尧图网站建设 
简介基于YOLOv8的社区电梯故障预警系统是一套面向计算机视觉、人工智能相关专业学生与开发者的完整目标检测项目聚焦社区电梯运行状态监测与潜在故障预警可服务于毕业设计、课程设计、项目初期演示等多种场景。压缩包共8个文件涵盖3个Python脚本、3个PyTorch模型权重和2个说明文档Python脚本用于可视化界面设计、模型训练与视频检测模型权重包括yolov8n、best、yolo11n等多个版本整体大小约15.91MB结构紧凑、便于快速部署。目前已有42人学习下载。资源内置完整数据集与部署说明运行后可直接生成核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果及标签分布图为毕业设计答辩提供清晰的量化支撑所有代码经测试通过简单配置即可运行对有一定深度学习基础或在准备毕设的学生尤为友好也便于做二次功能开发。1. 电梯故障预警为什么要用 YOLOv8一个能直接复现的毕设底座社区电梯的故障很多时候不是坏出来的而是卡出来的——门缝塞了异物、装修废料挡在地坎、老人在轿厢口滞留。靠人盯监控不现实用 YOLOv8 框出异常目标就成了计算机视觉方向很自然的毕设选题。这套《基于YOLOv8的社区电梯故障预警系统》就是为此准备的源码、训练好的 best.pt、完整数据集、可视化界面和部署教程打包在一起。它不是 PPT 式设计文档而是能直接运行的项目train_mode.py 训练并生成混淆矩阵、F1 曲线、PR 曲线和标签分布图Detection_video.py 把权重跑到视频上Visual_interface.py 提供图形界面演示。适合计科、人工智能、电子信息方向做毕设和课设的学生也适合想快速验证 YOLOv8 落地流程的从业者。2. 拆开源码包train_mode.py 与电梯数据集的训练全流程2.1 先读 README.txt文件清单与目录定位拿到压缩包第一件事不是双击运行而是打开 README.txt。这个包里文件不少但角色分得很清楚。我拆包之后把文件分成四类先看这张清单文件/目录角色说明README.txt部署说明第一个要读的文件写清环境要求和启动顺序train_mode.py训练脚本负责模型训练产出 best.pt 和全部指标图Detection_video.py视频推理脚本加载权重对视频做检测并输出结果视频Visual_interface.py可视化界面图形化操作加载模型、选图选视频、看检测结果yolov8n.pt预训练权重训练起点用 COCO 上预训练好的模型做微调best.pt训练产物训练过程中验证集表现最好的权重推理用它yolo11n.pt对比权重新版 YOLO11 的 nano 权重可用于效果对比dataset/完整数据集图片 YOLO 格式标签 data.yaml这个结构其实就是标准的 ultralytics YOLOv8 工作流训练脚本读 dataset/data.yaml加载 yolov8n.pt 做迁移学习训练完在 runs/train 下生成结果推理脚本再加载 best.pt。README.txt 的作用就是把这链路的顺序写清楚避免新人一上来就乱跑脚本跑完发现哪个环节缺东西。我建议的动手顺序是先读 README.txt → 检查 dataset 目录结构 → 跑 train_mode.py → 用生成的 best.pt 跑 Detection_video.py → 最后开 Visual_interface.py 做演示。前两步五分钟能搞定但能省后面大半的排错时间。2.2 数据集组织方式YOLO 格式与 data.yaml训练之前先搞清楚数据集长什么样。这个包里的数据集是标准的 YOLO 检测格式目录结构通常是dataset/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 ├── labels/ │ ├── train/ # 训练集标签txt │ └── val/ # 验证集标签txt └── data.yaml # 数据集配置文件每一张图片对应一个同名 txt 标签文件txt 里每一行代表一个目标框格式是五个数class_id x_center y_center width height注意这四个坐标值都是归一化到 0~1 的。比如一张 1280x720 的图目标框中心在像素 (640, 360)、宽 320、高 180归一化后就是 (0.5, 0.5, 0.25, 0.25)。这个格式和 labelme 导出的 JSON 不一样如果后面你自己标注新数据需要把 labelme 的矩形框坐标转成 YOLO 格式。常见做法是直接用 labelme2yolo 这类工具转换一条命令就能把所有 JSON 批量转成 txt。data.yaml 是训练脚本读取的总配置我一般会先打开它确认类别名和路径对不对# data.yaml 结构示例具体类别名以你解压后的文件为准 train: ../dataset/images/train val: ../dataset/images/val nc: 4 names: 0: door_blocked 1: foreign_object 2: person_stuck 3: door_abnormalnc 是类别数names 是类别名列表顺序必须和标签 txt 里的 class_id 一一对应。这一步是训练前最容易埋雷的地方如果 data.yaml 里 names 顺序和标注时不一致训练不会报错但混淆矩阵和预测结果会全部错位。关于这个项目的数据集我拆包时看到的方向大致是电梯门卡阻、轿厢异物、人员滞留这几类具体类别名以你解压后的 data.yaml 为准不要拿示例的 names 直接套用。2.3 训练启动train_mode.py 的关键参数数据没问题之后训练就是一条命令的事。train_mode.py 内部核心代码基本就是 ultralytics 的标准训练流程from ultralytics import YOLO if __name__ __main__: # 从官方预训练权重开始微调收敛快且不容易发散 model YOLO(yolov8n.pt) model.train( datadataset/data.yaml, # 数据集配置 epochs100, # 训练轮数毕设项目 80~120 就够 imgsz640, # 输入图片尺寸和推理时保持一致 batch8, # 单次送入的图片数显存不够就调小 devicecpu, # 没有 GPU 就写 cpu有 GPU 会自动用 projectruns/train, # 训练结果输出目录 nameelevator_fault, # 本次训练的任务名 )逻辑说明YOLO(yolov8n.pt) 会加载 COCO 上预训练好的权重再用自己的电梯数据集做微调这比从零训练收敛快得多对小数据集尤其重要。model.train 里的 data 参数指向 data.yamlepochs 控制训练轮数imgsz 是输入尺寸默认 640 对 nano 模型来说性价比最高。device 参数写 cpu 或 0第一块 GPU如果装了 GPU 版 torch不写 device 也会自动检测 CUDA。参数怎么调显存紧张就把 batch 从 8 降到 4 甚至 2觉得精度不够先把 imgsz 提到 960 试一轮但推理速度会明显下降数据集只有几百张的话epochs 设 100 足够再多容易过拟合。训练过程中终端会滚动输出每个 epoch 的 mAP50、precision、recall 等指标不用盯着每一个值重点看整体趋势是否上升。第一次跑建议先设 epochs20 验证流程通不通通了再跑全量。2.4 训练产物怎么读混淆矩阵、F1 曲线、PR 曲线、标签分布图训练结束后runs/train/elevator_fault 目录下会生成一堆东西答辩和调参主要看这几个产物文件看什么weights/best.pt验证集上表现最好的权重推理用它weights/last.pt最后一轮权重可能过拟合一般不用results.png损失函数曲线图 各指标曲线总览confusion_matrix.png混淆矩阵看每个类别被分错的情况F1_curve.pngF1 分数曲线看置信度阈值怎么选PR_curve.png精确率-召回率曲线曲线越靠右上越好val_batch*.jpg验证集预测结果可视化直接看到框得准不准labels.jpg标签分布图检查标注质量和类别均衡性results.png 里最值得看的是 mAP50 曲线和 train/val 损失曲线。损失曲线里 val 那条如果后期不降反升说明过拟合了该提前停止mAP50 曲线后期走平是正常的不是说没在学而是可学的东西学完了。confusion_matrix.png 和 labels.jpg 是答辩评委最常盯的两张图。建议先看 labels.jpg如果发现某个类别的框都挤在图像角落或者某个类别样本明显太少那指标再高也有水分。这些图都是训练脚本自动生成的train_mode.py 跑完不会缺文件这也是这个资源包对毕设最友好的地方——你不用自己写 matplotlib 去画指标图脚本全帮你出了。3. 可视化界面与视频推理Visual_interface.py 和 Detection_video.py 实战3.1 Visual_interface.py图形界面怎么启动和操作毕设演示环节评委不会在终端里看你在跑训练他们要看的是一个能点的界面。Visual_interface.py 就是干这个的它把模型加载、图片/视频选择、检测结果显示集成到一个窗口里。界面的常见实现是 tkinter 或 PyQt这个项目用的是 tkinter因为它是 Python 自带的少装一个依赖。界面逻辑大致是import tkinter as tk from tkinter import filedialog from ultralytics import YOLO model YOLO(best.pt) # 界面加载训练好的权重 def select_file(): path filedialog.askopenfilename( filetypes[(视频, *.mp4 *.avi), (图片, *.jpg *.png)] ) # 把文件路径交给检测函数结果展示在画布上 root tk.Tk() btn tk.Button(root, text选择检测文件, commandselect_file) btn.pack() root.mainloop()逻辑说明界面的核心就两步一是点按钮选文件二是把文件路径传给 YOLO 的 predict 方法做推理。检测结果通过 matplotlib 或 PIL 渲染到界面的画布组件里同时把检测到的类别和置信度显示在侧边文本区。这个脚本运行的前提是 best.pt 存在如果解压后直接跑这一步记得确认训练已经完成或者直接用包里自带的 best.pt。启动方式很简单确认当前目录有 best.pt 后终端执行 python Visual_interface.py。界面起来后先选一张测试图片验证显示正常再切视频。如果窗口弹出但点了没反应多半是文件路径没配对检查按钮回调里传给 predict 的路径是不是完整的绝对路径。3.2 Detection_video.py把权重跑到视频上的推理参数如果只需要快速验证效果不一定要开界面直接跑 Detection_video.py 更快。它的核心代码是标准 predict 流程from ultralytics import YOLO model YOLO(best.pt) # 换成训练好的权重路径 results model.predict( sourcetest_video.mp4, # 输入视频路径 conf0.25, # 置信度阈值 iou0.45, # NMS 的 IoU 阈值 imgsz640, # 推理尺寸必须和训练一致 saveTrue, # 保存检测结果视频 showFalse, # 实时显示窗口调参时开 )参数说明conf 是置信度阈值低于这个值的检测框会被丢掉。调这个值是效果调优里最常用的手段——漏检多就往下调到 0.15误检多就往上调到 0.4。iou 是 NMS 阶段用的 IoU 阈值两个框重叠超过这个值就保留置信度高的那个默认 0.45 一般不用动。imgsz 必须和训练时一致不一致会导致精度下降这是我反复踩过的坑。saveTrue 会在 runs/detect 目录生成带检测框的输出视频。脚本跑完后去 runs/detect/exp/ 下找输出文件用播放器逐帧看几个关键场景门缝卡物、人员滞留被正确框出了没有置信度是多少。这一步相当于给 best.pt 做验收比只看指标曲线有用得多。3.3 三个权重怎么选yolov8n.pt、best.pt、yolo11n.pt包里同时给了三个 .pt 文件很多人一开始会懵其实分工很清楚权重文件用途什么时候用yolov8n.pt训练起点train_mode.py 加载它做微调best.pt最终推理权重界面、视频检测、答辩演示都用它yolo11n.pt对比实验想验证新模型效果时替换训练起点best.pt 是训练过程中自动选出来的代表验证集 mAP 最高的那一轮。yolo11n.pt 是 ultralytics 后续推出的 YOLO11 家族的 nano 版本结构比 YOLOv8 更新。如果你想在毕设里加一句对比了新旧两代模型可以把 train_mode.py 第一行改成 YOLO(yolo11n.pt) 再训练一轮然后比较两个 best.pt 的 mAP50 和推理耗时。需要注意yolo11n.pt 做训练起点时输出目录要换一个新的 name否则会覆盖之前的结果前一轮的指标图就没了。常见做法是 nameelevator_fault_yolo11这样两份结果可以并排对比答辩时也有素材可讲。这个对比实验多加不了多少工作量但对拿高分很有帮助。4. 环境搭建与部署从零到能跑的依赖清单4.1 环境搭建Python 版本、ultralytics 与 CPU 版 torch先确认一个事实这个项目跑通不需要多高的硬件门槛CPU 也能跑只是速度和显存充裕的 GPU 机没法比。环境搭建建议用虚拟环境避免依赖冲突把系统搞乱。整体步骤是# 1. 建虚拟环境Python 3.9 或 3.10 都行 conda create -n yolov8 python3.9 -y conda activate yolov8 # 2. 安装 ultralytics会自动带上 torch、opencv、numpy 等依赖 pip install ultralytics # 3. 没有 NVIDIA 显卡就装 CPU 版 torch pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu逻辑说明我把 ultralytics 装在前是因为它自带依赖解析opencv-python、matplotlib 这些都会自动装好。第三步的 CPU 版 torch 只在没有独显时执行有 GPU 的话装默认版本就行跑一次代码终端会显示 CUDA available 之类的提示。Python 版本别太旧也别太新3.9~3.11 之间最稳3.12 有些老版本依赖会编译报错。装完之后先跑一句验证python -c from ultralytics import YOLO; print(YOLO(yolov8n.pt))。能正常加载就说明环境通了。首次加载会自动下载权重如果下载很慢可以把 yolov8n.pt 文件提前放到脚本同目录代码会优先读取本地文件。这个包本身已经带了权重直接拿来用就能跳过下载这一步。4.2 CPU 推理的边界速度、imgsz 和置信度阈值这个资源包在 CPU 上能跑到什么程度我说个大概yolov8n 在 i5 级别的 CPU 上跑 640 分辨率推理一帧大约 0.2~0.5 秒也就是 2~5 FPS。这个速度做实时视频监控不够但做从视频里逐帧检测并保存结果这种毕设场景完全够用。演示时直接播检测后的输出视频而不是让界面实时推理体验会流畅得多。如果想在 CPU 上压榨一点速度两个参数最有效。第一是 imgsz 从 640 降到 480推理耗时大概能降三分之一精度损失在 nano 模型上可以接受第二是 conf 从 0.25 提到 0.35减少低置信度框的数量后处理时间也省一些。这两个调整都不需要改代码在 predict 里改参数就行。实测项目里需要注意一个细节CPU 推理时 ultralytics 会自动把模型转成 FP32不需要手动干预。但如果你习惯了 GPU 上的 halfTrue 半精度推理在 CPU 上别开这个参数CPU 不支持 half 且会报错或变慢。这是很多人从 GPU 切到 CPU 后第一个翻车点。4.3 显存不够怎么办batch、imgsz 与设备回退有 GPU 但显存小比如 4G训练时最常见的报错是 CUDA out of memory。解决思路按优先级排第一步把 batch 从 8 降到 4 或 2这是最直接的。第二步把 imgsz 从 640 降到 480显存占用按面积比例降。第三步换更小的模型yolov8n 已经是 nano 了如果还爆显存就说明数据集图片本身很大训练时降 imgsz 就好。最后一步才是退到 CPUdevicecpu训练时间会拉长100 轮可能要好几个小时但能跑完。还有一个常见误区训练时 batch 设得很大但爆显存有人会去改 workers 参数这是没用的workers 只影响数据加载线程不占显存。显存占用主要由 batch × 输入分辨率 × 模型尺寸决定想省显存只动这三个变量。部署到这一步时我一般会把 device 参数写成自动判断import torch device cuda:0 if torch.cuda.is_available() else cpu model YOLO(yolov8n.pt) model.train(datadataset/data.yaml, epochs100, imgsz640, batch8, devicedevice)逻辑说明torch.cuda.is_available() 检测当前机器有没有可用的 CUDA 环境有就用 GPU没有就回退 CPU。这样在 GPU 机器上自动用 GPU在普通笔记本上自动用 CPU演示前不用手动改代码。这个写法同样适合 Detection_video.py 和 Visual_interface.py一套代码在不同机器上都能跑省掉现场改配置的尴尬。5. 常见问题排查训练和推理中的 5 个翻车现场这一章写的都是我在实际跑这类 YOLOv8 项目时踩过的坑每条按现象、原因、解决三步说清楚你照着对号入座就行。5.1 训练到一半报 CUDA out of memory现象train_mode.py 启动后前几个 epoch 正常突然中断终端报 CUDA out of memory有时还伴随 Tried to allocate 512.00 MiB 之类的显存信息。原因batch 和 imgsz 的乘积超出了显存容量。前几个 epoch 能跑是因为显存有缓存碎片运行到某个 batch 恰好占用峰值就爆了。解决把 batch 从 8 降到 2imgsz 从 640 降到 480二选一或一起调。改完先跑 5 个 epoch 验证稳定再跑全量。如果机器有多块 GPU也可以 device0,1 做多卡训练分担显存但毕设场景没必要单卡调小 batch 就够了。5.2 指标很高但视频检测大量漏检现象训练时 mAP50 到了 0.9 以上混淆矩阵也很漂亮但拿 best.pt 去跑测试视频关键目标没框出来。原因最常见的是推理时的 imgsz 和训练不一致或者 conf 阈值设得比训练时默认值高。另一个可能是训练集和测试视频的目标尺寸、光照差异大模型没有充分泛化。解决先把 predict 里的 imgsz 改成和训练完全一致conf 降到 0.15 看漏检是否恢复。如果还是漏把漏检的帧截出来加入训练集再做一轮微调。视频检测不要直接信第一版结果逐帧抽查是必要动作这也是判断模型真实能力唯一可靠的方式。5.3 中文路径导致运行报错或读不到文件现象代码在英文路径下正常把项目放到桌面\电梯毕设这种带中文的目录下运行时报文件找不到或者模型加载失败。原因ultralytics 以及底层的一些库对 Windows 中文路径支持不好路径编码在拼接时出错报错信息还经常误导人。解决项目整体放到纯英文路径比如 D:\elevator_project数据集路径里也别出现中文。视觉相关的 Python 项目保持路径全英文是我的一条血泪经验凡是涉及 OpenCV、torch、数据集读写的东西中文路径大概率出幺蛾子。5.4 标签类别错位预测框的类别名和实际对不上现象训练过程不报错但验证集的预测结果里明明是 door_blocked 的框标成了 foreign_object错位很规律。原因data.yaml 里 names 的顺序和标注时生成的 class_id 对应关系不一致。比如标注时类别 0 是 door_blocked但 data.yaml 里 names 第 0 项写成了 foreign_object模型学的内容没变只是输出的名字错位。解决打开 labels 目录里任意一个 txt 文件看第一个字段的最大值是否等于 nc-1再核对 data.yaml 的 names 顺序。如果是自己用 labelme 标的导出时确认类别列表顺序从 0 开始连续编号中间不要跳号这是 labelme 转 YOLO 时最容易踩的坑。5.5 首次运行卡在下载权重文件现象第一次执行 YOLO(yolov8n.pt) 时长时间卡住或者下载进度条不动网不好的时候会直接超时。原因ultralytics 会自动从官方源下载预训练权重网络受限时请求会挂住看起来像程序假死。解决手动下载 yolov8n.pt 放到脚本同目录代码会优先读本地文件。这个包里其实已经带了 yolov8n.pt 和 yolo11n.pt直接用解压出来的这几个文件就能跳过下载。训练前先确认当前目录下能 import 到模型权重省得训练到一半才发现卡在下载环节。6. 进阶把预警系统接到实时视频流并输出告警日志如果不想止步于检测一段视频可以把这套系统推上一层做成带时间戳的告警记录器。思路是用 OpenCV 读摄像头或视频流抽帧后交给 YOLO 检测命中类别且置信度超过阈值时把当前帧时间、类别、置信度写进告警日志。这个改动不动训练部分只改推理脚本是最直接的主动预警增强。import cv2 import datetime from ultralytics import YOLO model YOLO(best.pt) cap cv2.VideoCapture(0) # 0 为摄像头也可换成 rtsp 地址或视频文件 frame_skip 3 # 每 3 帧抽 1 帧检测降低 CPU 压力 with open(alarm.log, a, encodingutf-8) as f: idx 0 while True: ok, frame cap.read() if not ok: break idx 1 if idx % frame_skip ! 0: continue results model.predict(frame, conf0.3, imgsz640, verboseFalse)[0] for box in results.boxes: cls int(box.cls[0]) conf float(box.conf[0]) name results.names[cls] ts datetime.datetime.now().strftime(%Y-%m-%d %H:%M:%S) f.write(f{ts} | {name} | conf{conf:.2f}\n) cap.release()参数说明frame_skip 是抽帧间隔CPU 上全量检测跑不动抽帧后检测结果滞后不超过 1 秒conf0.3 是告警触发阈值太低会误报刷屏太高会漏报我一般先在测试视频上跑几轮再定。告警日志用追加模式写可以跨天累计后续加个分级也很容易conf 0.3 记 WARN0.6 记 ERROR只需要在写入时做个判断。做这个增强时建议把类别名和告警级别做成字典挂在脚本头部别硬编码在循环里。我吃过一次亏接现场视频流测试时把类别名写死在循环里数据集后来加了新类别脚本直接报 KeyError现场演示翻车。从那以后我每次写告警脚本都强制走一遍类别表抽出来单独定义、再进循环的流程跑完测试视频再接真实流。如果你正想找一套能直接跑通的 YOLOv8 毕设底座这个资源包从训练到界面到告警都覆盖到了解压后按 README.txt 的顺序走一遍就行。希望帮到你。本文还有配套的精品资源点击获取 基于YOLOv8的社区电梯故障预警系统毕设全解析
简介基于YOLOv8的社区电梯故障预警系统是一套面向计算机视觉、人工智能相关专业学生与开发者的完整目标检测项目聚焦社区电梯运行状态监测与潜在故障预警可服务于毕业设计、课程设计、项目初期演示等多种场景。压缩包共8个文件涵盖3个Python脚本、3个PyTorch模型权重和2个说明文档Python脚本用于可视化界面设计、模型训练与视频检测模型权重包括yolov8n、best、yolo11n等多个版本整体大小约15.91MB结构紧凑、便于快速部署。目前已有42人学习下载。资源内置完整数据集与部署说明运行后可直接生成核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果及标签分布图为毕业设计答辩提供清晰的量化支撑所有代码经测试通过简单配置即可运行对有一定深度学习基础或在准备毕设的学生尤为友好也便于做二次功能开发。1. 电梯故障预警为什么要用 YOLOv8一个能直接复现的毕设底座社区电梯的故障很多时候不是坏出来的而是卡出来的——门缝塞了异物、装修废料挡在地坎、老人在轿厢口滞留。靠人盯监控不现实用 YOLOv8 框出异常目标就成了计算机视觉方向很自然的毕设选题。这套《基于YOLOv8的社区电梯故障预警系统》就是为此准备的源码、训练好的 best.pt、完整数据集、可视化界面和部署教程打包在一起。它不是 PPT 式设计文档而是能直接运行的项目train_mode.py 训练并生成混淆矩阵、F1 曲线、PR 曲线和标签分布图Detection_video.py 把权重跑到视频上Visual_interface.py 提供图形界面演示。适合计科、人工智能、电子信息方向做毕设和课设的学生也适合想快速验证 YOLOv8 落地流程的从业者。2. 拆开源码包train_mode.py 与电梯数据集的训练全流程2.1 先读 README.txt文件清单与目录定位拿到压缩包第一件事不是双击运行而是打开 README.txt。这个包里文件不少但角色分得很清楚。我拆包之后把文件分成四类先看这张清单文件/目录角色说明README.txt部署说明第一个要读的文件写清环境要求和启动顺序train_mode.py训练脚本负责模型训练产出 best.pt 和全部指标图Detection_video.py视频推理脚本加载权重对视频做检测并输出结果视频Visual_interface.py可视化界面图形化操作加载模型、选图选视频、看检测结果yolov8n.pt预训练权重训练起点用 COCO 上预训练好的模型做微调best.pt训练产物训练过程中验证集表现最好的权重推理用它yolo11n.pt对比权重新版 YOLO11 的 nano 权重可用于效果对比dataset/完整数据集图片 YOLO 格式标签 data.yaml这个结构其实就是标准的 ultralytics YOLOv8 工作流训练脚本读 dataset/data.yaml加载 yolov8n.pt 做迁移学习训练完在 runs/train 下生成结果推理脚本再加载 best.pt。README.txt 的作用就是把这链路的顺序写清楚避免新人一上来就乱跑脚本跑完发现哪个环节缺东西。我建议的动手顺序是先读 README.txt → 检查 dataset 目录结构 → 跑 train_mode.py → 用生成的 best.pt 跑 Detection_video.py → 最后开 Visual_interface.py 做演示。前两步五分钟能搞定但能省后面大半的排错时间。2.2 数据集组织方式YOLO 格式与 data.yaml训练之前先搞清楚数据集长什么样。这个包里的数据集是标准的 YOLO 检测格式目录结构通常是dataset/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 ├── labels/ │ ├── train/ # 训练集标签txt │ └── val/ # 验证集标签txt └── data.yaml # 数据集配置文件每一张图片对应一个同名 txt 标签文件txt 里每一行代表一个目标框格式是五个数class_id x_center y_center width height注意这四个坐标值都是归一化到 0~1 的。比如一张 1280x720 的图目标框中心在像素 (640, 360)、宽 320、高 180归一化后就是 (0.5, 0.5, 0.25, 0.25)。这个格式和 labelme 导出的 JSON 不一样如果后面你自己标注新数据需要把 labelme 的矩形框坐标转成 YOLO 格式。常见做法是直接用 labelme2yolo 这类工具转换一条命令就能把所有 JSON 批量转成 txt。data.yaml 是训练脚本读取的总配置我一般会先打开它确认类别名和路径对不对# data.yaml 结构示例具体类别名以你解压后的文件为准 train: ../dataset/images/train val: ../dataset/images/val nc: 4 names: 0: door_blocked 1: foreign_object 2: person_stuck 3: door_abnormalnc 是类别数names 是类别名列表顺序必须和标签 txt 里的 class_id 一一对应。这一步是训练前最容易埋雷的地方如果 data.yaml 里 names 顺序和标注时不一致训练不会报错但混淆矩阵和预测结果会全部错位。关于这个项目的数据集我拆包时看到的方向大致是电梯门卡阻、轿厢异物、人员滞留这几类具体类别名以你解压后的 data.yaml 为准不要拿示例的 names 直接套用。2.3 训练启动train_mode.py 的关键参数数据没问题之后训练就是一条命令的事。train_mode.py 内部核心代码基本就是 ultralytics 的标准训练流程from ultralytics import YOLO if __name__ __main__: # 从官方预训练权重开始微调收敛快且不容易发散 model YOLO(yolov8n.pt) model.train( datadataset/data.yaml, # 数据集配置 epochs100, # 训练轮数毕设项目 80~120 就够 imgsz640, # 输入图片尺寸和推理时保持一致 batch8, # 单次送入的图片数显存不够就调小 devicecpu, # 没有 GPU 就写 cpu有 GPU 会自动用 projectruns/train, # 训练结果输出目录 nameelevator_fault, # 本次训练的任务名 )逻辑说明YOLO(yolov8n.pt) 会加载 COCO 上预训练好的权重再用自己的电梯数据集做微调这比从零训练收敛快得多对小数据集尤其重要。model.train 里的 data 参数指向 data.yamlepochs 控制训练轮数imgsz 是输入尺寸默认 640 对 nano 模型来说性价比最高。device 参数写 cpu 或 0第一块 GPU如果装了 GPU 版 torch不写 device 也会自动检测 CUDA。参数怎么调显存紧张就把 batch 从 8 降到 4 甚至 2觉得精度不够先把 imgsz 提到 960 试一轮但推理速度会明显下降数据集只有几百张的话epochs 设 100 足够再多容易过拟合。训练过程中终端会滚动输出每个 epoch 的 mAP50、precision、recall 等指标不用盯着每一个值重点看整体趋势是否上升。第一次跑建议先设 epochs20 验证流程通不通通了再跑全量。2.4 训练产物怎么读混淆矩阵、F1 曲线、PR 曲线、标签分布图训练结束后runs/train/elevator_fault 目录下会生成一堆东西答辩和调参主要看这几个产物文件看什么weights/best.pt验证集上表现最好的权重推理用它weights/last.pt最后一轮权重可能过拟合一般不用results.png损失函数曲线图 各指标曲线总览confusion_matrix.png混淆矩阵看每个类别被分错的情况F1_curve.pngF1 分数曲线看置信度阈值怎么选PR_curve.png精确率-召回率曲线曲线越靠右上越好val_batch*.jpg验证集预测结果可视化直接看到框得准不准labels.jpg标签分布图检查标注质量和类别均衡性results.png 里最值得看的是 mAP50 曲线和 train/val 损失曲线。损失曲线里 val 那条如果后期不降反升说明过拟合了该提前停止mAP50 曲线后期走平是正常的不是说没在学而是可学的东西学完了。confusion_matrix.png 和 labels.jpg 是答辩评委最常盯的两张图。建议先看 labels.jpg如果发现某个类别的框都挤在图像角落或者某个类别样本明显太少那指标再高也有水分。这些图都是训练脚本自动生成的train_mode.py 跑完不会缺文件这也是这个资源包对毕设最友好的地方——你不用自己写 matplotlib 去画指标图脚本全帮你出了。3. 可视化界面与视频推理Visual_interface.py 和 Detection_video.py 实战3.1 Visual_interface.py图形界面怎么启动和操作毕设演示环节评委不会在终端里看你在跑训练他们要看的是一个能点的界面。Visual_interface.py 就是干这个的它把模型加载、图片/视频选择、检测结果显示集成到一个窗口里。界面的常见实现是 tkinter 或 PyQt这个项目用的是 tkinter因为它是 Python 自带的少装一个依赖。界面逻辑大致是import tkinter as tk from tkinter import filedialog from ultralytics import YOLO model YOLO(best.pt) # 界面加载训练好的权重 def select_file(): path filedialog.askopenfilename( filetypes[(视频, *.mp4 *.avi), (图片, *.jpg *.png)] ) # 把文件路径交给检测函数结果展示在画布上 root tk.Tk() btn tk.Button(root, text选择检测文件, commandselect_file) btn.pack() root.mainloop()逻辑说明界面的核心就两步一是点按钮选文件二是把文件路径传给 YOLO 的 predict 方法做推理。检测结果通过 matplotlib 或 PIL 渲染到界面的画布组件里同时把检测到的类别和置信度显示在侧边文本区。这个脚本运行的前提是 best.pt 存在如果解压后直接跑这一步记得确认训练已经完成或者直接用包里自带的 best.pt。启动方式很简单确认当前目录有 best.pt 后终端执行 python Visual_interface.py。界面起来后先选一张测试图片验证显示正常再切视频。如果窗口弹出但点了没反应多半是文件路径没配对检查按钮回调里传给 predict 的路径是不是完整的绝对路径。3.2 Detection_video.py把权重跑到视频上的推理参数如果只需要快速验证效果不一定要开界面直接跑 Detection_video.py 更快。它的核心代码是标准 predict 流程from ultralytics import YOLO model YOLO(best.pt) # 换成训练好的权重路径 results model.predict( sourcetest_video.mp4, # 输入视频路径 conf0.25, # 置信度阈值 iou0.45, # NMS 的 IoU 阈值 imgsz640, # 推理尺寸必须和训练一致 saveTrue, # 保存检测结果视频 showFalse, # 实时显示窗口调参时开 )参数说明conf 是置信度阈值低于这个值的检测框会被丢掉。调这个值是效果调优里最常用的手段——漏检多就往下调到 0.15误检多就往上调到 0.4。iou 是 NMS 阶段用的 IoU 阈值两个框重叠超过这个值就保留置信度高的那个默认 0.45 一般不用动。imgsz 必须和训练时一致不一致会导致精度下降这是我反复踩过的坑。saveTrue 会在 runs/detect 目录生成带检测框的输出视频。脚本跑完后去 runs/detect/exp/ 下找输出文件用播放器逐帧看几个关键场景门缝卡物、人员滞留被正确框出了没有置信度是多少。这一步相当于给 best.pt 做验收比只看指标曲线有用得多。3.3 三个权重怎么选yolov8n.pt、best.pt、yolo11n.pt包里同时给了三个 .pt 文件很多人一开始会懵其实分工很清楚权重文件用途什么时候用yolov8n.pt训练起点train_mode.py 加载它做微调best.pt最终推理权重界面、视频检测、答辩演示都用它yolo11n.pt对比实验想验证新模型效果时替换训练起点best.pt 是训练过程中自动选出来的代表验证集 mAP 最高的那一轮。yolo11n.pt 是 ultralytics 后续推出的 YOLO11 家族的 nano 版本结构比 YOLOv8 更新。如果你想在毕设里加一句对比了新旧两代模型可以把 train_mode.py 第一行改成 YOLO(yolo11n.pt) 再训练一轮然后比较两个 best.pt 的 mAP50 和推理耗时。需要注意yolo11n.pt 做训练起点时输出目录要换一个新的 name否则会覆盖之前的结果前一轮的指标图就没了。常见做法是 nameelevator_fault_yolo11这样两份结果可以并排对比答辩时也有素材可讲。这个对比实验多加不了多少工作量但对拿高分很有帮助。4. 环境搭建与部署从零到能跑的依赖清单4.1 环境搭建Python 版本、ultralytics 与 CPU 版 torch先确认一个事实这个项目跑通不需要多高的硬件门槛CPU 也能跑只是速度和显存充裕的 GPU 机没法比。环境搭建建议用虚拟环境避免依赖冲突把系统搞乱。整体步骤是# 1. 建虚拟环境Python 3.9 或 3.10 都行 conda create -n yolov8 python3.9 -y conda activate yolov8 # 2. 安装 ultralytics会自动带上 torch、opencv、numpy 等依赖 pip install ultralytics # 3. 没有 NVIDIA 显卡就装 CPU 版 torch pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu逻辑说明我把 ultralytics 装在前是因为它自带依赖解析opencv-python、matplotlib 这些都会自动装好。第三步的 CPU 版 torch 只在没有独显时执行有 GPU 的话装默认版本就行跑一次代码终端会显示 CUDA available 之类的提示。Python 版本别太旧也别太新3.9~3.11 之间最稳3.12 有些老版本依赖会编译报错。装完之后先跑一句验证python -c from ultralytics import YOLO; print(YOLO(yolov8n.pt))。能正常加载就说明环境通了。首次加载会自动下载权重如果下载很慢可以把 yolov8n.pt 文件提前放到脚本同目录代码会优先读取本地文件。这个包本身已经带了权重直接拿来用就能跳过下载这一步。4.2 CPU 推理的边界速度、imgsz 和置信度阈值这个资源包在 CPU 上能跑到什么程度我说个大概yolov8n 在 i5 级别的 CPU 上跑 640 分辨率推理一帧大约 0.2~0.5 秒也就是 2~5 FPS。这个速度做实时视频监控不够但做从视频里逐帧检测并保存结果这种毕设场景完全够用。演示时直接播检测后的输出视频而不是让界面实时推理体验会流畅得多。如果想在 CPU 上压榨一点速度两个参数最有效。第一是 imgsz 从 640 降到 480推理耗时大概能降三分之一精度损失在 nano 模型上可以接受第二是 conf 从 0.25 提到 0.35减少低置信度框的数量后处理时间也省一些。这两个调整都不需要改代码在 predict 里改参数就行。实测项目里需要注意一个细节CPU 推理时 ultralytics 会自动把模型转成 FP32不需要手动干预。但如果你习惯了 GPU 上的 halfTrue 半精度推理在 CPU 上别开这个参数CPU 不支持 half 且会报错或变慢。这是很多人从 GPU 切到 CPU 后第一个翻车点。4.3 显存不够怎么办batch、imgsz 与设备回退有 GPU 但显存小比如 4G训练时最常见的报错是 CUDA out of memory。解决思路按优先级排第一步把 batch 从 8 降到 4 或 2这是最直接的。第二步把 imgsz 从 640 降到 480显存占用按面积比例降。第三步换更小的模型yolov8n 已经是 nano 了如果还爆显存就说明数据集图片本身很大训练时降 imgsz 就好。最后一步才是退到 CPUdevicecpu训练时间会拉长100 轮可能要好几个小时但能跑完。还有一个常见误区训练时 batch 设得很大但爆显存有人会去改 workers 参数这是没用的workers 只影响数据加载线程不占显存。显存占用主要由 batch × 输入分辨率 × 模型尺寸决定想省显存只动这三个变量。部署到这一步时我一般会把 device 参数写成自动判断import torch device cuda:0 if torch.cuda.is_available() else cpu model YOLO(yolov8n.pt) model.train(datadataset/data.yaml, epochs100, imgsz640, batch8, devicedevice)逻辑说明torch.cuda.is_available() 检测当前机器有没有可用的 CUDA 环境有就用 GPU没有就回退 CPU。这样在 GPU 机器上自动用 GPU在普通笔记本上自动用 CPU演示前不用手动改代码。这个写法同样适合 Detection_video.py 和 Visual_interface.py一套代码在不同机器上都能跑省掉现场改配置的尴尬。5. 常见问题排查训练和推理中的 5 个翻车现场这一章写的都是我在实际跑这类 YOLOv8 项目时踩过的坑每条按现象、原因、解决三步说清楚你照着对号入座就行。5.1 训练到一半报 CUDA out of memory现象train_mode.py 启动后前几个 epoch 正常突然中断终端报 CUDA out of memory有时还伴随 Tried to allocate 512.00 MiB 之类的显存信息。原因batch 和 imgsz 的乘积超出了显存容量。前几个 epoch 能跑是因为显存有缓存碎片运行到某个 batch 恰好占用峰值就爆了。解决把 batch 从 8 降到 2imgsz 从 640 降到 480二选一或一起调。改完先跑 5 个 epoch 验证稳定再跑全量。如果机器有多块 GPU也可以 device0,1 做多卡训练分担显存但毕设场景没必要单卡调小 batch 就够了。5.2 指标很高但视频检测大量漏检现象训练时 mAP50 到了 0.9 以上混淆矩阵也很漂亮但拿 best.pt 去跑测试视频关键目标没框出来。原因最常见的是推理时的 imgsz 和训练不一致或者 conf 阈值设得比训练时默认值高。另一个可能是训练集和测试视频的目标尺寸、光照差异大模型没有充分泛化。解决先把 predict 里的 imgsz 改成和训练完全一致conf 降到 0.15 看漏检是否恢复。如果还是漏把漏检的帧截出来加入训练集再做一轮微调。视频检测不要直接信第一版结果逐帧抽查是必要动作这也是判断模型真实能力唯一可靠的方式。5.3 中文路径导致运行报错或读不到文件现象代码在英文路径下正常把项目放到桌面\电梯毕设这种带中文的目录下运行时报文件找不到或者模型加载失败。原因ultralytics 以及底层的一些库对 Windows 中文路径支持不好路径编码在拼接时出错报错信息还经常误导人。解决项目整体放到纯英文路径比如 D:\elevator_project数据集路径里也别出现中文。视觉相关的 Python 项目保持路径全英文是我的一条血泪经验凡是涉及 OpenCV、torch、数据集读写的东西中文路径大概率出幺蛾子。5.4 标签类别错位预测框的类别名和实际对不上现象训练过程不报错但验证集的预测结果里明明是 door_blocked 的框标成了 foreign_object错位很规律。原因data.yaml 里 names 的顺序和标注时生成的 class_id 对应关系不一致。比如标注时类别 0 是 door_blocked但 data.yaml 里 names 第 0 项写成了 foreign_object模型学的内容没变只是输出的名字错位。解决打开 labels 目录里任意一个 txt 文件看第一个字段的最大值是否等于 nc-1再核对 data.yaml 的 names 顺序。如果是自己用 labelme 标的导出时确认类别列表顺序从 0 开始连续编号中间不要跳号这是 labelme 转 YOLO 时最容易踩的坑。5.5 首次运行卡在下载权重文件现象第一次执行 YOLO(yolov8n.pt) 时长时间卡住或者下载进度条不动网不好的时候会直接超时。原因ultralytics 会自动从官方源下载预训练权重网络受限时请求会挂住看起来像程序假死。解决手动下载 yolov8n.pt 放到脚本同目录代码会优先读本地文件。这个包里其实已经带了 yolov8n.pt 和 yolo11n.pt直接用解压出来的这几个文件就能跳过下载。训练前先确认当前目录下能 import 到模型权重省得训练到一半才发现卡在下载环节。6. 进阶把预警系统接到实时视频流并输出告警日志如果不想止步于检测一段视频可以把这套系统推上一层做成带时间戳的告警记录器。思路是用 OpenCV 读摄像头或视频流抽帧后交给 YOLO 检测命中类别且置信度超过阈值时把当前帧时间、类别、置信度写进告警日志。这个改动不动训练部分只改推理脚本是最直接的主动预警增强。import cv2 import datetime from ultralytics import YOLO model YOLO(best.pt) cap cv2.VideoCapture(0) # 0 为摄像头也可换成 rtsp 地址或视频文件 frame_skip 3 # 每 3 帧抽 1 帧检测降低 CPU 压力 with open(alarm.log, a, encodingutf-8) as f: idx 0 while True: ok, frame cap.read() if not ok: break idx 1 if idx % frame_skip ! 0: continue results model.predict(frame, conf0.3, imgsz640, verboseFalse)[0] for box in results.boxes: cls int(box.cls[0]) conf float(box.conf[0]) name results.names[cls] ts datetime.datetime.now().strftime(%Y-%m-%d %H:%M:%S) f.write(f{ts} | {name} | conf{conf:.2f}\n) cap.release()参数说明frame_skip 是抽帧间隔CPU 上全量检测跑不动抽帧后检测结果滞后不超过 1 秒conf0.3 是告警触发阈值太低会误报刷屏太高会漏报我一般先在测试视频上跑几轮再定。告警日志用追加模式写可以跨天累计后续加个分级也很容易conf 0.3 记 WARN0.6 记 ERROR只需要在写入时做个判断。做这个增强时建议把类别名和告警级别做成字典挂在脚本头部别硬编码在循环里。我吃过一次亏接现场视频流测试时把类别名写死在循环里数据集后来加了新类别脚本直接报 KeyError现场演示翻车。从那以后我每次写告警脚本都强制走一遍类别表抽出来单独定义、再进循环的流程跑完测试视频再接真实流。如果你正想找一套能直接跑通的 YOLOv8 毕设底座这个资源包从训练到界面到告警都覆盖到了解压后按 README.txt 的顺序走一遍就行。希望帮到你。本文还有配套的精品资源点击获取