基于YOLOv8的人脸表情识别项目【完整源码数据集+PyQt5界面+完整训练流程+开箱即用】
基本功能演示
动图展示均为二倍速，且画质压缩，演示效果较差。完整功能以及优秀的效果体验请运行项目亲自体验。
项目摘要
本项目集成了 YOLOv8 表情检测模型 与 PyQt5 图形界面工具，实现了包括图片、文件夹、视频与摄像头等多种输入方式的人脸表情识别功能。配套完整源码与训练流程说明，让你开箱即用、快速部署自己的情绪识别系统，源码打包在文末。
前言
近年来，随着计算机视觉和深度学习的发展，人脸表情识别技术在安防监控、智能人机交互、情绪识别等领域得到了广泛应用。本文将带你构建一个基于 YOLOv8 的人脸表情识别系统，实现从训练模型到图形化界面部署的完整流程。
一、软件核心功能介绍及效果演示
本项目实现的主要功能如下：
- ✅ 支持 单张图片 的人脸表情检测与识别；
- ✅ 支持 批量文件夹图片 检测；
- ✅ 支持对 本地视频文件 进行表情识别；
- ✅ 支持 实时摄像头表情识别；
- ✅ 可视化结果 实时绘制表情标签与置信度；
- ✅ 检测结果可选择保存为图片或视频；
- ✅ 使用 PyQt5 构建图形界面，无需命令行操作。
二、软件效果演示
为了直观展示本系统基于 YOLOv8 模型的人脸表情识别能力，本文设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。用户通过简洁易用的界面，可以方便地体验不同模式下的人脸表情自动识别过程及其效果，下面依次展示各项功能的具体应用与表现。
（1）单图片检测演示
界面选择一张图片后，YOLOv8 模型自动识别人脸并打上表情标签，如下所示：
（2）多文件夹图片检测演示
选择包含多张图片的文件夹，系统会批量检测每一张图片中的人脸表情，并生成对应输出。
（3）视频检测演示
选择任意本地视频，系统逐帧进行人脸表情识别，动态绘制识别标签：
（4）摄像头检测演示
调用电脑摄像头进行实时检测，适用于人脸识别监控、交互场景。
由于摄像头检测效果与视频检测效果相同，调用打开摄像头即可。
（5）保存图片与视频检测结果
检测完成后，用户可选择是否将结果保存到本地，图片自动标注表情类别，视频按帧绘制结果保存为 mp4 文件。
三、模型的训练、评估与推理
3.1 YOLOv8的基本原理
YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：
- 速度快：推理速度提升明显；
- 准确率高：支持 Anchor-Free 架构；
- 支持分类/检测/分割/姿态多任务；
- 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。
YOLOv8 由Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。
YOLOv8原理图如下：
3.2 数据集准备与训练
采用 YOLO 格式的数据集结构如下：
dataset/
├── images/
│ ├── train/
│ └── val/
├── labels/
│ ├── train/
│ └── val/
每张图像有对应的 .txt 文件，内容格式为：
4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757
表情分类包括（可自定义）：
nc: 7
names: ["Surprise", "Fear", "Disgust", "Happiness", "Sadness", "Anger", "Neutral"]
惊讶、恐惧、厌恶、快乐、悲伤、愤怒、平静
使用 Ultralytics 提供的 CLI 工具：
yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001
3.3. 训练结果评估
训练完成后，将在 runs/detect/train 目录生成结果文件，包括：
results.png：损失曲线和 mAP 曲线；weights/best.pt：最佳模型权重；confusion_matrix.png：混淆矩阵分析图。
若 mAP@0.5 达到 90% 以上，即可用于部署。
在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在runs/目录下，具体内容如下：
3.4检测结果识别
使用 PyTorch 推理接口加载模型：
import cv2
from ultralytics import YOLO
import torch
from torch.serialization import safe_globals
from ultralytics.nn.tasks import DetectionModel
# 加入可信模型结构
safe_globals().add(DetectionModel)
# 加载模型并推理
model = YOLO('runs/detect/train/weights/best.pt')
results = model('test.jpg', save=True, conf=0.25)
# 获取保存后的图像路径
# 默认保存到 runs/detect/predict/ 目录
save_path = results[0].save_dir / results[0].path.name
# 使用 OpenCV 加载并显示图像
img = cv2.imread(str(save_path))
cv2.imshow('Detection Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
预测结果包含表情类别、置信度、边框坐标等信息。
四.YOLOV8+YOLOUI完整源码打包
本文涉及到的完整全部程序文件：包括python源码、数据集、训练代码、UI文件、测试图片视频等（见下图），获取方式见【4.2 完整源码下载】：
4.1 项目开箱即用
作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。
运行项目只需输入下面命令。
python main.py
读者也可自行配置训练集，或使用打包好的数据集直接训练。
自行训练项目只需输入下面命令。
yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001
4.2 完整源码下载
💾 Gitee 项目地址： https://gitee.com/goodnsxxc/yolo-main
包含：
📦完整项目源码
📦 预训练模型权重
🗂️ 数据集地址（含标注脚本）
总结
本项目完整实现了人脸表情识别系统从训练到部署的全流程，具备如下亮点：
✅ 采用 YOLOv8 实现高效目标检测；
✅ PyQt5 界面，用户体验良好；
✅ 多场景支持，实用性强；
✅ 全代码打包+附数据集，适合毕业设计、科研落地、行业应用等场景。
