简介基于YOLOv8实现的智慧校园人脸识别与公路汽车检测项目定位为高校毕业设计及目标检测入门进阶的实战参考。项目覆盖人脸识别、车辆检测两大典型场景提供完整可运行的Python源码并附带已训练好的YOLOv8权重模型pt、dlib人脸关键点模型dat以及用于演示的mp4视频与标注图片便于快速复现和效果验证。压缩包共含40个文件主要包括3个Python脚本、4个模型权重文件、4个XML标注、20张测试图片整体大小334MB结构清晰适合直接用于毕业设计、课程设计或学术研究中的基准对比。内容已经过本地编译运行验证评审得分95分以上难度适中经助教审定能够帮助学习者省去配置环境和训练模型的繁琐过程专注于算法理解与功能二次开发。目前已有189人学习下载说明其具备较好的实用性和参考价值。1. 这个YOLOv8毕业设计项目值得你拆开看什么做毕业设计最怕的不是模型跑不出来而是跑通了却讲不清里面的配合关系。这个基于YOLOv8的智慧校园人脸识别和公路汽车检测项目源码和训练好的模型是齐全的解压后就能直接看到Face_Main.py和Car_Track.py两个入口。它把两件常被分开做的任务放在了一起一侧用YOLOv8做人脸检测结合dlib的68点关键点和128维人脸特征完成身份比对另一侧用YOLOv8 large模型对公路视频里的车辆做检测。对准备做目标检测方向毕业设计的同学来说这套代码最值得参考的不是单个模型怎么调而是YOLOv8与dlib如何分工、视频推理如何控制帧率、底库照片如何组织这些恰恰是答辩时容易被追问的地方。2. 项目结构与检测模型选型从yolov8n到yolov8l2.1 解压后第一眼目录里装了些什么解压后你会看到一个YOLOv8-DetectonProject-main目录顶层文件并不复杂。根目录下的Face_Main.py是人脸识别主程序Car_Track.py是车辆检测主程序test.py通常是快速验证模型能否加载的脚本media目录里放了视频素材img目录放了示例图片result目录则保存检测后的输出视频和截图。model目录是核心里面同时放了YOLOv8权重和dlib模型。rec-face目录放着带编号的人脸底库照片命名格式是序号-姓名.png例如47-唐晶.png、38-张建军.png。这种命名方式直接决定了识别后的显示名换自己的底库时只要按同样格式改文件名即可。项目没有把两个任务强行塞进同一个模型而是分别维护了检测与识别两套链路。人脸识别链路里YOLOv8只负责把人脸框出来身份判定交给dlib车辆检测链路则完全由YOLOv8承担。这样的好处是毕设论文里可以分别阐述两个子系统的精度与性能而不需要为一个统一模型东拼西凑。2.2 四份YOLO权重与两个dlib模型的真实用途model目录里最容易被忽略的是同时存在四份YOLO权重yolov8n.pt、yolov8l.pt、yolov8n-face.pt、yolov8l-face.pt。很多人只看到两个任务以为一份通用权重就能跑完实际上每个权重服务的目标不同。模型文件类型用途选型理由yolov8n.ptCOCO预训练通用目标检测常用于验证流程nano体积小CPU上也能推理yolov8l.ptCOCO预训练公路车辆检测主模型large精度更高车辆目标较大性能足够yolov8n-face.pt人脸检测专用快速人脸框定位专项数据训练对人脸召回更好yolov8l-face.pt人脸检测专用高精度人脸框定位底库照片质量参差时更稳shape_predictor_68_face_landmarks.datdlib人脸68点关键点对齐为特征提取提供标准化输入dlib_face_recognition_resnet_model_v1.datdlib生成128维人脸特征与底库特征计算欧氏距离提示不要用COCO通用的yolov8n.pt直接做人脸识别它对人脸这类小目标的召回率不如专用的人脸权重。项目里带上-face后缀的模型就是干这个用的。为什么同一个人脸检测要放nano和large两个版本毕业设计现场答辩通常要同时演示实时性和效果nano版本在CPU上跑测试视频不会太卡large版本在GPU上能拿到更高的置信度。我在自己项目里一般先用nano跑通整条pipeline确认数据流没问题后再切换到large做最终结果。车辆检测选yolov8l而不是yolov8s是因为公路视频里的汽车、卡车、行人目标尺度变化大large模型的感受野和特征表达能力更强误检明显更少。2.3 模型之间如何配合这两个dlib模型不参与目标框定位它们只负责把YOLOv8输出的框内人脸变成可比较的向量。shape_predictor先用68个关键点找到眼睛、鼻子、嘴角的位置把倾斜的脸校正到统一姿态然后dlib_face_recognition_resnet_model_v1.dat把校正后的人脸图编码成128维浮点向量。之后程序用欧氏距离比较当前帧人脸与rec-face底库所有向量的距离小于阈值就判定为同一个人。这种配合方式有一个隐蔽的好处YOLOv8的检测框即使有轻微抖动只要关键点对齐稳定最终特征不会出现太大跳变识别结果会比较平滑。反过来如果只靠YOLOv8分类头直接输出人名换一张角度不同的照片可能就识别失败。这也是为什么很多人做完人脸检测后还是愿意再加一层dlib来稳定特征。另外如果去看YOLOv8的模型结构会发现backbone里大量使用C2f模块它把梯度流分成两个分支再concat让网络在保持轻量的同时有更强的特征复用。yolov8n和yolov8l的主要差异就体现在C2f堆叠数量和通道数上。这个细节在毕业设计论文里很加分说明你理解为什么nano和large的mAP会有几个点差距。3. 两个核心入口Face_Main.py与Car_Track.py的实现拆解3.1 Face_Main.py从YOLOv8人脸框到dlib特征比对3.1.1 初始化检测器与识别模型Face_Main.py最前面做的事情就是加载模型。常见做法是先用YOLOv8加载人脸检测权重再分别加载dlib的landmark和resnet模型。核心逻辑大致如下import cv2 import dlib from ultralytics import YOLO face_detector YOLO(model/yolov8n-face.pt) landmark_predictor dlib.shape_predictor( model/shape_predictor_68_face_landmarks.dat ) face_rec_model dlib.face_recognition_model_v1( model/dlib_face_recognition_resnet_model_v1.dat )这段代码里YOLO(model/yolov8n-face.pt)会从model目录加载人脸检测权重返回的face_detector可以直接对图片或视频帧做推理dlib.shape_predictor加载68点关键点模型后面的face_recognition_model_v1则是用来生成128维特征的。三个模型加载完成后内存占用大概在几百MB级别普通笔记本可以接受。如果运行时报dlib版本相关的错误优先检查是否安装了cmake和dlib的对应wheel包。3.1.2 建立人脸底库特征向量rec-face目录下的每张照片都需要在程序启动时转换成特征向量并保存姓名和向量。处理时先读取图片用YOLOv8检测人脸框然后提取landmark并编码import os import numpy as np def load_face_database(db_pathrec-face): known_names [] known_features [] for file in os.listdir(db_path): if not file.endswith(.png): continue name file.split(-, 1)[1].replace(.png, ) img cv2.imread(os.path.join(db_path, file)) results face_detector(img, imgsz640, conf0.5) if not results or len(results[0].boxes) 0: continue box results[0].boxes.xyxy[0].cpu().numpy() x1, y1, x2, y2 [int(v) for v in box] face dlib.rectangle(x1, y1, x2, y2) shape landmark_predictor(img, face) feature np.array(face_rec_model.compute_face_descriptor(img, shape)) known_names.append(name) known_features.append(feature) return known_names, np.array(known_features)逻辑说明file.split(-, 1)[1]把47-唐晶.png处理成唐晶.png再去掉后缀就是姓名所以文件名里不要有多余的短横线。results[0].boxes.xyxy[0]取第一个检测框坐标因为底库照片通常只有一张脸。compute_face_descriptor返回128维描述子转成numpy数组后方便后面做欧氏距离计算。conf0.5是YOLOv8的置信度阈值底库照片人脸清晰时可以适当提高到0.7减少误检。3.1.3 视频帧内检测与比对视频处理时每一帧先做人脸检测对每个框提取特征再与底库特征计算距离。距离小于阈值例如0.45时取最小距离的姓名否则标记为Unknowndef recognize_frame(frame): results face_detector(frame, imgsz640, conf0.4) for box in results[0].boxes.xyxy.cpu().numpy(): x1, y1, x2, y2 [int(v) for v in box] face dlib.rectangle(x1, y1, x2, y2) shape landmark_predictor(frame, face) feature np.array(face_rec_model.compute_face_descriptor(frame, shape)) dists np.linalg.norm(known_features - feature, axis1) min_idx np.argmin(dists) if dists[min_idx] 0.45: label known_names[min_idx] else: label Unknown cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(frame, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2) return frame这里的设计要点是阈值0.45不是固定不变的它是欧氏距离不是余弦相似度数值越小表示特征越接近。如果误识别多把阈值调到0.4会更严格如果很多人被标成Unknown尝试放宽到0.5。imgsz640表示把输入帧缩放到640x640再推理这个参数直接决定检测速度和精度视频分辨率高时没必要放大用默认值即可。3.2 Car_Track.py公路车辆检测与跟踪3.2.1 使用yolov8l.pt进行车辆检测车辆检测流程比人脸链路简单因为它不需要后续特征提取只要加载yolov8l.pt对视频逐帧推理即可。核心代码大致如下from ultralytics import YOLO car_model YOLO(model/yolov8l.pt) def detect_cars(frame): results car_model(frame, imgsz1280, conf0.35, classes[2, 5, 7]) return results[0]参数说明imgsz1280是输入尺寸因为公路视频里车辆目标往往在中远距离太小了会漏检但大的输入尺寸会明显增加推理时间conf0.35是置信度阈值车辆目标一般特征清晰0.35可以在遮挡情况下保留更多候选框classes[2, 5, 7]对应COCO类别id分别是car、bus、truck如果只想检测小车就改成[2]。这个classes过滤非常实用毕业设计里只检测车辆时可以避免把路牌、行人一起画出来。3.2.2 跟踪逻辑与输出视频Car_Track.py通常还会在检测结果之上做简单跟踪常见做法是利用YOLOv8自带的结果对象往视频帧中绘制框。如果只是静态检测不需要额外跟踪器。需要连续跟踪时可以结合ByteTrack或DeepSORT但项目验收阶段最简单的做法是记录上次的框中心点用欧氏距离关联同一辆车。视频输出用cv2.VideoWriter保存到result目录cap cv2.VideoCapture(media/car.mp4) writer cv2.VideoWriter( result/car.avi, cv2.VideoWriter_fourcc(*XVID), 25, (int(cap.get(3)), int(cap.get(4))) ) while cap.isOpened(): ret, frame cap.read() if not ret: break results car_model(frame, imgsz1280, conf0.35, classes[2, 5, 7]) annotated results[0].plot() writer.write(annotated) cap.release() writer.release()这段代码里的VideoWriter四个参数分别表示输出文件名、编码格式、帧率和画面尺寸。XVID编码出来的avi体积较大如果是交作业可以直接换成mp4v编码输出mp4帧率要和输入视频的fps一致否则生成视频会出现快放或慢放。results[0].plot()是YOLOv8封装好的可视化接口自动会把检测框和类别名画在帧上省去手写循环。注意Car_Track.py如果运行在CPU机器上imgsz1280会因为计算量过大导致卡顿。调小到640或使用yolov8n.pt会流畅很多但会产生更多漏检。所以我在演示时通常先看GPU型号显存6GB以上才用large模型。4. 从解压到跑通YOLOv8环境配置与训练自己的数据集4.1 环境配置与CUDA版本组合建议这个项目依赖PyTorch和ultralytics安装时最容易出问题的是dlib。我的建议是先把PyTorch装好再装ultralytics最后单独装dlib。一个在Windows下验证过多次的组合是Python 3.9 PyTorch 1.13.1 CUDA 11.7 ultralytics 8.0.x如果你的显卡是RTX 30系之后也可以直接用PyTorch 2.x CUDA 12.1ultralytics对新版的支持没有问题。dlib建议用pip install dlib如果编译报错先装cmake和visual studio build tools再重试。组件推荐版本说明Python3.9或3.10过高版本可能导致部分opencv wheel缺失PyTorch1.13.1 / 2.1.0根据CUDA版本选择CUDA11.7 / 12.1新版驱动通常向下兼容ultralytics8.0.xx代码里YOLO类在此包中dlib19.24.x需要cmake编译注意不要装CPU版PyTorch跑yolov8l那会很痛苦。哪怕用nano模型CPU推理一帧都要上百毫秒根本没法流畅处理视频。4.2 准备自己的数据集并用YOLOv8微调4.2.1 数据集目录结构如果毕业设计需要换成自己的数据YOLOv8的训练数据格式和旧版YOLOv5基本一致。在项目下建dataset目录按如下结构放置dataset/ images/ train/ val/ labels/ train/ val/ data.yamlimages里放jpg图片labels里放同名txt标注文件每个文件每行是class cx cy w h坐标是归一化的。data.yaml内容需要指向这些目录并声明类别名path: dataset train: images/train val: images/val names: 0: face 1: car 2: bus 3: truck说明path字段是相对路径train和val可以写绝对路径但我更推荐相对路径因为换机器跑的时候不用改配置。names列表的顺序必须和标注txt里的class id一致否则训练时会学到错误映射。4.2.2 训练命令与参数说明数据集准备好后使用ultralytics自带的train接口即可启动训练。命令行方式最直观yolo taskdetect modetrain modelyolov8n.pt datadataset/data.yaml \ epochs50 imgsz640 batch8 device0参数解释modelyolov8n.pt表示在COCO预训练权重上继续微调比从头训练收敛快得多epochs50对于小数据集够用一般20轮后损失就开始稳定但如果mAP还在涨就继续batch8是显存允许范围内的经验值如果GPU是6GB可以改用batch4device0指定第一块GPUCPU机器上改为devicecpu但速度很慢。训练结束后weights目录下会生成best.pt和last.pt。best.pt是按验证集mAP挑选的最优权重测试时加载它而不是last.pt。如果想用项目里已有的模型文件可以直接覆盖model目录或用绝对路径加载。4.3 训练时怎么观察loss与指标变化YOLOv8训练时会输出box_loss、cls_loss、dfl_loss以及precision、recall、mAP50等指标。需要关注的是mAP50还是mAP50-95取决于任务人脸检测和车辆检测这种单类或少量类任务mAP50更直观mAP50-95则对边框精度更苛刻。训练过程中如果loss长期不降优先检查data.yaml路径是否正确以及labels里是否有大量空标注文件。ultralytics默认在训练结果目录生成results.png包含损失函数曲线可以直接用于论文。如果要在训练完成后绘制散点也可以用pandas读取results.csv用matplotlib画出来。常见做法是只看验证集mAP曲线不要频繁调整超参数因为epochs太少导致的欠拟合往往被误判成模型问题。5. 替换人脸底库和车辆检测类别的小技巧5.1 人脸底库照片的命名规则与特征预提取rec-face目录下的文件名既是显示名又是主键。替换底库时需要注意一是文件名必须包含短横线分隔的序号和姓名例如100-张三.png否则split(-,1)[1]会报错二是一张照片最好只有一张正脸侧脸或戴眼镜会降低特征质量三是底库照片与识别场景的分辨率不要差太多否则dlib提取的特征会偏移。项目启动时逐个读取照片会有点慢底库照片多时可以把特征向量dump成npy文件启动时直接加载避免每次重复推理。5.2 只检测你关心的车辆类别在Car_Track.py中classes参数是最高效的过滤器。项目用yolov8l.pt这个COCO模型检测车辆时可以这样限制results car_model(frame, imgsz1280, conf0.35, classes[2, 5, 7], verboseFalse)COCO类别中2是car5是bus7是truck。若想检测行人把7改成0若想检测摩托车把7改成3。verboseFalse会关闭终端里的逐帧日志程序跑起来干净很多。这个参数不影响推理速度但能显著降低误报。5.3 用frame skip和置信度阈值控制检测密度视频检测最耗时的是逐帧推理。如果演示机性能一般可以每3帧检测一次中间帧直接沿用上一帧的框这样视频看起来依然是连续标记。另一种做法是根据目标大小动态调整imgsz车辆检测用1280普通行人检测用640在速度和精度之间取平衡。置信度阈值建议人脸用0.4车辆用0.35这两个项目里验证过的默认值比较稳定但如果你发现漏检太多优先降conf而不是改imgsz。本文还有配套的精品资源点击获取
