 最大值 cfg[nc]說明映射錯了必須改 data.yaml 或重標這段腳本先讀data.yaml打印類別配置再抽樣 50 個標簽文件收集實際出現(xiàn)的類別 id。邏輯說明YOLO 要求類別 id 從 0 連續(xù)到 nc-1如果標簽里出現(xiàn) id2 但 nc2訓練時直接報索引越界。參數(shù)上label_files[:50]是抽樣數(shù)量數(shù)據(jù)集大可以不改小數(shù)據(jù)集全量掃也行。3. 推理鏈路跑通從權重加載到 PyQt 界面告警3.1 權重加載與單幀推理驗證在碰 PyQt 之前先用命令行驗證權重能不能正常推理。這一步是分水嶺如果命令行都跑不出框界面里更不可能跑通。ultralytics 的推理接口很直白model.predict傳圖片路徑或 numpy 數(shù)組都行。我一般會先拿數(shù)據(jù)集里一張跌倒圖試看results[0].boxes里有沒有框cls是不是跌倒類。from ultralytics import YOLO import cv2 model YOLO(weights/best.pt) # 替換成實際權重路徑 img cv2.imread(datasets/images/val/fall_001.jpg) results model.predict(img, conf0.4, iou0.5, verboseFalse) for box in results[0].boxes: cls_id int(box.cls[0]) conf float(box.conf[0]) xyxy box.xyxy[0].tolist() print(f類別:{cls_id} 置信度:{conf:.2f} 坐標:{xyxy}) # 如果這里一個框都沒有先降 conf 到 0.2 再看再沒有就是權重或圖片路徑問題邏輯說明conf0.4是置信度閾值低于這個值的框不輸出iou0.5是 NMS 重疊閾值跌倒場景里人和跌倒框可能重疊iou 設太低會誤刪。參數(shù)怎么改如果漏檢多conf 降到 0.25如果誤報多conf 提到 0.5 以上。verboseFalse只是關掉 ultralytics 的日志刷屏不影響結果。3.2 PyQt 界面與 OpenCV 視頻流的線程配合PyQt 界面卡死的根因幾乎都是把推理放在主線程。主線程要刷新界面你讓它去跑模型界面就假死。正確做法是開一個QThread子線程讀視頻幀、跑推理通過信號把帶框的幀和告警文字發(fā)回主線程顯示。資源包里的界面代碼如果直接在按鈕回調(diào)里寫while True讀攝像頭那必須改。from PyQt5.QtCore import QThread, pyqtSignal import cv2 from ultralytics import YOLO class DetectThread(QThread): frame_signal pyqtSignal(object, str) # 發(fā)幀和告警文字 def __init__(self, model_path, video_path0): super().__init__() self.model YOLO(model_path) self.video_path video_path self.running True def run(self): cap cv2.VideoCapture(self.video_path) while self.running and cap.isOpened(): ret, frame cap.read() if not ret: break results self.model.predict(frame, conf0.4, verboseFalse) alert for box in results[0].boxes: x1, y1, x2, y2 map(int, box.xyxy[0].tolist()) cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 0, 255), 2) if int(box.cls[0]) 0: # 假設 0 是跌倒類 alert 跌倒告警 self.frame_signal.emit(frame, alert) cap.release() def stop(self): self.running False self.wait()邏輯說明QThread子類里run是線程入口frame_signal是自定義信號參數(shù)是objectnumpy 幀和str告警文字。主線程里把這個信號連到更新QLabel的槽函數(shù)上。參數(shù)上video_path0表示默認攝像頭傳文件路徑就讀視頻文件。self.running是退出標志窗口關閉時調(diào)stop()避免線程泄漏。這段代碼直接抄進資源包的界面文件里替換原來的推理循環(huán)就行。3.3 跌倒判定邏輯從檢測框到告警的中間層YOLO 只告訴你「框里像跌倒」但單幀檢測容易誤報——彎腰撿東西、坐下瞬間都可能被框成跌倒。我一般會加一個滑動窗口濾波連續(xù) N 幀里超過 M 幀檢測到跌倒才觸發(fā)告警。這個 N 和 M 就是玄學參數(shù)N10、M6 是我在 25fps 視頻上試出來的經(jīng)驗值太低會誤報太高會漏報。資源包里如果沒這層邏輯建議自己補上代碼不長但效果立竿見影。from collections import deque class FallFilter: def __init__(self, window_size10, threshold6): self.window deque(maxlenwindow_size) self.threshold threshold def update(self, is_fall): self.window.append(1 if is_fall else 0) return sum(self.window) self.threshold # 每幀推理后調(diào) filter.update(檢測到跌倒)返回 True 才在界面上彈告警邏輯說明deque固定長度隊列存最近 N 幀的跌倒狀態(tài)sum統(tǒng)計其中跌倒幀數(shù)超過閾值才返回 True。參數(shù)上window_size對應時間窗口25fps 下 10 幀約 0.4 秒threshold是觸發(fā)門檻調(diào)高更保守。這個濾波模型比單幀判定穩(wěn)得多代價是告警延遲增加約 0.2 秒護理場景完全可接受。4. 避坑與排查權重、界面、數(shù)據(jù)集的高頻翻車點4.1 權重加載報 UnpicklingError 或 KeyError現(xiàn)象YOLO(best.pt)直接拋異常提示UnpicklingError或KeyError: model。原因通常是權重是用更高版本 ultralytics 訓練的或者權重文件下載不完整。解決先確認權重文件大小是否正常YOLOv8n 約 6MBYOLOv8s 約 22MB如果只有幾 KB 就是下載斷了。版本問題就升級 ultralytics 到最新或者找訓練時用的版本。我一般會pip install ultralytics --upgrade再試八成能解決。4.2 PyQt 界面點開始按鈕后無響應現(xiàn)象點「開始檢測」按鈕界面卡住視頻框不刷新。原因幾乎都是推理循環(huán)寫在了主線程里或者cv2.waitKey跟 Qt 事件循環(huán)沖突。解決把推理邏輯挪到QThread子線程用信號槽更新界面別在子線程里碰任何 Qt 控件。另外cv2.imshow和 PyQt 不要混用要么全用 Qt 顯示要么全用 OpenCV 窗口。4.3 攝像頭讀幀失敗或幀率為零現(xiàn)象cap.isOpened()返回 False或者讀幾幀后ret變 False。原因可能是攝像頭被其他程序占用或者VideoCapture索引不對。解決先換video_path傳一個本地視頻文件測試如果文件能讀就是攝像頭問題。Windows 下試試cv2.CAP_DSHOW后端cv2.VideoCapture(0, cv2.CAP_DSHOW)。Linux 下確認/dev/video0權限。4.4 數(shù)據(jù)集標簽與 data.yaml 類別數(shù)不匹配現(xiàn)象訓練時報IndexError: index 2 is out of bounds for dimension 0 with size 2。原因就是標簽里的類別 id 超過了nc-1。解決用第 2.3 節(jié)的腳本掃一遍標簽把超范圍的 id 找出來要么改data.yaml的nc和names要么重新映射標簽。別硬訓訓出來也是廢權重。4.5 推理速度慢到無法實時現(xiàn)象CPU 上跑 YOLOv8s每幀要 300ms 以上視頻卡成幻燈片。原因就是模型太大或沒用 GPU。解決換 YOLOv8n 權重輸入尺寸從 640 降到 416能快一倍多。有 N 卡就裝 CUDA 版 torch推理時加device0。如果還慢把model.predict的halfTrue打開用 FP16 推理速度再提一截精度掉一點點。5. 進階調(diào)優(yōu)把演示級系統(tǒng)推到可用級的三個技巧第一個技巧是自定義置信度與 IoU 的聯(lián)動調(diào)參。很多人只調(diào)conf不動iou結果跌倒框和人體框重疊時被 NMS 誤刪。我的習慣是跌倒場景把iou提到 0.6讓重疊框多留一會兒再靠滑動窗口濾波去誤報。具體做法是在model.predict里同時傳conf0.35, iou0.6然后觀察告警頻率誤報多就升conf漏報多就降confiou一般不動。第二個技巧是輸入分辨率與幀采樣率的權衡。PyQt 界面如果直接讀 1080p 攝像頭每幀 resize 到 640 也要耗時間。我一般會在cap.read()之后立刻cv2.resize到 640×640 再送模型顯示的時候再放大回界面尺寸。另外沒必要每幀都推理可以隔幀推理中間幀復用上一幀的框視覺上幾乎看不出差別CPU 占用直接減半。參數(shù)演示級取值可用級取值影響conf0.40.35降低漏檢可能增誤報iou0.50.6保留重疊框配合濾波輸入尺寸640416提速約 40%小目標略降推理間隔每幀隔幀CPU 減半告警延遲 40ms濾波窗口無10 幀 / 6 幀誤報大降延遲 0.2s第三個技巧是告警日志與截圖留存。護理場景里光彈個文字告警不夠得把觸發(fā)時刻的幀存下來方便回溯。我一般會在FallFilter返回 True 的那一幀用cv2.imwrite存到alerts/目錄文件名帶時間戳。這樣跑一晚上第二天翻一眼截圖就知道有沒有誤報比盯著界面看靠譜得多。import cv2, time, os os.makedirs(alerts, exist_okTrue) if fall_filter.update(is_fall): ts time.strftime(%Y%m%d_%H%M%S) cv2.imwrite(falerts/fall_{ts}.jpg, frame) # 同時把告警文字發(fā)到界面邏輯說明fall_filter.update返回 True 才存圖避免每幀都寫磁盤。time.strftime生成可讀時間戳方便按時間檢索。參數(shù)上存圖格式用 jpg 省空間質(zhì)量默認 95 夠用。這個習慣是我從一次誤報排查里養(yǎng)成的——當時界面閃了一下告警就沒了沒截圖根本不知道是真人跌倒還是窗簾飄動。從那以后我每次部署這類檢測系統(tǒng)都強制走一遍「告警即存圖」的流程后悔藥不如留證據(jù)。希望幫到你。本文還有配套的精品資源點擊獲取 基于YOLO與PyQt的跌倒檢測系統(tǒng)：從資源包到護理監(jiān)控原型實戰(zhàn)
簡介這份資源面向從事老年人護理與安全監(jiān)控的開發(fā)者、學生及算法愛好者提供一套可直接落地的跌倒檢測目標檢測方案解決摔倒行為識別與實時預警問題。包內(nèi)包含1428張已標注圖像同時提供YOLO格式txt標簽與VOC格式xml標簽并劃分好train、val、test三個子集附data.yaml文件可無縫接入yolov5至yolov26等主流算法訓練。壓縮包共約2000個文件以txt標注與說明、md文檔、py腳本為主輔以cpp、js、html、yaml等工程文件整體約77.41MB兼顧數(shù)據(jù)集、訓練好的模型與使用教程。資源還附帶模型評價指標曲線圖便于評估精度與收斂情況。目前已有36人學習下載讀者可借此快速復現(xiàn)跌倒檢測流程理解數(shù)據(jù)組織與模型評估思路并在此基礎上遷移到護理看護、獨居老人監(jiān)護等實際場景。1. 跌倒檢測系統(tǒng)落地從 yolo26-pyqt 資源包到可跑通的護理監(jiān)控原型養(yǎng)老院夜班最怕什么不是老人起夜而是跌倒后半小時沒人發(fā)現(xiàn)。我拆過不少所謂「智能看護」的包多數(shù)是拿個開源權重套個界面就發(fā)出來跑起來要么檢測框亂飛要么 PyQt 界面直接卡死。這次拿到的yolo26-pyqt跌倒檢測-老年人護理和安全監(jiān)控系統(tǒng)數(shù)據(jù)集訓練好的模型.zip算是少見的完整件數(shù)據(jù)集、訓練好的模型、PyQt 桌面端推理界面三樣都在目標很明確——讓做畢設或做原型驗證的人不用從標注開始直接跑通「視頻輸入→跌倒判定→界面告警」這條鏈路。它適合兩類人一是需要快速出演示效果的嵌入式或上位機方向學生二是想拿現(xiàn)成 pipeline 改自己場景的初級算法工程師。不適合指望開箱即用上生產(chǎn)的人因為跌倒判定邏輯和誤報抑制還得自己調(diào)。2. 拆包先看結構數(shù)據(jù)集、模型、PyQt 界面各管什么2.1 資源包里的三塊拼圖與各自邊界拿到壓縮包先別急著解壓到桌面我一般會先看目錄層級。這類資源通常分三塊datasets/放圖片和 YOLO 格式標簽weights/或runs/放訓練好的.pt權重根目錄或ui/下放 PyQt 的.py和.ui文件。數(shù)據(jù)集這塊要重點確認兩點一是標注格式是不是 YOLO 的class x_center y_center w h歸一化格式二是類別數(shù)是不是只有fall和person兩類或者干脆只有fall一類。常見做法是只標跌倒姿態(tài)正常行走不標這樣模型學的是「跌倒特征」而不是「人」。模型這塊標題寫的是 yolo26但實際權重文件大概率是 YOLOv8 或 YOLOv11 的.pt因為目前主流訓練腳本和部署生態(tài)對這兩個版本支持最穩(wěn)。PyQt 界面負責的是把 OpenCV 讀幀、模型推理、畫框、告警文字串起來它本身不做檢測只是個殼。提示解壓后先看requirements.txt或README確認 torch 和 ultralytics 的版本。版本對不上權重加載直接報UnpicklingError。2.2 環(huán)境搭建Python、PyQt5 與 ultralytics 的版本咬合環(huán)境這塊翻車最多。我習慣用 conda 建獨立環(huán)境Python 選 3.9 或 3.10這兩個版本對 PyQt5 和 torch 的兼容性最省心。PyQt5 用 pip 裝PyQt55.15.9別裝 6因為很多現(xiàn)成界面代碼是from PyQt5.QtWidgets import ...裝 6 會報模塊找不到。ultralytics 裝 8.x 系列它自帶 YOLO 推理接口一行YOLO(best.pt)就能加載。torch 根據(jù)你有沒有顯卡選有 N 卡就裝 CUDA 版沒顯卡就 CPU 版但 CPU 推理幀率會掉到個位數(shù)演示夠用實時監(jiān)控就吃力。conda create -n fall_detect python3.10 -y conda activate fall_detect pip install PyQt55.15.9 ultralytics opencv-python # 如果有 NVIDIA 顯卡去 pytorch 官網(wǎng)復制對應 CUDA 版本的安裝命令 # 例如pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118這段命令的邏輯是先隔離環(huán)境避免污染全局包再固定 PyQt5 大版本最后裝 ultralytics 和 OpenCV。參數(shù)上唯一要改的是 torch 的 CUDA 版本號得跟你驅動支持的 CUDA 版本對齊nvidia-smi右上角能看到驅動支持的 CUDA 上限。裝完跑一句python -c from ultralytics import YOLO; print(ok)不報錯再往下走。2.3 數(shù)據(jù)集格式核對與類別映射數(shù)據(jù)集如果直接拿來重訓得確認data.yaml里的nc和names跟標簽文件對得上。我見過標簽里寫0代表跌倒但data.yaml里names: [person, fall]這樣訓練時模型會把跌倒當成人學mAP 看著不低實際推理全是錯框。核對方法很簡單隨便打開一個.txt標簽看每行第一個數(shù)字再去data.yaml里對。如果只有一類跌倒nc: 1names: [fall]。如果兩類nc: 2順序別搞反。import yaml, glob, os with open(datasets/data.yaml, r) as f: cfg yaml.safe_load(f) print(類別數(shù):, cfg[nc], 類別名:, cfg[names]) label_files glob.glob(datasets/labels/train/*.txt) class_ids set() for lf in label_files[:50]: with open(lf) as f: for line in f: if line.strip(): class_ids.add(int(line.split()[0])) print(標簽里出現(xiàn)的類別 id:, sorted(class_ids)) # 如果 class_ids 最大值 cfg[nc]說明映射錯了必須改 data.yaml 或重標這段腳本先讀data.yaml打印類別配置再抽樣 50 個標簽文件收集實際出現(xiàn)的類別 id。邏輯說明YOLO 要求類別 id 從 0 連續(xù)到 nc-1如果標簽里出現(xiàn) id2 但 nc2訓練時直接報索引越界。參數(shù)上label_files[:50]是抽樣數(shù)量數(shù)據(jù)集大可以不改小數(shù)據(jù)集全量掃也行。3. 推理鏈路跑通從權重加載到 PyQt 界面告警3.1 權重加載與單幀推理驗證在碰 PyQt 之前先用命令行驗證權重能不能正常推理。這一步是分水嶺如果命令行都跑不出框界面里更不可能跑通。ultralytics 的推理接口很直白model.predict傳圖片路徑或 numpy 數(shù)組都行。我一般會先拿數(shù)據(jù)集里一張跌倒圖試看results[0].boxes里有沒有框cls是不是跌倒類。from ultralytics import YOLO import cv2 model YOLO(weights/best.pt) # 替換成實際權重路徑 img cv2.imread(datasets/images/val/fall_001.jpg) results model.predict(img, conf0.4, iou0.5, verboseFalse) for box in results[0].boxes: cls_id int(box.cls[0]) conf float(box.conf[0]) xyxy box.xyxy[0].tolist() print(f類別:{cls_id} 置信度:{conf:.2f} 坐標:{xyxy}) # 如果這里一個框都沒有先降 conf 到 0.2 再看再沒有就是權重或圖片路徑問題邏輯說明conf0.4是置信度閾值低于這個值的框不輸出iou0.5是 NMS 重疊閾值跌倒場景里人和跌倒框可能重疊iou 設太低會誤刪。參數(shù)怎么改如果漏檢多conf 降到 0.25如果誤報多conf 提到 0.5 以上。verboseFalse只是關掉 ultralytics 的日志刷屏不影響結果。3.2 PyQt 界面與 OpenCV 視頻流的線程配合PyQt 界面卡死的根因幾乎都是把推理放在主線程。主線程要刷新界面你讓它去跑模型界面就假死。正確做法是開一個QThread子線程讀視頻幀、跑推理通過信號把帶框的幀和告警文字發(fā)回主線程顯示。資源包里的界面代碼如果直接在按鈕回調(diào)里寫while True讀攝像頭那必須改。from PyQt5.QtCore import QThread, pyqtSignal import cv2 from ultralytics import YOLO class DetectThread(QThread): frame_signal pyqtSignal(object, str) # 發(fā)幀和告警文字 def __init__(self, model_path, video_path0): super().__init__() self.model YOLO(model_path) self.video_path video_path self.running True def run(self): cap cv2.VideoCapture(self.video_path) while self.running and cap.isOpened(): ret, frame cap.read() if not ret: break results self.model.predict(frame, conf0.4, verboseFalse) alert for box in results[0].boxes: x1, y1, x2, y2 map(int, box.xyxy[0].tolist()) cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 0, 255), 2) if int(box.cls[0]) 0: # 假設 0 是跌倒類 alert 跌倒告警 self.frame_signal.emit(frame, alert) cap.release() def stop(self): self.running False self.wait()邏輯說明QThread子類里run是線程入口frame_signal是自定義信號參數(shù)是objectnumpy 幀和str告警文字。主線程里把這個信號連到更新QLabel的槽函數(shù)上。參數(shù)上video_path0表示默認攝像頭傳文件路徑就讀視頻文件。self.running是退出標志窗口關閉時調(diào)stop()避免線程泄漏。這段代碼直接抄進資源包的界面文件里替換原來的推理循環(huán)就行。3.3 跌倒判定邏輯從檢測框到告警的中間層YOLO 只告訴你「框里像跌倒」但單幀檢測容易誤報——彎腰撿東西、坐下瞬間都可能被框成跌倒。我一般會加一個滑動窗口濾波連續(xù) N 幀里超過 M 幀檢測到跌倒才觸發(fā)告警。這個 N 和 M 就是玄學參數(shù)N10、M6 是我在 25fps 視頻上試出來的經(jīng)驗值太低會誤報太高會漏報。資源包里如果沒這層邏輯建議自己補上代碼不長但效果立竿見影。from collections import deque class FallFilter: def __init__(self, window_size10, threshold6): self.window deque(maxlenwindow_size) self.threshold threshold def update(self, is_fall): self.window.append(1 if is_fall else 0) return sum(self.window) self.threshold # 每幀推理后調(diào) filter.update(檢測到跌倒)返回 True 才在界面上彈告警邏輯說明deque固定長度隊列存最近 N 幀的跌倒狀態(tài)sum統(tǒng)計其中跌倒幀數(shù)超過閾值才返回 True。參數(shù)上window_size對應時間窗口25fps 下 10 幀約 0.4 秒threshold是觸發(fā)門檻調(diào)高更保守。這個濾波模型比單幀判定穩(wěn)得多代價是告警延遲增加約 0.2 秒護理場景完全可接受。4. 避坑與排查權重、界面、數(shù)據(jù)集的高頻翻車點4.1 權重加載報 UnpicklingError 或 KeyError現(xiàn)象YOLO(best.pt)直接拋異常提示UnpicklingError或KeyError: model。原因通常是權重是用更高版本 ultralytics 訓練的或者權重文件下載不完整。解決先確認權重文件大小是否正常YOLOv8n 約 6MBYOLOv8s 約 22MB如果只有幾 KB 就是下載斷了。版本問題就升級 ultralytics 到最新或者找訓練時用的版本。我一般會pip install ultralytics --upgrade再試八成能解決。4.2 PyQt 界面點開始按鈕后無響應現(xiàn)象點「開始檢測」按鈕界面卡住視頻框不刷新。原因幾乎都是推理循環(huán)寫在了主線程里或者cv2.waitKey跟 Qt 事件循環(huán)沖突。解決把推理邏輯挪到QThread子線程用信號槽更新界面別在子線程里碰任何 Qt 控件。另外cv2.imshow和 PyQt 不要混用要么全用 Qt 顯示要么全用 OpenCV 窗口。4.3 攝像頭讀幀失敗或幀率為零現(xiàn)象cap.isOpened()返回 False或者讀幾幀后ret變 False。原因可能是攝像頭被其他程序占用或者VideoCapture索引不對。解決先換video_path傳一個本地視頻文件測試如果文件能讀就是攝像頭問題。Windows 下試試cv2.CAP_DSHOW后端cv2.VideoCapture(0, cv2.CAP_DSHOW)。Linux 下確認/dev/video0權限。4.4 數(shù)據(jù)集標簽與 data.yaml 類別數(shù)不匹配現(xiàn)象訓練時報IndexError: index 2 is out of bounds for dimension 0 with size 2。原因就是標簽里的類別 id 超過了nc-1。解決用第 2.3 節(jié)的腳本掃一遍標簽把超范圍的 id 找出來要么改data.yaml的nc和names要么重新映射標簽。別硬訓訓出來也是廢權重。4.5 推理速度慢到無法實時現(xiàn)象CPU 上跑 YOLOv8s每幀要 300ms 以上視頻卡成幻燈片。原因就是模型太大或沒用 GPU。解決換 YOLOv8n 權重輸入尺寸從 640 降到 416能快一倍多。有 N 卡就裝 CUDA 版 torch推理時加device0。如果還慢把model.predict的halfTrue打開用 FP16 推理速度再提一截精度掉一點點。5. 進階調(diào)優(yōu)把演示級系統(tǒng)推到可用級的三個技巧第一個技巧是自定義置信度與 IoU 的聯(lián)動調(diào)參。很多人只調(diào)conf不動iou結果跌倒框和人體框重疊時被 NMS 誤刪。我的習慣是跌倒場景把iou提到 0.6讓重疊框多留一會兒再靠滑動窗口濾波去誤報。具體做法是在model.predict里同時傳conf0.35, iou0.6然后觀察告警頻率誤報多就升conf漏報多就降confiou一般不動。第二個技巧是輸入分辨率與幀采樣率的權衡。PyQt 界面如果直接讀 1080p 攝像頭每幀 resize 到 640 也要耗時間。我一般會在cap.read()之后立刻cv2.resize到 640×640 再送模型顯示的時候再放大回界面尺寸。另外沒必要每幀都推理可以隔幀推理中間幀復用上一幀的框視覺上幾乎看不出差別CPU 占用直接減半。參數(shù)演示級取值可用級取值影響conf0.40.35降低漏檢可能增誤報iou0.50.6保留重疊框配合濾波輸入尺寸640416提速約 40%小目標略降推理間隔每幀隔幀CPU 減半告警延遲 40ms濾波窗口無10 幀 / 6 幀誤報大降延遲 0.2s第三個技巧是告警日志與截圖留存。護理場景里光彈個文字告警不夠得把觸發(fā)時刻的幀存下來方便回溯。我一般會在FallFilter返回 True 的那一幀用cv2.imwrite存到alerts/目錄文件名帶時間戳。這樣跑一晚上第二天翻一眼截圖就知道有沒有誤報比盯著界面看靠譜得多。import cv2, time, os os.makedirs(alerts, exist_okTrue) if fall_filter.update(is_fall): ts time.strftime(%Y%m%d_%H%M%S) cv2.imwrite(falerts/fall_{ts}.jpg, frame) # 同時把告警文字發(fā)到界面邏輯說明fall_filter.update返回 True 才存圖避免每幀都寫磁盤。time.strftime生成可讀時間戳方便按時間檢索。參數(shù)上存圖格式用 jpg 省空間質(zhì)量默認 95 夠用。這個習慣是我從一次誤報排查里養(yǎng)成的——當時界面閃了一下告警就沒了沒截圖根本不知道是真人跌倒還是窗簾飄動。從那以后我每次部署這類檢測系統(tǒng)都強制走一遍「告警即存圖」的流程后悔藥不如留證據(jù)。希望幫到你。本文還有配套的精品資源點擊獲取