簡(jiǎn)介這份資源面向從事老年人護(hù)理與安全監(jiān)控的開(kāi)發(fā)者、學(xué)生及算法愛(ài)好者提供一套可直接落地的跌倒檢測(cè)目標(biāo)檢測(cè)方案解決摔倒行為識(shí)別與實(shí)時(shí)預(yù)警問(wèn)題。包內(nèi)包含1428張已標(biāo)注圖像同時(shí)提供YOLO格式txt標(biāo)簽與VOC格式xml標(biāo)簽并劃分好train、val、test三個(gè)子集附data.yaml文件可無(wú)縫接入yolov5至yolov26等主流算法訓(xùn)練。壓縮包共約2000個(gè)文件以txt標(biāo)注與說(shuō)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(xùn)練好的模型與使用教程。資源還附帶模型評(píng)價(jià)指標(biāo)曲線圖便于評(píng)估精度與收斂情況。目前已有36人學(xué)習(xí)下載讀者可借此快速?gòu)?fù)現(xiàn)跌倒檢測(cè)流程理解數(shù)據(jù)組織與模型評(píng)估思路并在此基礎(chǔ)上遷移到護(hù)理看護(hù)、獨(dú)居老人監(jiān)護(hù)等實(shí)際場(chǎng)景。1. 跌倒檢測(cè)系統(tǒng)落地從 yolo26-pyqt 資源包到可跑通的護(hù)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(shí)沒(méi)人發(fā)現(xiàn)。我拆過(guò)不少所謂「智能看護(hù)」的包多數(shù)是拿個(gè)開(kāi)源權(quán)重套個(gè)界面就發(fā)出來(lái)跑起來(lái)要么檢測(cè)框亂飛要么 PyQt 界面直接卡死。這次拿到的yolo26-pyqt跌倒檢測(cè)-老年人護(hù)理和安全監(jiān)控系統(tǒng)數(shù)據(jù)集訓(xùn)練好的模型.zip算是少見(jiàn)的完整件數(shù)據(jù)集、訓(xùn)練好的模型、PyQt 桌面端推理界面三樣都在目標(biāo)很明確——讓做畢設(shè)或做原型驗(yàn)證的人不用從標(biāo)注開(kāi)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(jī)方向?qū)W生二是想拿現(xiàn)成 pipeline 改自己場(chǎng)景的初級(jí)算法工程師。不適合指望開(kāi)箱即用上生產(chǎn)的人因?yàn)榈古卸ㄟ壿嫼驼`報(bào)抑制還得自己調(diào)。2. 拆包先看結(jié)構(gòu)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(huì)先看目錄層級(jí)。這類資源通常分三塊datasets/放圖片和 YOLO 格式標(biāo)簽weights/或runs/放訓(xùn)練好的.pt權(quán)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(diǎn)確認(rèn)兩點(diǎn)一是標(biāo)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(jiàn)做法是只標(biāo)跌倒姿態(tài)正常行走不標(biāo)這樣模型學(xué)的是「跌倒特征」而不是「人」。模型這塊標(biāo)題寫的是 yolo26但實(shí)際權(quán)重文件大概率是 YOLOv8 或 YOLOv11 的.pt因?yàn)槟壳爸髁饔?xùn)練腳本和部署生態(tài)對(duì)這兩個(gè)版本支持最穩(wěn)。PyQt 界面負(fù)責(zé)的是把 OpenCV 讀幀、模型推理、畫框、告警文字串起來(lái)它本身不做檢測(cè)只是個(gè)殼。提示解壓后先看requirements.txt或README確認(rèn) torch 和 ultralytics 的版本。版本對(duì)不上權(quán)重加載直接報(bào)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(xí)慣用 conda 建獨(dú)立環(huán)境Python 選 3.9 或 3.10這兩個(gè)版本對(duì) PyQt5 和 torch 的兼容性最省心。PyQt5 用 pip 裝PyQt55.15.9別裝 6因?yàn)楹芏喱F(xiàn)成界面代碼是from PyQt5.QtWidgets import ...裝 6 會(huì)報(bào)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(méi)有顯卡選有 N 卡就裝 CUDA 版沒(méi)顯卡就 CPU 版但 CPU 推理幀率會(huì)掉到個(gè)位數(shù)演示夠用實(shí)時(shí)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(fù)制對(duì)應(yīng) 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(hào)得跟你驅(qū)動(dòng)支持的 CUDA 版本對(duì)齊nvidia-smi右上角能看到驅(qū)動(dòng)支持的 CUDA 上限。裝完跑一句python -c from ultralytics import YOLO; print(ok)不報(bào)錯(cuò)再往下走。2.3 數(shù)據(jù)集格式核對(duì)與類別映射數(shù)據(jù)集如果直接拿來(lái)重訓(xùn)得確認(rèn)data.yaml里的nc和names跟標(biāo)簽文件對(duì)得上。我見(jiàn)過(guò)標(biāo)簽里寫0代表跌倒但data.yaml里names: [person, fall]這樣訓(xùn)練時(shí)模型會(huì)把跌倒當(dāng)成人學(xué)mAP 看著不低實(shí)際推理全是錯(cuò)框。核對(duì)方法很簡(jiǎn)單隨便打開(kāi)一個(gè).txt標(biāo)簽看每行第一個(gè)數(shù)字再去data.yaml里對(duì)。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(biāo)簽里出現(xiàn)的類別 id:, sorted(class_ids)) # 如果 class_ids 最大值 cfg[nc]說(shuō)明映射錯(cuò)了必須改 data.yaml 或重標(biāo)這段腳本先讀data.yaml打印類別配置再抽樣 50 個(gè)標(biāo)簽文件收集實(shí)際出現(xiàn)的類別 id。邏輯說(shuō)明YOLO 要求類別 id 從 0 連續(xù)到 nc-1如果標(biāo)簽里出現(xiàn) id2 但 nc2訓(xùn)練時(shí)直接報(bào)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(quán)重加載到 PyQt 界面告警3.1 權(quán)重加載與單幀推理驗(yàn)證在碰 PyQt 之前先用命令行驗(yàn)證權(quán)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(huì)先拿數(shù)據(jù)集里一張跌倒圖試看results[0].boxes里有沒(méi)有框cls是不是跌倒類。from ultralytics import YOLO import cv2 model YOLO(weights/best.pt) # 替換成實(shí)際權(quán)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(biāo):{xyxy}) # 如果這里一個(gè)框都沒(méi)有先降 conf 到 0.2 再看再?zèng)]有就是權(quán)重或圖片路徑問(wèn)題邏輯說(shuō)明conf0.4是置信度閾值低于這個(gè)值的框不輸出iou0.5是 NMS 重疊閾值跌倒場(chǎng)景里人和跌倒框可能重疊iou 設(shè)太低會(huì)誤刪。參數(shù)怎么改如果漏檢多conf 降到 0.25如果誤報(bào)多conf 提到 0.5 以上。verboseFalse只是關(guān)掉 ultralytics 的日志刷屏不影響結(jié)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(kāi)一個(gè)QThread子線程讀視頻幀、跑推理通過(guò)信號(hào)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(shè) 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(shuō)明QThread子類里run是線程入口frame_signal是自定義信號(hào)參數(shù)是objectnumpy 幀和str告警文字。主線程里把這個(gè)信號(hào)連到更新QLabel的槽函數(shù)上。參數(shù)上video_path0表示默認(rèn)攝像頭傳文件路徑就讀視頻文件。self.running是退出標(biāo)志窗口關(guān)閉時(shí)調(diào)stop()避免線程泄漏。這段代碼直接抄進(jìn)資源包的界面文件里替換原來(lái)的推理循環(huán)就行。3.3 跌倒判定邏輯從檢測(cè)框到告警的中間層YOLO 只告訴你「框里像跌倒」但單幀檢測(cè)容易誤報(bào)——彎腰撿東西、坐下瞬間都可能被框成跌倒。我一般會(huì)加一個(gè)滑動(dòng)窗口濾波連續(xù) N 幀里超過(guò) M 幀檢測(cè)到跌倒才觸發(fā)告警。這個(gè) N 和 M 就是玄學(xué)參數(shù)N10、M6 是我在 25fps 視頻上試出來(lái)的經(jīng)驗(yàn)值太低會(huì)誤報(bào)太高會(huì)漏報(bào)。資源包里如果沒(méi)這層邏輯建議自己補(bǔ)上代碼不長(zhǎng)但效果立竿見(jiàn)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(cè)到跌倒)返回 True 才在界面上彈告警邏輯說(shuō)明deque固定長(zhǎng)度隊(duì)列存最近 N 幀的跌倒?fàn)顟B(tài)sum統(tǒng)計(jì)其中跌倒幀數(shù)超過(guò)閾值才返回 True。參數(shù)上window_size對(duì)應(yīng)時(shí)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(gè)濾波模型比單幀判定穩(wěn)得多代價(jià)是告警延遲增加約 0.2 秒護(hù)理場(chǎng)景完全可接受。4. 避坑與排查權(quán)重、界面、數(shù)據(jù)集的高頻翻車點(diǎn)4.1 權(quán)重加載報(bào) 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(quán)重是用更高版本 ultralytics 訓(xùn)練的或者權(quán)重文件下載不完整。解決先確認(rèn)權(quán)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(wèn)題就升級(jí) ultralytics 到最新或者找訓(xùn)練時(shí)用的版本。我一般會(huì)pip install ultralytics --upgrade再試八成能解決。4.2 PyQt 界面點(diǎn)開(kāi)始按鈕后無(wú)響應(yīng)現(xiàn)象點(diǎn)「開(kāi)始檢測(cè)」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(hào)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(duì)。解決先換video_path傳一個(gè)本地視頻文件測(cè)試如果文件能讀就是攝像頭問(wèn)題。Windows 下試試cv2.CAP_DSHOW后端cv2.VideoCapture(0, cv2.CAP_DSHOW)。Linux 下確認(rèn)/dev/video0權(quán)限。4.4 數(shù)據(jù)集標(biāo)簽與 data.yaml 類別數(shù)不匹配現(xiàn)象訓(xùn)練時(shí)報(bào)IndexError: index 2 is out of bounds for dimension 0 with size 2。原因就是標(biāo)簽里的類別 id 超過(guò)了nc-1。解決用第 2.3 節(jié)的腳本掃一遍標(biāo)簽把超范圍的 id 找出來(lái)要么改data.yaml的nc和names要么重新映射標(biāo)簽。別硬訓(xùn)訓(xùn)出來(lái)也是廢權(quán)重。4.5 推理速度慢到無(wú)法實(shí)時(shí)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(méi)用 GPU。解決換 YOLOv8n 權(quán)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(shí)加device0。如果還慢把model.predict的halfTrue打開(kāi)用 FP16 推理速度再提一截精度掉一點(diǎn)點(diǎn)。5. 進(jìn)階調(diào)優(yōu)把演示級(jí)系統(tǒng)推到可用級(jí)的三個(gè)技巧第一個(gè)技巧是自定義置信度與 IoU 的聯(lián)動(dòng)調(diào)參。很多人只調(diào)conf不動(dòng)iou結(jié)果跌倒框和人體框重疊時(shí)被 NMS 誤刪。我的習(xí)慣是跌倒場(chǎng)景把iou提到 0.6讓重疊框多留一會(huì)兒再靠滑動(dòng)窗口濾波去誤報(bào)。具體做法是在model.predict里同時(shí)傳conf0.35, iou0.6然后觀察告警頻率誤報(bào)多就升conf漏報(bào)多就降confiou一般不動(dòng)。第二個(gè)技巧是輸入分辨率與幀采樣率的權(quán)衡。PyQt 界面如果直接讀 1080p 攝像頭每幀 resize 到 640 也要耗時(shí)間。我一般會(huì)在cap.read()之后立刻cv2.resize到 640×640 再送模型顯示的時(shí)候再放大回界面尺寸。另外沒(méi)必要每幀都推理可以隔幀推理中間幀復(fù)用上一幀的框視覺(jué)上幾乎看不出差別CPU 占用直接減半。參數(shù)演示級(jí)取值可用級(jí)取值影響conf0.40.35降低漏檢可能增誤報(bào)iou0.50.6保留重疊框配合濾波輸入尺寸640416提速約 40%小目標(biāo)略降推理間隔每幀隔幀CPU 減半告警延遲 40ms濾波窗口無(wú)10 幀 / 6 幀誤報(bào)大降延遲 0.2s第三個(gè)技巧是告警日志與截圖留存。護(hù)理場(chǎng)景里光彈個(gè)文字告警不夠得把觸發(fā)時(shí)刻的幀存下來(lái)方便回溯。我一般會(huì)在FallFilter返回 True 的那一幀用cv2.imwrite存到alerts/目錄文件名帶時(shí)間戳。這樣跑一晚上第二天翻一眼截圖就知道有沒(méi)有誤報(bào)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(shí)把告警文字發(fā)到界面邏輯說(shuō)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(shí)間戳方便按時(shí)間檢索。參數(shù)上存圖格式用 jpg 省空間質(zhì)量默認(rèn) 95 夠用。這個(gè)習(xí)慣是我從一次誤報(bào)排查里養(yǎng)成的——當(dāng)時(shí)界面閃了一下告警就沒(méi)了沒(méi)截圖根本不知道是真人跌倒還是窗簾飄動(dòng)。從那以后我每次部署這類檢測(cè)系統(tǒng)都強(qiáng)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(diǎn)擊獲取