YOLODeepSeek疲劳驾驶检测系统PytorchSpringBootFlaskVue配置好环境可直接使用也可以自己加数据集训练运行效果见图像及视频。共4类标签[“睁眼”,“闭眼”,“打哈欠”,“未打哈欠”]系统亮点多场景检测支持单张图片、图片集、视频、实时摄像头等多种输入方式。实时反馈提供实时检测结果和详细分析报告可导出 PDF。高精度识别基于改进 YOLOV5/8/11/12 结合 PyTorch 实现疲劳驾分类检测准确率高运行速度快。AI智能分析结合Deepseek/ Qwen 大模型智能分析可生成详细检测建议。直观UI界面基于 Vue3 Flask 前端展示操作界面简洁清晰。技术栈1、架构B/S、MVC2、系统环境Windows、Mac3、开发环境IDEA、JDK1.8、Maven、Nodejs、Mysql、Python 3.94、技术栈Java、Mysql、Vue、spring boot、Mybatis、Element plus、Python、Flask、YOLOV5/8/11/12。11“基于YOLODeepSeek的疲劳驾驶检测系统”。SpringBoot后端接收请求-调用Python/YOLO进行推理-调用DeepSeek生成建议-Vue3前端展示结果。1. 核心架构设计前端: Vue 3 Element Plus (负责界面、图片上传、结果展示、图表渲染)业务后端: Java SpringBoot (负责用户管理、记录存储、文件转发、调用AI接口)算法服务: Python Flask/FastAPI (负责加载YOLO模型进行图像推理)大模型: DeepSeek API (负责根据YOLO的检测结果生成文本报告)2. 数据库设计 (MySQL)我们需要存储用户信息和检测记录。CREATEDATABASEfatigue_detection_db;USEfatigue_detection_db;-- 用户表CREATETABLEusers(idINTPRIMARYKEYAUTO_INCREMENT,usernameVARCHAR(50)UNIQUENOTNULL,passwordVARCHAR(255)NOTNULL,roleVARCHAR(20)DEFAULTUSER,created_atTIMESTAMPDEFAULTCURRENT_TIMESTAMP);-- 检测记录表CREATETABLEdetection_logs(idINTPRIMARYKEYAUTO_INCREMENT,user_idINT,image_pathVARCHAR(255),result_labelVARCHAR(50),-- 例如闭眼confidenceDECIMAL(5,4),-- 置信度inference_timeDECIMAL(10,4),-- 耗时ai_analysisTEXT,-- DeepSeek生成的分析报告created_atTIMESTAMPDEFAULTCURRENT_TIMESTAMP);3. 算法服务层 (Python YOLO)这是系统的“眼睛”。使用ultralytics库加载训练好的疲劳驾驶模型。安装依赖:pip install fastapi uvicorn ultralytics opencv-python python-multipart代码 (ai_service.py):fromfastapiimportFastAPI,Query,UploadFile,FilefromultralyticsimportYOLOimportcv2importtimeimportosimportbase64 appFastAPI()# 加载预训练模型 (假设你已经训练好并保存为 best.pt)# 标签映射: 0:睁眼1:闭眼2:打哈欠3:未打哈欠modelYOLO(models/fatigue_best.pt)app.post(/predict)asyncdefpredict(file:UploadFileFile(...),conf:float0.5):start_timetime.time()# 保存上传的文件file_locationftemp/{file.filename}os.makedirs(temp,exist_okTrue)withopen(file_location,wb)asfile_object:file_object.write(file.file.read())# YOLO 推理resultsmodel.predict(sourcefile_location,confconf,verboseFalse)end_timetime.time()total_timeend_time-start_time response_data[]forrinresults:forboxinr.boxes:cls_idint(box.cls[0])cls_namemodel.names[cls_id]scorefloat(box.conf[0])# 获取边界框坐标 [x1, y1, x2, y2]xyxybox.xyxy[0].tolist()response_data.append({label:cls_name,confidence:round(score,4),box:xyxy})# 清理临时文件os.remove(file_location)return{detections:response_data,time_cost:round(total_time,4),image_url:f/temp/{file.filename}# 实际项目中应返回OSS地址}if__name____main__:importuvicorn uvicorn.run(app,host0.0.0.0,port8000)4. 业务后端 (Java SpringBoot)这是系统的“大脑”。负责协调Python服务和DeepSeek API。依赖 (pom.xml):需要spring-boot-starter-web,lombok,okhttp(用于调用DeepSeek API)。核心逻辑 (FatigueController.java):RestControllerRequestMapping(/api/fatigue)CrossOrigin(origins*)publicclassFatigueController{AutowiredprivateDetectionServicedetectionService;PostMapping(/upload)publicResult?detect(RequestParam(file)MultipartFilefile,RequestParam(valuethreshold,defaultValue0.5)Doublethreshold){try{// 1. 调用 Python 服务获取检测结果MapString,ObjectyoloResultdetectionService.callPythonAI(file,threshold);// 2. 提取主要疲劳特征 (例如只要有一个闭眼置信度0.6就判定为疲劳)StringmainLabelextractMainLabel((ListMap)yoloResult.get(detections));// 3. 调用 DeepSeek 生成分析报告StringaiReport;if(闭眼.equals(mainLabel)||打哈欠.equals(mainLabel)){aiReportdetectionService.callDeepSeek(mainLabel);}else{aiReport驾驶员状态良好未检测到明显疲劳特征。;}// 4. 组装返回数据 (包含YOLO结果和AI报告)yoloResult.put(ai_report,aiReport);// 5. (可选) 保存到 MySQL 数据库// detectionService.saveRecord(...);returnResult.success(yoloResult);}catch(Exceptione){returnResult.error(检测失败e.getMessage());}}// 辅助方法调用 DeepSeek APIprivateStringcallDeepSeek(Stringlabel){Stringprompt驾驶员被检测到行为label。请作为交通安全专家分析其风险如PERCLOS标准并给出3条具体的安全建议。要求语气专业、简练。;// 这里使用 OkHttp 发送 POST 请求到 https://api.deepseek.com/v1/chat/completions// 省略具体的 HTTP 请求代码需填入你的 DeepSeek API Keyreturn【DeepSeek分析】检测到label风险等级高。建议1.立即停车休息2.开启车窗通风...;}privateStringextractMainLabel(ListMapdetections){// 简单逻辑返回置信度最高的标签if(detections.isEmpty())return正常;return(String)detections.get(0).get(label);}}5. 前端实现 (Vue 3)这是系统的“脸面”。展示图片、绘制检测框、显示AI建议。核心组件 (ImageDetect.vue):templatedivclasscontainer!-- 左侧上传与展示 --divclasscanvas-areael-uploadaction#:http-requesthandleUpload:show-file-listfalseclassupload-btnel-buttontypeprimarysizelarge上传图片检测/el-button/el-uploaddivv-ifimageUrlclassimage-wrapperrefimgWrapperimg:srcimageUrlcrossoriginanonymousloaddrawBoxes/!-- 动态绘制检测框 --divv-for(box, idx) in boxes:keyidxclassyolo-box:style{ left: box.box[0] px, top: box.box[1] px, width: (box.box[2] - box.box[0]) px, height: (box.box[3] - box.box[1]) px, borderColor: box.label 闭眼 ? red : green }spanclasstag{{ box.label }} {{ box.confidence }}/span/div/div/div!-- 右侧数据与AI建议 --divclassinfo-areav-ifresultDatael-cardshadowhovertemplate#header检测结果/templatep识别对象strong{{ mainLabel }}/strong/pp置信度{{ maxConfidence }}%/pp耗时{{ timeCost }}秒/p/el-cardel-cardshadowhoverstylemargin-top:20px;template#header AI 智能分析 (DeepSeek)/templatedivclassai-contentv-htmlformattedReport/div/el-cardel-buttontypesuccessstylewidth:100%;margin-top:20px;clickexportPDF导出 PDF 报告/el-button/div/div/templatescriptsetupimport{ref,computed}fromvue;importaxiosfromaxios;import{ElMessage}fromelement-plus;constimageUrlref();constboxesref([]);constresultDataref(null);constimgWrapperref(null);consthandleUploadasync(options){constformDatanewFormData();formData.append(file,options.file);try{constresawaitaxios.post(http://localhost:8080/api/fatigue/upload,formData);if(res.data.code200){resultData.valueres.data.data;// 假设后端返回了图片的访问URLimageUrl.valuehttp://localhost:8080/res.data.data.image_url;boxes.valueres.data.data.detections;ElMessage.success(检测完成);}}catch(e){ElMessage.error(检测失败);}};// 简单的坐标转换实际需根据图片缩放比例计算constdrawBoxes(){// 如果后端返回的是归一化坐标(0-1)需在此处乘以 imgWrapper.offsetWidth// 此处假设后端返回的是像素坐标};constmainLabelcomputed(()resultData.value?.detections[0]?.label||-);constmaxConfidencecomputed(()(resultData.value?.detections[0]?.confidence*100).toFixed(2)||0);consttimeCostcomputed(()resultData.value?.time_cost||0);// 将换行符转换为HTML brconstformattedReportcomputed((){if(!resultData.value?.ai_report)return;returnresultData.value.ai_report.replace(/\n/g,br);});constexportPDF(){// 调用后端生成PDF接口或使用前端库 jsPDFalert(正在生成PDF报告...);};/scriptstylescoped.container{display:flex;gap:20px;padding:20px;}.canvas-area{flex:2;text-align:center;border:1px dashed #ccc;min-height:400px;position:relative;}.image-wrapper{position:relative;display:inline-block;margin-top:20px;}.image-wrapper img{max-width:100%;}.yolo-box{position:absolute;border:2px solid;box-sizing:border-box;}.tag{background:rgba(0,0,0,0.6);color:#fff;font-size:12px;position:absolute;top:-20px;left:0;}.info-area{flex:1;}.ai-content{line-height:1.6;font-size:14px;color:#333;}/style6. 如何运行与训练模型训练 YOLO 模型:收集驾驶员面部数据集包含睁眼、闭眼、打哈欠。使用Roboflow或LabelImg进行标注。使用 Python 训练fromultralyticsimportYOLO modelYOLO(yolov8n.pt)model.train(datadataset.yaml,epochs100,imgsz640)将生成的best.pt放入 Python 项目的models/目录。启动服务:Python:python ai_service.py(端口 8000)Java: 运行 SpringBoot 主类 (端口 8080)Vue:npm run dev(端口 5173)配置 DeepSeek:在 Java 代码中填入你的 DeepSeek API Key即可实现截图中的“AI建议”功能。