一、项目介绍
本系统设计并实现了一个基于YOLOv8的驾驶员异常行为检测系统，旨在通过计算机视觉技术实时识别驾驶过程中的危险行为，提升道路交通安全水平。系统采用前后端分离架构，前端基于Vue3和Element Plus组件库构建用户界面，后端使用Python Flask框架提供RESTful API服务，算法层则采用YOLOv8n轻量级目标检测模型进行图像推理。系统支持四类常见驾驶员异常行为的检测：喝水（drinking）、打哈欠（yawning）、打电话（calling）和玩手机发短信（texting）。用户可通过前端页面上传驾驶舱内抓拍的图片，后端接收图片后调用YOLOv8模型进行推理，返回带检测框的结果图和详细的检测信息（包括类别、置信度和位置坐标），并将检测记录持久化存储，方便用户随时查阅历史检测结果。系统还实现了完整的用户认证与权限管理体系，支持普通用户和管理员两种角色：管理员可在后台管理系统的用户账号，并可发布和编辑安全驾驶相关的科普文章，帮助驾驶员了解疲劳驾驶、分心驾驶的危害及预防措施。整体系统覆盖了从用户注册登录、图片上传检测、结果可视化展示、检测历史管理，到知识科普的完整业务闭环，兼具实用性和可扩展性。
二、选题背景与意义
随着我国机动车保有量的持续增长和道路交通网络的日益密集，道路交通安全问题愈发凸显。根据相关统计，疲劳驾驶和分心驾驶已成为引发交通事故的两大主要诱因。驾驶员在行车过程中打哈欠、使用手机发短信、接打电话、饮水进食等行为，都会显著降低其对路况的感知能力和应急反应速度，大幅增加交通事故发生的风险。然而，传统的交通安全管理主要依赖事后执法和人工巡查，难以在驾驶行为发生的瞬间进行有效预警和干预。近年来，计算机视觉技术和深度学习算法的快速发展，为目标检测与行为识别提供了高效的技术手段。YOLO（You Only Look Once）系列算法凭借其单阶段检测架构带来的速度优势，在实时目标检测领域表现突出，非常适合部署于车载监控场景。
三、关键技术栈：YOLOv8
YOLOv8是Ultralytics公司于2023年推出的目标检测算法，是YOLO系列的最新迭代版本。相比前代YOLOv5和YOLOv7，YOLOv8在骨干网络（Backbone）和颈部结构（Neck）方面均进行了优化，采用了更高效的C2f模块替换原有的C3模块，增强了特征提取与融合能力；其解耦检测头（Decoupled Head）将分类和回归任务分离到不同的分支，提升了检测精度和收敛速度；同时引入了TaskAlignedAssigner正负样本分配策略，使训练过程更加稳定高效。在本系统中，选用YOLOv8n（nano）版本进行模型部署。YOLOv8n作为该系列中参数量最小的变体，模型权重文件仅约6MB，兼具轻量化与快速推理的优势，非常适合在资源受限的端侧设备上运行。系统在自建的驾驶员行为数据集上对YOLOv8n进行了微调训练，数据集包含驾驶舱内驾驶员多种行为的标注图像，覆盖了喝水、打哈欠、打电话、玩手机四类典型异常行为。
四、技术架构图
五、系统功能模块图
