class YOLOv8v5Detector(Detector):
    def __init__(self, params=None):
        super().__init__(params)
        self.model = None
        self.img = None
        self.names = list(Chinese_name.values())
        self.params = params if params else ini_params
	def load_model(self, model_path):
	    self.device = select_device(self.params['device'])
	    self.model = YOLO(model_path)
	    names_dict = self.model.names
	    self.names = [Chinese_name[v] if v in Chinese_name else v for v in names_dict.values()]
	    self.model(torch.zeros(1, 3, *[self.imgsz] * 2).to(self.device).type_as(next(self.model.model.parameters())))
	def preprocess(self, img):
	    self.img = img
	    return img
	
	def predict(self, img):
	    results = self.model(img, **ini_params)
	    return results
	
	def postprocess(self, pred):
	    results = []
	    for res in pred[0].boxes:
	        for box in res:
	            class_id = int(box.cls.cpu())
	            bbox = box.xyxy.cpu().squeeze().tolist()
	            bbox = [int(coord) for coord in bbox]
	            result = {
	                "class_name": self.names[class_id],
	                "bbox": bbox,
	                "score": box.conf.cpu().squeeze().item(),
	                "class_id": class_id,
	            }
	            results.append(result)
	    return results
	    
    def set_param(self, params):
        self.params.update(params)

        模型预测流程的实现分为三个步骤：预处理、推理和后处理。preprocess方法将原始图像作为输入，并进行必要的预处理。这可能包括调整图像大小、标准化像素值等。之后，predict方法使用处理好的图像进行推理，得到原始的检测结果。最后，postprocess方法将YOLO模型的输出转换为易于理解的格式。这一步骤涉及解析边界框、类别ID和置信度，并将其转换为包含中文类别名称的结果列表。set_param方法提供了一种机制，允许在运行时更新模型参数，提供了灵活性以适应不断变化的检测需求。

        这一系列的方法共同工作，构成了我们疲劳驾驶检测系统的计算流程。在实际应用中，这些方法的实现确保了模型不仅可以有效加载和运行预测，而且还能够根据实际需求进行适当的调整。

4.3 训练代码

        在疲劳驾驶检测的深度学习任务中，模型的训练是一个至关重要的过程。训练环节负责将算法应用于实际数据，通过迭代学习来提升模型的性能。这一段博客将详细介绍如何使用Python代码对YOLOv8模型进行训练，以及这些代码背后的含义以下表格详细介绍了YOLOv8模型训练中使用的一些重要超参数及其设置：

超参数	设置	说明
学习率（lr0）	0.01	决定了模型权重调整的步长大小，在训练初期有助于快速收敛。
学习率衰减（lrf）	0.01	控制训练过程中学习率的降低速度，有助于模型在训练后期细致调整。
动量（momentum）	0.937	加速模型在正确方向上的学习，并减少震荡，加快收敛速度。
权重衰减（weight_decay）	0.0005	防止过拟合，通过在损失函数中添加正则项减少模型复杂度。
热身训练周期（warmup_epochs）	3.0	初始几个周期内以较低的学习率开始训练，逐渐增加到预定学习率。
批量大小（batch）	16	每次迭代训练中输入模型的样本数，影响GPU内存使用和模型性能。
输入图像大小（imgsz）	640	模型接受的输入图像的尺寸，影响模型的识别能力和计算负担。

        环境设置与模型加载：首先，我们的代码通过导入必要的库和包开始，其中torch是PyTorch深度学习框架的核心库，而yaml用于处理配置文件。ultralytics的YOLO类是一个接口，用于加载预训练的YOLO模型，并执行训练任务。QtFusion.path中的abs_path函数用于获取文件的绝对路径，这对于确保数据集路径的准确性至关重要。

import os
import torch
import yaml
from ultralytics import YOLO  # 用于加载YOLO模型
from QtFusion.path import abs_path  # 用于获取文件的绝对路径

        在这里，代码使用torch库来确定训练设备，自动检测是否有可用的GPU，这是因为GPU能够显著加速模型的训练过程。如果没有检测到GPU，代码则回退到CPU上进行训练，这虽然速度较慢，但确保了代码的可移植性。

device = "0" if torch.cuda.is_available() else "cpu"

        数据集准备：接着，代码中定义了数据集的路径，并通过处理yaml文件来设置正确的数据目录。这一步骤是至关重要的，因为它确保了无论数据集被放置在何处，训练过程都能找到正确的数据进行训练。

workers = 1  # 工作进程数
batch = 8  # 每批处理的图像数量
data_name = "Drowsiness"
data_path = abs_path(f'datasets/{data_name}/{data_name}.yaml', path_type='current')
unix_style_path = data_path.replace(os.sep, '/')

        一旦我们获取了YAML文件的路径，我们就打开它，并可能更新其中的一些路径项。在深度学习训练中，确保所有文件和路径都被正确设置是至关重要的，因为这些路径将指导模型去哪里找到训练数据和如何保存训练结果。

directory_path = os.path.dirname(unix_style_path)
with open(data_path, 'r') as file:
    data = yaml.load(file, Loader=yaml.FullLoader)

if 'path' in data:
    data['path'] = directory_path
    with open(data_path, 'w') as file:
        yaml.safe_dump(data, file, sort_keys=False)

        训练模型：最后，我们使用YOLO类创建了一个对象，并指定了模型权重文件的路径。加载了预训练权重之后，我们利用train方法来训练模型，其中包括了数据路径、设备、工作进程数量、图像尺寸、训练周期、批次大小和训练任务的名称等参数。这些参数的设置直接影响了训练过程的效率和模型的性能。在此过程中，模型将通过120个训练周期来学习如何识别疲劳驾驶的行为。每个训练周期都会处理全部的训练数据，每次处理批量大小为8的数据，这是为了平衡训练速度和内存使用。工作进程的数量设置为1，这是在单GPU上进行训练时的常见设置。

model = YOLO(abs_path('./weights/yolov5nu.pt', path_type='current'), task='detect')  # 加载预训练的YOLOv8模型
# model = YOLO('./weights/yolov5.yaml', task='detect').load('./weights/yolov5nu.pt')  # 加载预训练的YOLOv8模型
# Training.
results = model.train(  # 开始训练模型
    data=data_path,  # 指定训练数据的配置文件路径
    device=device,  # 自动选择进行训练
    workers=workers,  # 指定使用2个工作进程加载数据
    imgsz=640,  # 指定输入图像的大小为640x640
    epochs=120,  # 指定训练100个epoch
    batch=batch,  # 指定每个批次的大小为8
    name='train_v5_' + data_name  # 指定训练任务的名称
)
model = YOLO(abs_path('./weights/yolov8n.pt'), task='detect')  # 加载预训练的YOLOv8模型
results2 = model.train(  # 开始训练模型
    data=data_path,  # 指定训练数据的配置文件路径
    device=device,  # 自动选择进行训练
    workers=workers,  # 指定使用2个工作进程加载数据
    imgsz=640,  # 指定输入图像的大小为640x640
    epochs=120,  # 指定训练100个epoch
    batch=batch,  # 指定每个批次的大小为8
    name='train_v8_' + data_name  # 指定训练任务的名称
)

        通过以上步骤的详细介绍，我们可以了解如何使用现代深度学习框架和算法来构建一个疲劳驾驶检测模型。整个过程体现了在机器学习领域中从理论到实践的转化，即从基础的环境设置到模型训练的具体实施。这一系列操作不仅涉及到代码的执行，还包括了对深度学习工作流程的深刻理解。

---

5. 实验结果与分析

5.1 训练曲线

        分析模型训练过程中的损失和性能指标是深度学习实践中的重要组成部分。通过这些指标，我们能够了解模型的学习进度、识别问题的能力以及优化的方向。在本部分博客中，我们将详细分析YOLOv8模型在训练过程中的表现，并解释这些指标对模型性能的含义。

        首先，训练损失图显示，边界框损失、类别损失和目标损失随着训练周期的增加呈现出下降的趋势。这表明随着模型对数据集的学习逐渐深入，模型在定位目标、识别类别和预测目标框的准确性上有了显著提升。初期损失值的大幅波动可能是由于模型参数的随机初始化，但随着训练的进行，模型开始收敛，损失曲线逐渐平滑。

        在验证损失方面，我们可以看到与训练损失类似的下降趋势，这表明模型具有良好的泛化能力，并能够在未见过的数据上进行准确的预测。一开始的损失值较高，但随着模型的训练逐渐降低，这显示了训练过程中模型对于新数据的适应性在不断提高。

        精确度和召回率的图像提供了关于模型性能的另一视角。精确度指标显示，在训练过程中，模型对于正样本的预测准确性有了显著的提升。召回率则表明，模型能够正确识别的正样本数量在不断增加。这两个指标的结合反映了模型在区分疲劳驾驶行为和非疲劳驾驶行为方面的能力。

        平均精度（mAP50）和严格平均精度（mAP50-95）指标则提供了一个整体的性能评估。mAP50衡量的是检测准确率在IoU为50%时的性能，而mAP50-95则是评估模型在IoU从50%增加到95%的平均性能，更为严格。从图中我们可以看出，这两个指标随训练周期增长而增加，特别是mAP50-95，其稳定的上升趋势显示了模型对于检测任务的掌握越来越精细。

        整体来说，这些图表展示了YOLOv8模型在疲劳驾驶检测任务上的优异训练表现。损失函数的下降和性能指标的提升表明模型在学习过程中取得了显著的进步，既能精确地识别出疲劳驾驶行为，也显示了模型对新数据具有良好的适应和泛化能力。

5.2 PR曲线图

        精确度-召回率曲线（Precision-Recall Curve，简称PR曲线）是衡量目标检测模型性能的重要工具之一，尤其在数据集中正负样本分布不均时，PR曲线提供了比ROC曲线更为真实的性能评估。通过深入分析上图中的PR曲线，我们可以评估模型在不同类别的疲劳驾驶行为检测任务上的表现。

        首先，观察“打哈欠”（Yawn）类别，其精确度接近0.956，意味着模型在检测打哈欠行为时几乎没有误报。这一高精确度表明，当模型预测驾驶员出现打哈欠时，我们可以非常自信地相信这一预测。同时，召回率与精确度曲线接近水平，这表明即使在不同的置信度阈值下，模型依然能保持高精确度。

        接着是“闭眼”（Close）类别，其精确度达到0.927，表明模型在识别驾驶员闭眼行为时也有很高的准确性。召回率的曲线稍微下降，这可能意味着在某些情况下模型可能会错过某些闭眼行为的检测，但总体来看表现仍然很强。

        然而，“未打哈欠”（noYawn）和“睁眼”（Open）的精确度显著较低，分别为0.256和0.424。这低精确度可能表明在这些类别上存在较多的误报，模型可能将不相关的行为错误地分类为这两个类别。对于“未打哈欠”类别，模型的性能特别差，这可能是因为“未打哈欠”的特征不如“打哈欠”明显，或者训练数据不足以使模型有效区分这一行为。

        从整体的平均精确度（[email protected]）来看，模型在所有类别上达到了0.641的平均精确度，这是一个相对均衡的结果，考虑到类别不平衡和检测任务的困难度，这个结果是令人鼓舞的。但是，“未打哈欠”和“睁眼”类别的低精确度提醒我们，在未来的工作中需要改进模型或提供更多训练样本以提高这些类别的检测性能。

5.3 YOLOv8/v7/v6/v5对比实验

（1）实验设计：
        本实验旨在评估和比较YOLOv5、YOLOv6、YOLOv7和YOLOv8几种模型在疲劳驾驶目标检测任务上的性能。为了实现这一目标，博主分别使用使用相同的数据集训练和测试了这四个模型，从而可以进行直接的性能比较。该数据集包含疲劳驾驶的图像。本文将比较分析四种模型，旨在揭示每种模型的优缺点，探讨它们在工业环境中实际应用的场景选择。

模型	图像大小 (像素)	mAPval 50-95	CPU ONNX 速度 (毫秒)	A100 TensorRT 速度 (毫秒)	参数数量 (百万)	FLOPs (十亿)
YOLOv5nu	640	34.3	73.6	1.06	2.6	7.7
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv6N	640	37.5	-	-	4.7	11.4
YOLOv7-tiny	640	37.4	-	-	6.01	13.1

（2）度量指标：

• F1-Score：F1-Score 作为衡量模型性能的重要指标，尤其在处理类别分布不均的数据集时显得尤为关键。它通过结合精确率与召回率，提供了一个单一的度量标准，能够全面评价模型的效能。精确率衡量的是模型在所有被标记为正例中真正属于正例的比例，而召回率则关注于模型能够识别出的真正正例占所有实际正例的比例。F1-Score通过两者的调和平均，确保了只有当精确率和召回率同时高时，模型的性能评估才会高，从而确保了模型对于正例的预测既准确又完整。
• mAP（Mean Average Precision）：在目标检测任务中，Mean Average Precision（mAP）是评估模型性能的重要标准。它不仅反映了模型对单个类别的识别精度，而且还考虑了所有类别的平均表现，因此提供了一个全局的性能度量。在计算mAP时，模型对于每个类别的预测被单独考虑，然后计算每个类别的平均精度（AP），最后这些AP值的平均数形成了mAP。

名称	YOLOv5nu	YOLOv6n	YOLOv7-tiny	YOLOv8n
mAP	0.650	0.602	0.583	0.641
F1-Score	0.55	0.55	0.56	0.55

（3）实验结果分析：

       在深度学习领域，尤其是目标检测任务中，准确性和泛化能力是评估模型性能的重要指标。本次实验旨在比较YOLO系列几个版本的模型（YOLOv5nu、YOLOv6n、YOLOv7-tiny和YOLOv8n）在同一数据集上的表现。通过mAP（平均精度均值）和F1-Score这两个度量指标，我们可以从多个角度评估和比较这些模型的性能。

        首先，从mAP得分来看，YOLOv5nu模型以0.650的得分位居榜首，而YOLOv8n紧随其后，其得分为0.641。mAP作为衡量模型检测准确性的指标，YOLOv5nu的表现说明了其在检测边界框的定位上有较好的性能，这可能得益于它的网络架构和训练过程中更有效的特征提取能力。此外，YOLOv5nu的结构可能更适合处理本数据集中的特定类型的疲劳驾驶行为，这也是它能取得如此高mAP得分的原因之一。

        接着，我们看到YOLOv6n和YOLOv7-tiny在mAP上的得分分别为0.602和0.583，较前两者有所下降。这种性能上的差异可能与这些模型的网络架构和参数优化有关。YOLOv6n和YOLOv7-tiny的设计目标是在速度和性能之间找到平衡点，特别是在资源受限的环境中。由于其网络架构可能较为简化，这可能在一定程度上牺牲了模型在某些复杂疲劳驾驶行为检测场景中的准确性。

        对于F1-Score，所有模型的得分都相对较为接近，均在0.55至0.56之间。F1-Score作为精确度和召回率的调和平均值，其较为均衡的结果表明了在综合考虑误报和漏报的情况下，各模型均达到了一定水平的性能。值得注意的是，尽管YOLOv7-tiny在mAP得分较低，但其F1-Score最高，这表明在实际应用中，该模型在减少误报（提高精确度）和漏报（提高召回率）之间取得了良好的平衡。

       综上所述，这些实验结果揭示了不同YOLO模型版本在疲劳驾驶检测任务上的性能差异。通过对这些模型的综合评估，我们不仅可以根据具体的应用需求选择合适的模型，例如在需要更快检测速度的场景中选择YOLOv6n或YOLOv7-tiny，或者在对检测准确性要求更高的情况下选择YOLOv5nu或YOLOv8n，同时也为未来如何改进这些模型提供了有价值的洞察。

---

6. 系统设计与实现

6.1 系统架构概览

        在设计基于YOLOv8/v7/v6/v5的疲劳驾驶检测系统时，我们将整个系统的架构细化为几个关键组件，每个组件都承担着系统运行中的特定任务。以下是结合代码中的部分类和方法名，具体且详细地介绍系统的架构设计。

1. 数据收集与预处理模块
   该模块主要负责从摄像头采集驾驶员的实时图像，并对这些图像进行预处理以适应模型的输入要求。这一模块的实现依赖于cv2.VideoCapture来捕获摄像头数据，使用cv2库中的图像处理函数（例如cv2.resize）调整图像大小，以确保图像满足模型输入的尺寸要求。

2. 模型训练与加载模块
   在YOLOv8v5Detector类中，我们封装了模型加载和初始化的逻辑。这个类使用load_model方法来加载预训练的YOLO模型权重文件。这些权重文件是基于大量驾驶员行为数据（包括疲劳状态下的行为特征）预先训练得到的。通过加载这些权重，我们的系统能够快速识别疲劳驾驶的关键特征。

3. 实时检测模块
   frame_process方法是实时检测模块的核心，它负责处理每一个摄像头捕获的图像帧。在这个方法中，首先对输入的图像帧进行必要的预处理，然后使用YOLOv8v5Detector进行疲劳特征的检测。该方法会分析驾驶员的面部特征，如眼睛闭合程度、打哈欠频率等，以判断是否存在疲劳驾驶行为。

4. 用户界面（UI）模块
   Detection_UI类负责构建和管理用户界面。这个类通过streamlit库创建一个直观友好的界面，让用户可以轻松地选择摄像头、上传文件、调整模型设置（如置信度阈值conf_threshold和IOU阈值iou_threshold）等。此外，它还负责展示实时的检测结果和预警信息。

5. 日志记录与结果展示模块
   在LogTable类中，我们实现了检测结果的记录和展示功能。这个类会将每次检测的结果存储起来，并能够将这些结果以表格的形式展示给用户。这对于分析疲劳驾驶行为模式、优化模型参数具有重要意义。

6.2 系统流程

        基于YOLOv8/v7/v6/v5的疲劳驾驶检测系统设计精妙、流程清晰，其核心流程可以细分为以下几个关键步骤：

1. 初始化数据与配置：系统启动时，首先通过Detection_UI类的构造方法初始化系统所需的基础配置。这包括加载标签列表Label_list、设置置信度阈值conf_threshold和IOU阈值iou_threshold、以及初始化日志数据保存路径等。

2. 模型加载：接下来，系统会检查st.session_state中是否已经加载了模型实例。如果没有，将利用YOLOv8v5Detector类创建并加载YOLO模型实例，并将训练好的模型权重加载到系统中。

3. 用户界面设置：系统会调用setup_page方法设置页面布局，并通过def_css_hitml方法应用CSS样式，使得用户界面更加友好。

4. 侧边栏配置：用户可以通过侧边栏进行一系列配置，包括选择模型类型、设置置信度和IOU阈值、选择摄像头或上传文件等。这些配置项通过调用setup_sidebar方法实现。

5. 模型文件选择：用户还可以选择使用默认的模型文件或上传自定义的模型文件。这一步骤通过侧边栏中的文件上传器实现，系统会根据用户的选择调用YOLOv8v5Detector的load_model方法加载相应的模型。

6. 开始运行检测：用户点击"开始运行"按钮后，系统将调用process_camera_or_file方法根据用户的选择处理摄像头输入或文件输入。

   • 对于摄像头输入，系统会通过OpenCV获取摄像头视频流，并循环处理每一帧图像。
   • 对于文件输入，如果是图片文件，则直接处理该图片；如果是视频文件，则同样循环处理视频中的每一帧图像。

7. 帧处理：不论是摄像头输入还是文件输入，系统都会对每一帧图像调用frame_process方法进行处理。该方法首先对图像进行预处理，然后利用YOLO模型进行目标检测，并处理检测结果。

8. 结果展示与日志记录：检测完成后，系统会将检测结果实时展示在用户界面上，并通过LogTable类记录检测结果。用户可以选择导出检测结果和日志。

9. 导出结果：用户可以点击"导出结果"按钮，将检测结果和相关日志导出为文件，方便后续分析和存档。

10. 系统清理：在检测任务完成后，系统会清理所占用的资源，准备下一次检测任务。

        整个流程条理清晰，从初始化、配置、检测处理到结果展示和导出，每一步都紧密相连，确保了系统的高效性和准确性。通过这套流程，基于YOLO模型的疲劳驾驶检测系统能够实时准确地识别并警告疲劳驾驶行为，为保障道路安全做出贡献。

---

代码下载链接

         如果您希望获取博客中提及的完整资源包，包含测试图片、视频、Python文件(*.py)、网页配置文件、训练数据集、代码及界面设计等，可访问博主在面包多平台的上传内容。相关的博客和视频资料提供了所有必要文件的下载链接，以便一键运行。完整资源的预览如下图所示：

        资源包中涵盖了你需要的训练测试数据集、训练测试代码、UI界面代码等完整资源，完整项目文件的下载链接可在下面的视频简介中找到➷➷➷

演示与介绍视频 ：https://www.bilibili.com/video/BV1YJ4m1j7bV/
YOLOv8/v7/v6/v5项目合集下载：https://mbd.pub/o/bread/mbd-ZZ2Xm5tp
YOLOv8和v5项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2XmJdx
YOLOv7项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2XmZ1u
YOLOv6项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Xmp1w

完整安装运行教程：

        这个项目的运行需要用到Anaconda和Pycharm两个软件，下载到资源代码后，您可以按照以下链接提供的详细安装教程操作即可运行成功，如仍有运行问题可私信博主解决：

1. Pycharm和Anaconda的安装教程：https://deepcode.blog.csdn.net/article/details/136639378；

        软件安装好后需要为本项目新建Python环境、安装依赖库，并在Pycharm中设置环境，这几步采用下面的教程可选在线安装（pip install直接在线下载包）或离线依赖包（博主提供的离线包直接装）安装两种方式之一：

2. Python环境配置教程：https://deepcode.blog.csdn.net/article/details/136639396（2,3方法可选一种）；
3. 离线依赖包的安装指南：https://deepcode.blog.csdn.net/article/details/136650641（2,3方法可选一种）；

        如使用离线包方式安装，请下载离线依赖库，下载地址：https://pan.baidu.com/s/1uHbU9YzSqN0YP_dTHBgpFw?pwd=mt8u （提取码：mt8u）。

---

7. 结论与未来工作

        本文通过深入研究并实践了基于YOLOv8/v7/v6/v5的深度学习模型在疲劳驾驶检测领域的应用，成功开发了一个结合了这些先进算法的疲劳驾驶检测系统。通过对多个版本的YOLO模型进行细致的比较和优化，本研究不仅提升了疲劳驾驶检测的准确率和实时性，还通过Streamlit创建了一个直观、美观且易于使用的Web应用，使用户能够轻松地进行疲劳状态识别，从而在实际应用中发挥重要作用。

        经过一系列实验验证，本文所提出的方法在疲劳驾驶检测的准确性和处理速度上都达到了令人满意的水平。同时，我们还提供了完整的数据集处理流程、模型训练和预测的代码，以及基于Streamlit的系统设计和实现细节，为后续的研究者和开发者复现和参考提供了方便。尽管取得了一定的成果，但疲劳驾驶检测作为一个复杂多变的任务，仍然面临着许多挑战和改进空间。在未来的工作中，我们计划从以下几个方向进行探索：

• 模型优化：继续探索更深层次的网络结构和优化策略，如神经网络架构搜索（NAS）技术，以进一步提升模型的性能和效率。
• 多模态融合：考虑结合生理信号、驾驶行为等其他模态信息，采用多模态学习方法进行疲劳状态识别，以更全面地理解驾驶员的状态。
• 跨域适应性：研究不同驾驶环境下的疲劳驾驶特征，通过领域自适应技术提高模型在不同环境中的泛化能力。
• 用户交互体验：进一步优化系统的用户界面和交互设计，使其更加人性化、智能化，以满足更广泛用户的需求。
• 实际应用拓展：探索疲劳驾驶检测在更多实际应用场景中的应用，如智能交通系统、长途运输监控等，以发挥其最大的社会和经济价值。

        总之，疲劳驾驶检测技术正处于快速发展之中，随着技术的不断进步和应用场景的不断拓展，我们相信在不久的将来，基于深度学习的疲劳驾驶检测将在人机交互、社会安全、医疗健康等领域发挥更加重要的作用。

---

1. Zhao L, Wang Z, Wang X, et al. Human fatigue expression recognition through image-based dynamic multi-information and bimodal deep learning[J]. Journal of Electronic Imaging, 2016, 25(5): 053024-053024. ↩︎

2. Dalve S, Ramdasi I, Kothawade G, et al. Real Time Prevention of Driver Fatigue Using Deep Learning and MediaPipe[J]. International Journal of Innovative Research in Computer Science & Technology (IJIRCST) Volume-11, Issue-3, 2023. ↩︎

3. El-Nabi S A, El-Shafai W, El-Rabaie E S M, et al. Machine learning and deep learning techniques for driver fatigue and drowsiness detection: a review[J]. Multimedia Tools and Applications, 2024, 83(3): 9441-9477. ↩︎

4. Almazroi A A, Alqarni M A, Aslam N, et al. Real-Time CNN-Based Driver Distraction & Drowsiness Detection System[J]. Intelligent Automation & Soft Computing, 2023, 37(2). ↩︎

5. Liu Y, Chen Z, Xu C, et al. Driver Fatigue Detection Algorithm Based on Improved Yolov4[J]. World Scientific ResEARch Journal, 2022, 8(1): 58-63. ↩︎