驾驶中的疲劳状态识别数据集（3000张图片已划分、已标注）| AI训练适用于目标检测任务

🚗 驾驶中的疲劳状态识别数据集（3000张图片已划分、已标注）| AI训练适用于目标检测任务

在智能驾驶与驾驶员辅助系统中，疲劳状态识别是确保行车安全的重要环节。通过对驾驶员眼睛、嘴部的状态检测，可以有效识别驾驶员是否存在 瞌睡、打哈欠、疲劳驾驶 等风险行为，从而及时预警，避免交通事故。本篇文章介绍的 驾驶中的疲劳状态识别数据集，已经完成划分与标注，开箱即可应用于模型训练。

数据集下载

链接:https://pan.baidu.com/s/1F27AXENPwYpHvu1JMbIdiw?pwd=dvmt
提取码:dvmt 复制这段内容后打开百度网盘手机App，操作更方便哦

背景

随着汽车保有量的快速增长，交通安全问题日益受到关注。研究表明，驾驶员疲劳驾驶是导致交通事故的重要原因之一，甚至占到严重交通事故的 20%—30%。当驾驶员处于疲劳状态时，常见的生理表现包括：

• 眼睛长时间闭合（困倦、瞌睡）
• 频繁打哈欠（嘴巴张开）
• 注意力下降（眼神涣散、反应迟缓）

传统的疲劳检测方法主要依赖于 车辆行驶数据（如方向盘转动频率、车道偏离等），但这些方法存在滞后性，往往在事故风险已经出现时才发出警告。相比之下，基于计算机视觉的驾驶员状态检测能够通过实时监测 眼睛和嘴部状态，提前识别出疲劳迹象，从而实现更及时有效的预警。

为此，我们构建了一个 驾驶中的疲劳状态识别数据集，包含 3000张已划分、已标注的图片，专注于 眼睛和嘴部的关键特征识别，为疲劳驾驶检测模型的研究与应用提供了可靠的数据基础。

📂 数据集路径配置

# 修改 path 为你的数据集根目录路径
path: /your_dataset_path

train: images/train
val: images/val

nc: 4
names: ["closed_eye","closed_mouth","open_eye","open_mouth"]

该配置文件可直接用于 YOLO系列目标检测模型（如YOLOv5、YOLOv8），方便进行快速训练与验证。

---

🗂️ 数据集概述

• 图片总数：3000张

• 标注格式：YOLO格式（.txt标注文件）

• 数据划分：已按训练集（train）与验证集（val）划分

• 检测类别：共4类

  • closed_eye（闭眼）
  • closed_mouth（闭嘴）
  • open_eye（睁眼）
  • open_mouth（张嘴）

数据集主要关注驾驶员的 眼睛和嘴部状态，这是疲劳检测的核心特征。例如，长时间闭眼可能代表打瞌睡，而频繁张嘴可能意味着打哈欠。

---

🔎 数据集详情

1. 类别分布
   数据集中四类目标分布均衡，确保模型不会因类别偏差而训练不稳定。

2. 图像清晰度
   图片均来源于驾驶场景模拟与真实场景，具备较高分辨率，保证模型训练的有效性。

3. 标注方式
   使用标准化工具进行标注（如LabelImg、Roboflow），所有标签均为矩形框，精准定位眼睛和嘴部区域。

4. 样例可视化

   • open_eye：正常驾驶
   • closed_eye：疲劳或困倦
   • open_mouth：打哈欠
   • closed_mouth：正常状态

---

🚘 适用场景(可应用于）

该数据集可以广泛应用于以下场景：

1. 智能驾驶辅助系统（ADAS）

   • 实时监测驾驶员是否疲劳，提高行车安全性。

2. 车载预警系统

   • 当检测到驾驶员频繁闭眼或打哈欠时，发出警告音或震动提醒。

3. 学术研究与实验

   • 适用于计算机视觉方向的科研，如疲劳检测、表情识别、多模态驾驶行为分析。

4. 深度学习模型训练

   • 可直接用于训练YOLO、Faster R-CNN、SSD等目标检测网络，验证不同算法的表现。

---

📝 结语

本数据集覆盖了驾驶中常见的 眼睛和嘴部状态，具备较高的实用性和研究价值。通过该数据集，研究人员和开发者可以快速搭建 驾驶员疲劳检测模型，推动智能驾驶与交通安全的发展。

未来，结合更多维度的数据（如头部姿态、手部动作、心率监测），将进一步提升疲劳检测的准确性和鲁棒性，为智能交通系统提供更坚实的安全保障。

本数据集聚焦于驾驶过程中与疲劳相关的关键特征——眼睛与嘴部状态，共收录 3000张高质量图像，并完成了科学的划分与精确的标注。其类别设计涵盖了 闭眼、睁眼、闭嘴、张嘴 四种典型状态，能够为 驾驶员疲劳检测模型 的研究与落地应用提供坚实的数据支持。

通过该数据集，研究者和开发者可以快速验证不同的计算机视觉算法，如 YOLO、Faster R-CNN、SSD 等检测模型，并在实际的智能驾驶场景中构建 实时疲劳监测与预警系统。这不仅有助于提升交通安全，还为 智慧交通与自动驾驶 的发展奠定了基础。

未来，结合更多维度的特征（如头部姿态、行为动作、多模态生理信号），疲劳检测技术将进一步迈向 高精度、强鲁棒性、可实时部署 的方向。