简介这份资源是面向计算机视觉初学者与智能安防开发者的YOLOv5摔倒检测完整源码包聚焦老人监护、公共安全监控等场景下的实时摔倒识别问题。压缩包共1721个文件约678.44MB其中1264个txt与178个xml构成标注数据与配置说明183张jpg提供样本图像21个py与22个yaml支撑模型定义、训练与数据加载另有4个pt权重、16个mp4演示视频及Dockerfile等部署文件目录结构覆盖数据加载、模型构建、训练与测试四大模块。资源完整呈现了Focal Loss、SPP-Block与PANet等关键结构在摔倒检测中的落地方式并附带数据增强与训练策略的工程实现。目前已有3511人学习下载适合希望快速复现摔倒检测流程、理解YOLOv5工程组织并积累智能分析项目经验的读者参考。1. 摔倒检测为什么值得单独拆一套 YOLOv5 源码监控画面里有人突然倒地值班人员盯屏十小时未必能第一时间反应这是安防、养老、工地场景里最典型的刚需。YOLOv5 摔倒检测源码解决的正是这件事把「人」这个目标框出来再判断框的宽高比、倾斜角度和时序连续性输出「摔倒」这个类别。它适合两类人——一类是想拿现成权重直接跑通推理的工程落地者另一类是准备用自己场景数据重训模型的算法同学。这套源码通常包含数据集标注脚本、训练配置、推理入口和可视化后处理技术栈是 Python PyTorch OpenCV属于能改、能训、能部署的完整链路而不是一个只能看 demo 的玩具。下面按「拿到手怎么跑通 → 怎么换成自己的数据 → 哪里会翻车」的顺序拆开讲。2. 环境与推理链路从权重加载到摔倒框输出2.1 为什么选 YOLOv5 而不是直接上姿态估计摔倒检测有两条主流路线一条是姿态估计如 OpenPose、MediaPipe先取骨骼点再判姿态另一条是目标检测直接回归「摔倒」类别。姿态路线精度高但依赖关键点质量遮挡和低分辨率下骨骼点抖动严重且推理链路长、帧率低。YOLOv5 路线的优势在于单阶段检测一次前向就出框和类别工程上更容易塞进现有视频流管道。常见做法是把「站立的人」和「摔倒的人」当成两个类别一起训让模型自己学区分特征而不是靠后处理硬规则。代价是摔倒样本天然稀少类别不平衡需要额外处理这点后面避坑章节会展开。选 YOLOv5 还有个现实原因它的工程化程度高detect.py、train.py、export.py开箱即用导出 ONNX、TensorRT 的路径成熟树莓派、RK3568 这类边缘设备部署案例多遇到问题能搜到答案。如果你只是想在 PC 上验证效果CPU 推理也能跑只是帧率会掉到个位数。2.2 推理入口与关键参数拿到源码后第一步是确认目录结构典型布局是models/、utils/、data/、weights/四个核心目录。推理命令一般长这样# 基础推理指定权重、输入源、置信度与 IoU 阈值 python detect.py \ --weights weights/fall_best.pt \ --source data/videos/test_fall.mp4 \ --img-size 640 \ --conf-thres 0.4 \ --iou-thres 0.45 \ --device 0 \ --save-txt逻辑说明--weights指向训练好的摔倒权重如果只有官方 COCO 权重检测出来的是「person」而不是「fall」必须先换权重。--source支持单图、目录、视频、摄像头编号写0就是本机摄像头。--img-size决定推理分辨率640 是精度和速度的平衡点边缘设备可降到 416。--conf-thres是置信度阈值摔倒场景建议比通用检测略低因为摔倒姿态特征不如站立明显设太高会漏检。--iou-thres控制 NMS 合并重叠框的力度多人场景设 0.45 比较稳。--save-txt会把每帧的框坐标和类别存成 txt方便后续做时序判断。参数改完跑通后你会看到输出视频里摔倒的人被框上并标注类别。如果框的位置对但类别错说明权重没换对如果完全没框先检查--conf-thres是不是设太高再确认输入源路径是否正确。2.3 后处理把单帧检测变成摔倒事件单帧检测出「摔倒」类别还不够真实场景里一个人弯腰捡东西也会被误判。常见做法是加一层时序后处理连续 N 帧检测到摔倒框且框的宽高比大于某个阈值摔倒时人体框趋于横向才触发报警。下面是一段简化的后处理逻辑# 时序确认连续帧命中 宽高比过滤降低弯腰误报 FALL_CONFIRM_FRAMES 8 # 连续命中帧数阈值 ASPECT_RATIO_THRES 1.2 # 宽/高 比值阈值横向框更可能是摔倒 def confirm_fall(detections, history): # detections: 当前帧的 [(x1,y1,x2,y2,cls,conf), ...] hit False for x1, y1, x2, y2, cls, conf in detections: if cls ! FALL_CLASS_ID: continue w, h x2 - x1, y2 - y1 if h 0: continue if w / h ASPECT_RATIO_THRES: hit True break history.append(hit) if len(history) FALL_CONFIRM_FRAMES: history.pop(0) # 连续命中才判定为真实摔倒事件 return len(history) FALL_CONFIRM_FRAMES and all(history)逻辑说明history是一个滑动窗口记录最近若干帧是否命中摔倒框。ASPECT_RATIO_THRES是关键参数站立时人体框高大于宽摔倒时宽高比反转设 1.2 能过滤掉大部分弯腰和蹲下。FALL_CONFIRM_FRAMES设 8 意味着约 0.3 秒按 25fps 算的持续命中能压掉瞬时误检但设太大会导致真摔倒响应延迟。这两个参数没有万能值要按你的摄像头角度和帧率调。提示后处理阈值和模型置信度阈值要联合调单独调一个往往顾此失彼。建议先固定模型阈值用一段包含真实摔倒和干扰动作的视频跑一遍统计误报和漏报再回头改后处理参数。3. 用自己场景的数据重训标注、配置与训练命令3.1 数据集标注与目录组织公开摔倒数据集如 UR Fall、Le2i场景单一直接拿来训往往在你的摄像头下效果打折。常见做法是自己标几百到几千张。标注工具用 LabelImg 或 CVAT类别建议只设两类person和fall。标注时有个血泪经验摔倒瞬间的中间帧半倒不倒最难标标成fall会让模型学到模糊特征标成person又会让漏检变多我一般把明显失去平衡的帧都归到fall宁可多标一点。目录按 YOLOv5 要求组织# YOLOv5 数据集目录结构 datasets/fall_data/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 └── labels/ ├── train/ # 对应 txt 标注格式: cls cx cy w h (归一化) └── val/标注 txt 每行是类别索引 中心x 中心y 宽 高全部归一化到 0~1。类别索引要和 data yaml 里的names顺序一致person是 0fall是 1写反了模型学出来的类别就是错的。3.2 data yaml 与模型配置在data/下新建fall.yaml# 摔倒数据集配置 path: ../datasets/fall_data # 数据集根目录 train: images/train # 训练集相对路径 val: images/val # 验证集相对路径 nc: 2 # 类别数 names: [person, fall] # 类别名顺序必须与标注索引一致模型配置一般用models/yolov5s.yaml把nc改成 2。选 s 版本是因为摔倒检测对细粒度特征要求不算极致s 在速度和精度间平衡好n 更快但小目标弱m/l 在边缘设备上跑不动。如果你用服务器训练、边缘推理可以训 l 再蒸馏到 s但多数场景 s 够用。3.3 训练命令与关键超参# 从预训练权重微调冻结部分层加速收敛 python train.py \ --weights yolov5s.pt \ --data data/fall.yaml \ --epochs 100 \ --batch-size 16 \ --img-size 640 \ --hyp data/hyps/hyp.fall.yaml \ --freeze 10 \ --device 0逻辑说明--weights yolov5s.pt用 COCO 预训练权重做迁移学习比从零训收敛快得多摔倒样本少时尤其重要。--epochs 100是经验值样本少于 2000 张时 50~80 轮就够多了会过拟合。--batch-size受显存限制8G 显存跑 640 分辨率大概能到 16。--freeze 10冻结 backbone 前 10 层小数据集上能防止底层特征被破坏。--hyp指向自定义超参文件摔倒场景建议把fl_gammafocal loss调高一点缓解正负样本不平衡。训练过程中重点看mAP0.5和fall类别的recall。如果person的 AP 很高但fall的 recall 上不去说明摔倒样本太少或标注质量差优先补数据而不是调参。3.4 训练结果验证与导出训练完在runs/train/exp/weights/下会有best.pt和last.pt。用val.py验证# 验证集评估输出各类别 AP python val.py \ --weights runs/train/exp/weights/best.pt \ --data data/fall.yaml \ --img-size 640 \ --task val看输出里fall类的mAP0.5低于 0.6 基本不能上生产。验证通过后导出 ONNX 给部署用# 导出 ONNXopset 12 兼容性好 python export.py \ --weights runs/train/exp/weights/best.pt \ --include onnx \ --img-size 640 \ --opset 12--opset 12是兼容性较好的版本RK3568、TensorRT 这类推理引擎支持都稳。导出后建议用onnxruntime跑一遍对比 PyTorch 输出确认数值对齐再上设备。4. 避坑与排查摔倒检测最容易翻车的五个点4.1 现象模型把弯腰、蹲下全判成摔倒原因训练集里缺少负样本模型只学到「人体框变横」这个特征没学到「失去平衡」的语义。解决在标注时专门加入弯腰、蹲下、躺卧非摔倒的负样本比例控制在正样本的 1~2 倍让模型学会区分。后处理宽高比阈值也可以从 1.2 提到 1.4 再试。4.2 现象推理帧率只有 3~5 fps视频卡顿原因--img-size设太大或者用了 CPU 推理或者模型选了 l/x 版本。解决边缘设备降到 416 或 320换 yolov5s确认--device 0走 GPU。如果必须 CPU考虑导出 ONNX 后用 onnxruntime 的量化版本速度能提 2~3 倍。4.3 现象训练 loss 正常下降但验证 mAP 一直很低原因标注类别索引和 data yaml 的names顺序不一致或者标注坐标没归一化。解决打开一个标注 txt确认数值都在 0~1 之间且类别索引和 yaml 对得上。这个错误很隐蔽loss 会降但学的是错的东西。4.4 现象换了自己的摄像头后误报暴增原因训练数据的光照、角度、分辨率与部署环境差异大模型过拟合到训练场景。解决从部署摄像头里抽几百帧标一部分加入训练集做微调哪怕只加 200 张也能明显改善。这是最有效的域适应手段比调任何超参都管用。4.5 现象导出 ONNX 后推理结果和 PyTorch 不一致原因导出时--img-size和推理时不一致或者 opset 版本与推理引擎不匹配。解决导出和推理用同一分辨率opset 优先用 12。如果还是不一致检查预处理归一化、通道顺序是否和训练时一致ONNX 不会自动帮你做这些。5. 进阶技巧用跟踪 ID 把摔倒检测做成事件级报警单帧检测加时序确认能压掉大部分误报但多人场景下还是会把「A 摔倒」和「B 弯腰」混在一起判断。更稳的做法是引入目标跟踪给每个人分配 ID按 ID 维护各自的时序状态。常见方案是 YOLOv5 ByteTrack 或 DeepSORT跟踪器负责跨帧关联摔倒判断按 ID 独立进行。具体做法检测输出后先过跟踪器得到(track_id, bbox, cls)列表然后为每个track_id维护一个滑动窗口。只有同一个 ID 连续命中摔倒框才触发该 ID 的报警。这样 A 的摔倒不会因为 B 的动作被误确认也不会因为画面里多人而互相干扰。# 按 track_id 维护独立时序窗口 from collections import defaultdict, deque FALL_WINDOW 8 track_history defaultdict(lambda: deque(maxlenFALL_WINDOW)) def update_tracks(tracks): # tracks: [(track_id, x1, y1, x2, y2, cls, conf), ...] alerts [] for tid, x1, y1, x2, y2, cls, conf in tracks: w, h x2 - x1, y2 - y1 is_fall (cls FALL_CLASS_ID and h 0 and w / h 1.2) track_history[tid].append(is_fall) # 窗口满且全为 True 才报警 if len(track_history[tid]) FALL_WINDOW and all(track_history[tid]): alerts.append(tid) return alerts逻辑说明defaultdict保证每个新 ID 自动创建窗口maxlen让窗口自动滑动不用手动 pop。alerts返回的是触发报警的 track_id 列表后续可以对接声光报警或推送。参数FALL_WINDOW和宽高比阈值要按帧率调25fps 下 8 帧约 0.3 秒响应够快又不至于误报。验证这套逻辑是否靠谱我一般会准备一段「一人摔倒 一人反复弯腰」的测试视频看报警是否只落在摔倒那个人身上。如果弯腰的人也被报警说明宽高比阈值太低或跟踪 ID 跳变前者调阈值后者换更稳的跟踪器或提高检测置信度减少 ID switch。从那以后我每次上线摔倒检测都强制先用一段包含干扰动作的视频跑一遍事件级验证确认报警只落在该落的人身上再切真实摄像头。这套流程帮我省过好几次现场返工。希望帮到你。本文还有配套的精品资源点击获取