深度学习目标检测方法则是利用深度神经网络模型进行目标检测，主要有以下几种：
- R-CNN系列：包括R-CNN、Fast R-CNN、Faster R-CNN等，通过候选区域法生成候选目标区域，然后使用卷积神经网络提取特征，并通过分类器对每个候选区域进行分类。
- SSD：Single Shot MultiBox Detector，通过在特征图上利用不同大小和形状的卷积核进行目标检测，同时预测目标的类别和位置。
- YOLO：You Only Look Once，将目标检测问题转化为回归问题，通过将图像分割成网格单元，并预测每个单元中是否存在目标以及目标的位置和类别。
- RetinaNet：通过引入Focal Loss解决目标检测中类别不平衡问题，提高了小目标的检测效果。
YOLOv8是一种用于对象检测的深度学习模型，它是YOLO系列模型的最新版本。本文介绍了基于Yolov8的任务摔倒检测模型，包括训练过程和数据准备过程，同时提供了推理的代码。对准备计算机视觉相关的毕业设计的同学有着一定的帮助。
效果如下图，可以看到，躺着的人都被检测出来了：
示例2：
一、安装yolov8
yolov8官方文档：https://docs.ultralytics.com/zh/
安装部分参考：官方安装教程
二、数据集处理
本次训练使用的摔倒数据集来自aistudio摔倒数据集，该数据集默认的格式是VOC格式，使用yolov8训练需要转换数据集格式。
该数据集包含3个类别：正常、摔倒、其他
其示例图片如下：
数据集的格式转换可以参考：官方数据集格式转换教程
本文提供已经完成转换的数据集，可以使用yolov8直接训练（因为有的数据有问题，训练的时候可能有警告，但是可以忽略）：yolov8格式的任务摔倒数据集
三、修改yolov8配置文件
1、添加数据集配置文件
在ultralytics/ultralytics/cfg/datasets目录下添加fall.yaml，添加以下内容：
# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO 2017 dataset http://cocodataset.org by Microsoft
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco ← downloads here (20.1 GB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: datasets/fall/fall-yolov8 # 改成你的数据集的路径，最好用绝对路径
train: images/train
val: images/val
test: images/val
# Classes
names:
0: person
1: down
2: other
2、添加模型配置文件
在ultralytics/ultralytics/cfg/models/v8目录下添加yolov8n_fall.yaml，添加以下内容：
# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
# Parameters
nc: 3 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
# [depth, width, max_channels]
n: [0.33, 0.25, 1024] # YOLOv8n summary: 225 layers, 3157200 parameters, 3157184 gradients, 8.9 GFLOPs
s: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients, 28.8 GFLOPs
m: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients, 79.3 GFLOPs
l: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
x: [1.00, 1.25, 512] # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs
# YOLOv8.0n backbone
backbone:
# [from, repeats, module, args]
- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
- [-1, 3, C2f, [128, True]]
- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
- [-1, 6, C2f, [256, True]]
- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
- [-1, 6, C2f, [512, True]]
- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
- [-1, 3, C2f, [1024, True]]
- [-1, 1, SPPF, [1024, 5]] # 9
# YOLOv8.0n head
head:
- [-1, 1, nn.Upsample, [None, 2, 'nearest']]
- [[-1, 6], 1, Concat, [1]] # cat backbone P4
- [-1, 3, C2f, [512]] # 12
- [-1, 1, nn.Upsample, [None, 2, 'nearest']]
- [[-1, 4], 1, Concat, [1]] # cat backbone P3
- [-1, 3, C2f, [256]] # 15 (P3/8-small)
- [-1, 1, Conv, [256, 3, 2]]
- [[-1, 12], 1, Concat, [1]] # cat head P4
- [-1, 3, C2f, [512]] # 18 (P4/16-medium)
- [-1, 1, Conv, [512, 3, 2]]
- [[-1, 9], 1, Concat, [1]] # cat head P5
- [-1, 3, C2f, [1024]] # 21 (P5/32-large)
- [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5)
3、开始训练
使用如下命令（命令中的配置文件路径可以根据自己的需要改成绝对路径）：
yolo detect train project=deploy name=yolov8_fall exist_ok=True optimizer=auto val=True amp=True epochs=100 imgsz=640 model=ultralytics/ultralytics/cfg/models/v8/yolov8_fall.yaml data=ultralytics/ultralytics/cfg/datasets/fall.yaml
4、评估
评估命令如下：
yolo detect val imgsz=640 model=deploy/yolov8_fall/weights/best.pt data=ultralytics/ultralytics/cfg/datasets/fall.yaml
结果如下：
四、推理
训练好了模型之后，可以使用如下的命令轻松推理，将best.pt复制到推理代码同级目录：
from PIL import Image
from ultralytics import YOLO
# 加载预训练的YOLOv8n模型
model = YOLO('best.pt')
# 在'bus.jpg'上运行推理
image_path = 'people(16).jpg'
results = model(image_path) # 结果列表
# 展示结果
for r in results:
im_array = r.plot() # 绘制包含预测结果的BGR numpy数组
im = Image.fromarray(im_array[..., ::-1]) # RGB PIL图像
im.show() # 显示图像
im.save('results.jpg') # 保存图像本文也提供训练好的权重和预测代码：摔倒检测yolov8的训练权重和推理代码
