湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

目錄

1引言............................................................................................................................1

1.1項(xiàng)目背景......................................................................................................1

1.2項(xiàng)目目標(biāo)......................................................................................................1

2相關(guān)技術(shù)與工具介紹................................................................................................2

2.1YOLO模型概述................................................................................................2

2.2目標(biāo)檢測相關(guān)技術(shù)......................................................................................2

2.3Flask框架技術(shù)..............................................................................................3

2.4開發(fā)環(huán)境與工具..........................................................................................4

2.4.1Python簡介..........................................................................................4

2.4.2PyCharm簡介........................................................................................4

2.4.3第三方庫簡介......................................................................................5

2.4.4Pytorch框架........................................................................................5

3方法設(shè)計(jì)與實(shí)現(xiàn)........................................................................................................6

3.1數(shù)據(jù)集收集與預(yù)處理..................................................................................6

3.1.1數(shù)據(jù)集的獲取......................................................................................6

3.1.2數(shù)據(jù)集預(yù)處理.......................................................................................8

3.2深度學(xué)習(xí)模型選擇與設(shè)計(jì)..........................................................................9

3.2.1深度學(xué)習(xí)模型選擇...............................................................................9

3.2.2模型設(shè)計(jì)...............................................................................................9

3.3模型的編譯與訓(xùn)練....................................................................................12

3.4模型的評估與優(yōu)化.......................................................................................12

3.4.1模型的評估.........................................................................................12

3.4.2模型的優(yōu)化.........................................................................................13

3.5前端設(shè)計(jì)與實(shí)現(xiàn)...........................................................................................14

3.5.1系統(tǒng)前端設(shè)計(jì).....................................................................................14

3.5.2設(shè)計(jì)效果展示及分析........................................................................14

4小結(jié)..........................................................................................................................15

I

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

參考資料.........................................................................................................................16

II

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

基于深度學(xué)習(xí)YOLO模型的人體動(dòng)作識(shí)別系統(tǒng)設(shè)計(jì)

1引言

1.1項(xiàng)目背景

為了實(shí)現(xiàn)對人體動(dòng)作進(jìn)行自動(dòng)分析和識(shí)別的能力。這種技術(shù)在許多領(lǐng)域都

有廣泛的應(yīng)用，如體育訓(xùn)練、醫(yī)療康復(fù)、安防監(jiān)控等。在過去人體動(dòng)作識(shí)別主

要依賴于傳統(tǒng)的機(jī)器學(xué)習(xí)方法和手工設(shè)計(jì)的特征提取算法。然而，這些方法在

復(fù)雜場景下往往表現(xiàn)不佳，因?yàn)樗鼈冸y以捕捉到人體動(dòng)作中的豐富細(xì)節(jié)和動(dòng)態(tài)

變化。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，特別是卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)

絡(luò)（RNN）的應(yīng)用，人體動(dòng)作識(shí)別進(jìn)入了一個(gè)新的階段。通過深度學(xué)習(xí)模型的

訓(xùn)練，可以從原始的圖像或視頻數(shù)據(jù)中自動(dòng)學(xué)習(xí)到更具判別性的特征表示，并

且能夠在更復(fù)雜的場景下實(shí)現(xiàn)更準(zhǔn)確的動(dòng)作識(shí)別。此外，隨著硬件的進(jìn)步，如

GPU的廣泛應(yīng)用和計(jì)算能力的提升，深度學(xué)習(xí)模型的訓(xùn)練和推斷速度得到了顯

著提升，使得人體動(dòng)作識(shí)別系統(tǒng)更加實(shí)用和高效。

基于深度學(xué)習(xí)的人體動(dòng)作識(shí)別系統(tǒng)設(shè)計(jì)主要基于以下兩個(gè)方面，一是傳統(tǒng)

方法的局限性，二是深度學(xué)習(xí)技術(shù)的快速發(fā)展和硬件的進(jìn)步。這些因素促使我

們設(shè)計(jì)出更準(zhǔn)確、高效的人體動(dòng)作識(shí)別系統(tǒng)。

1.2項(xiàng)目目標(biāo)

基于深度學(xué)習(xí)的人體動(dòng)作識(shí)別系統(tǒng)的設(shè)計(jì)旨在實(shí)現(xiàn)對人體動(dòng)作進(jìn)行自動(dòng)分

析和識(shí)別，從而能夠?qū)崟r(shí)、準(zhǔn)確地判斷人體的運(yùn)動(dòng)姿勢和動(dòng)作類型。人體動(dòng)作

識(shí)別系統(tǒng)需要能夠?qū)崟r(shí)地對人體姿勢和動(dòng)作進(jìn)行分析和識(shí)別，以便及時(shí)做出反

饋或控制。系統(tǒng)需要具備高準(zhǔn)確度，能夠?qū)Ω鞣N類型的人體動(dòng)作進(jìn)行準(zhǔn)確分類

和識(shí)別，包括靜止姿勢、動(dòng)作序列等。系統(tǒng)需要具備魯棒性，能夠在不同環(huán)境

條件下、不同拍攝角度和光照條件下，仍能保持較高的識(shí)別準(zhǔn)確度。系統(tǒng)需要

能夠處理多種類型的人體動(dòng)作，包括日常生活中的常見動(dòng)作、體育運(yùn)動(dòng)中的動(dòng)

作、醫(yī)療康復(fù)中的動(dòng)作等。系統(tǒng)需要具備良好的可擴(kuò)展性，能夠適應(yīng)不同場景

和應(yīng)用需求，例如可以應(yīng)用在智能家居、虛擬現(xiàn)實(shí)、人機(jī)交互等領(lǐng)域。

基于深度學(xué)習(xí)的人體動(dòng)作識(shí)別系統(tǒng)的設(shè)計(jì)是為實(shí)現(xiàn)對人體動(dòng)作的準(zhǔn)確、實(shí)

時(shí)、魯棒的識(shí)別，以滿足不同領(lǐng)域和應(yīng)用的需求。

1

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

2相關(guān)技術(shù)與工具介紹

2.1YOLO模型概述

YOLO（YouOnlyLookOnce）是一種基于深度學(xué)習(xí)的實(shí)時(shí)目標(biāo)檢測算法，

通過單次前向傳遞網(wǎng)絡(luò)即可同時(shí)預(yù)測圖像中的多個(gè)物體的邊界框和類別。相對

于傳統(tǒng)的目標(biāo)檢測算法，YOLO具有高效、快速的特點(diǎn)，適合于實(shí)時(shí)應(yīng)用和大

規(guī)模目標(biāo)檢測任務(wù)。

YOLO的核心思想是將目標(biāo)檢測任務(wù)轉(zhuǎn)化為一個(gè)回歸問題。它將輸入的圖

像分成一個(gè)固定大小的網(wǎng)格，并在每個(gè)網(wǎng)格中預(yù)測多個(gè)邊界框，每個(gè)邊界框都

包含一個(gè)物體。然后，通過卷積神經(jīng)網(wǎng)絡(luò)對每個(gè)邊界框進(jìn)行分類以及位置的回

歸，得到最終的目標(biāo)檢測結(jié)果。YOLO的網(wǎng)絡(luò)結(jié)構(gòu)通常由卷積層和全連接層組

成，可以使用不同的網(wǎng)絡(luò)架構(gòu)，如YOLOv1、YOLOv2、YOLOv3和YOLOv4

等。這些版本在網(wǎng)絡(luò)設(shè)計(jì)、特征提取和預(yù)測策略上有所改進(jìn)，以提高檢測準(zhǔn)確

度和速度。

YOLO特點(diǎn)有以下幾個(gè)方面。YOLO通過將目標(biāo)檢測任務(wù)轉(zhuǎn)化為單次前向

傳遞的回歸問題，使其能夠在實(shí)時(shí)應(yīng)用中達(dá)到較高的幀率，適用于需要快速目

標(biāo)檢測的場景；YOLO能夠在一張圖像中同時(shí)檢測多個(gè)物體，并提供它們的邊

界框和類別信息，不受物體數(shù)量的限制；由于YOLO將整個(gè)圖像作為輸入進(jìn)行

處理，它可以獲得全局的上下文信息，從而幫助提高目標(biāo)檢測的準(zhǔn)確性。；YOLO

在預(yù)測邊界框時(shí)不依賴于輸入圖像的尺度或比例，并且可以檢測到不同大小的

物體，具有一定的尺度不變性。盡管YOLO在速度和實(shí)時(shí)性方面具有明顯優(yōu)勢，

但相對于一些其他目標(biāo)檢測算法，如FasterR-CNN和SSD，YOLO在小物體檢

測和定位精度上可能會(huì)有所降低。因此，在實(shí)際應(yīng)用中，需根據(jù)具體任務(wù)需求

和場景選擇適合的目標(biāo)檢測算法。

2.2目標(biāo)檢測相關(guān)技術(shù)

目標(biāo)檢測技術(shù)是一種基于深度學(xué)習(xí)技術(shù)和計(jì)算機(jī)視覺技術(shù)的機(jī)器學(xué)習(xí)應(yīng)

用，它能夠從一張輸入圖像中找出與特定目標(biāo)相關(guān)的特征和位置，并將目標(biāo)識(shí)

別出來。它可以在很多不同的場景下得到成功的應(yīng)用，比如機(jī)器人導(dǎo)航、圖像

識(shí)別、無人機(jī)航拍等等。

目標(biāo)檢測的任務(wù)是找出圖像中所有感興趣的目標(biāo)（物體），確定他們的類

別和位置。作為計(jì)算機(jī)視覺的基本問題之一，目標(biāo)檢測構(gòu)成了許多其它視覺任

2

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

務(wù)的基礎(chǔ)，例如實(shí)例分割，圖像標(biāo)注和目標(biāo)跟蹤等等；從檢測應(yīng)用的角度看，

行人檢測、面部檢測、文本檢測、交通標(biāo)注與紅綠燈檢測，遙感目標(biāo)檢測統(tǒng)稱

為目標(biāo)檢測的五大應(yīng)用。

機(jī)器視覺中關(guān)于目標(biāo)檢測有4大類任務(wù)。

分類（Classification）：給定一張圖片或一段視頻判斷里面包含什么類別的

目標(biāo)。

定位（Location）：定位出這個(gè)目標(biāo)的位置。

檢測（Detection）：即定位出這個(gè)目標(biāo)的位置并且知道目標(biāo)物是什么。

分割（Segmentation）：分為實(shí)例的分割（Instance-level）和場景分割

（Scene-level），解決“每一個(gè)像素屬于哪個(gè)目標(biāo)物或場景”的問題。

2.3Flask框架技術(shù)

Flask是一個(gè)輕量級的Web應(yīng)用框架，用于快速構(gòu)建Web應(yīng)用程序。它基

于Python編程語言，設(shè)計(jì)簡潔，易于上手，同時(shí)也具備擴(kuò)展性，適用于小型

到大型的Web應(yīng)用開發(fā)。

Flask是一個(gè)簡潔且易于學(xué)習(xí)的框架，核心功能基本保持在一個(gè)文件中，不

依賴外部工具或庫。Flask不會(huì)強(qiáng)加任何特定的工具或庫，允許開發(fā)者按需選擇

數(shù)據(jù)庫、模板引擎等組件，保持靈活性。Flask通過路由即裝飾器可以很容易地

定義URL路由，將特定的URL映射到對應(yīng)的函數(shù)或處理程序上。Flask支持

Jinja2模板引擎，可以方便地生成動(dòng)態(tài)內(nèi)容，通過模板繼承和控制結(jié)構(gòu)創(chuàng)建視

圖。

Flask提供了許多擴(kuò)展，可以輕松集成其他功能，比如數(shù)據(jù)庫支持（如

SQLAlchemy）、表單驗(yàn)證、用戶認(rèn)證等。Flask對于構(gòu)建符合RESTful設(shè)計(jì)

原則的API應(yīng)用十分友好，并提供相應(yīng)的擴(kuò)展。Flask提供了測試客戶端和測

試請求的支持，有助于編寫和運(yùn)行單元測試和集成測試。

因?yàn)槠漭p量級的特性，F(xiàn)lask很適合用于搭建微服務(wù)，快速構(gòu)建獨(dú)立的、

小型的服務(wù)應(yīng)用。Flask的設(shè)計(jì)理念是盡可能簡單、靈活，同時(shí)保持功能的完

整性，使得它成為眾多Python開發(fā)者喜愛的框架之一，尤其適用于小型到中

型的Web應(yīng)用開發(fā)。

3

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

2.4開發(fā)環(huán)境與工具

2.4.1Python簡介

1991年，第一個(gè)Python編譯器誕生。它是用C語言實(shí)現(xiàn)的，并能夠調(diào)用

C語言的庫文件。從一出生Python就具有類、函數(shù)、異常處理、列表和詞典

等核心數(shù)據(jù)類型、以及模塊為基礎(chǔ)的拓展系統(tǒng)。Python語法很多來自C，但又

受到ABC語言的強(qiáng)烈影響。來自ABC語言的一些規(guī)定直到今天還富有爭議

（如：強(qiáng)制縮進(jìn)）。但這些語法規(guī)定讓Python容易讀。另一方面，Python選

擇服從一些慣例，特別是C語言的慣例，比如回歸等號(hào)賦值。Guido認(rèn)為，

如果“常識(shí)”上確立的東西，沒有必要過度糾結(jié)。

Python從一開始就特別在意可拓展性。Python可以在多個(gè)層次上拓展。

從高層上，可以直接引入.py文件。在底層，可以引用C語言的庫。Python程

序員可以快速的使用Python寫.py文件作為拓展模塊。但當(dāng)性能是考慮的重要

因素時(shí)，可以深入底層寫C程序并編譯為.so文件引入到Python中使用。

Python就像是建房一樣，先規(guī)定好大的框架。而程序員可以在此框架下相當(dāng)自

由的拓展或更改。

Python開源的特性，使得全世界都可以參與它的開發(fā)和推廣。Python社區(qū)

龐大，有豐富的文檔、教程、代碼庫和第三方擴(kuò)展包，讓Python成為眾多開發(fā)

人員和科學(xué)家的首選編程語言之一。

2.4.2PyCharm簡介

PyCharm是由JetBrains打造的一款PythonIDE。（IntegratedDevelopment

Environment，集成開發(fā)環(huán)境），帶有一整套可以幫助用戶在使用Python語言開

發(fā)時(shí)提高其效率的工具，比如調(diào)試、語法高亮、項(xiàng)目管理、代碼跳轉(zhuǎn)、智能提

示、自動(dòng)完成、單元測試、版本控制。此外，該IDE提供了一些高級功能，以

用于支持Django框架下的專業(yè)Web開發(fā)。

隨著版本的迭代，jetbrains在pycharm中內(nèi)置了更多的支持，從Django到

輕量化的flask到接地氣的pyramid再到結(jié)合最新特性的異步web框架fastAPI，

pycharm都能勝任。另外pycharm因?yàn)橥盗熊浖募映郑╳ebstorm），所以

在pycharm也可以直接進(jìn)行前端開發(fā)（支持bootstrap，angular，react，加插件

也可支持vue）。

此外pycharm還支持科學(xué)計(jì)算。在科學(xué)計(jì)算領(lǐng)域，matlab一直都是獨(dú)占鰲

4

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

頭，但是python出現(xiàn)打破了這個(gè)局面，python具有的優(yōu)勢（眾多優(yōu)秀的第三方

庫（生態(tài)完整且強(qiáng)壯），較易學(xué)習(xí)，開源免費(fèi)，語法優(yōu)美）讓其在科學(xué)計(jì)算領(lǐng)

域也分得一杯羹，而作為pythonIDE中最強(qiáng)大的存在，pycharm也對科學(xué)計(jì)算

提供了完美的支持。

最后，jetbrain擁有豐富的插件市場，pycharm也能享受到這些豐富的插件，

安裝了這些插件你就能得到最好的開發(fā)體驗(yàn)。

2.4.3第三方庫簡介

Mediapipe：該庫是Google開發(fā)的用于構(gòu)建基于視覺、音頻和感知任務(wù)的

機(jī)器學(xué)習(xí)應(yīng)用的Python庫。它提供了一系列預(yù)先構(gòu)建的視覺和感知算法，使開

發(fā)者能夠快速構(gòu)建和部署各種機(jī)器學(xué)習(xí)應(yīng)用。

requests：最友好的網(wǎng)絡(luò)爬蟲功能庫，非常簡潔，相比于urllib使用非常容

易，第三方庫都需要先安裝才能去使用。

NumPy是Python中最受歡迎的科學(xué)計(jì)算庫之一,主要用于處理大型數(shù)組和

矩陣運(yùn)算。NumPy還提供了許多有用的函數(shù)和工具，例如FFT、線性代數(shù)、隨

機(jī)數(shù)生成等。

pandas：數(shù)據(jù)分析并保存為csv文件，python數(shù)據(jù)分析高層次應(yīng)用庫，還

可以進(jìn)行數(shù)據(jù)清洗。

matplotlib：繪圖庫，主要是偏向于二維繪圖包括折線圖、條形圖、扇形圖、

散點(diǎn)圖、直方圖等等。

Scikit-learn是一個(gè)廣泛使用的Python機(jī)器學(xué)習(xí)庫，提供了許多流行的機(jī)器

學(xué)習(xí)算法和模型，例如分類、回歸、聚類和降維等方法。Scikit-learn還包括許

多有用的工具，如數(shù)據(jù)預(yù)處理、特征選擇和模型評估等。

BeautifulSoup是一個(gè)用于解析HTML和XML文檔的Python庫，能夠幫

助我們輕松地從網(wǎng)頁中提取需要的信息。它支持各種不同的解析器，并且可以

非常方便地遍歷和搜索文檔內(nèi)容。

2.4.4Pytorch框架

PyTorch是一個(gè)基于Python的開源機(jī)器學(xué)習(xí)框架，它由Facebook的人工智

能研究團(tuán)隊(duì)開發(fā)和維護(hù)。PyTorch提供了一種靈活且高效的方式來構(gòu)建、訓(xùn)練和

部署深度學(xué)習(xí)模型。以下是PyTorch框架的一些關(guān)鍵特點(diǎn)。

動(dòng)態(tài)計(jì)算圖：PyTorch使用動(dòng)態(tài)計(jì)算圖的概念，即在每次迭代中動(dòng)態(tài)構(gòu)建計(jì)

算圖，這使得在模型訓(xùn)練過程中可以靈活地根據(jù)需求進(jìn)行動(dòng)態(tài)調(diào)整。這種動(dòng)態(tài)

5

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

計(jì)算圖的設(shè)計(jì)使得PyTorch更容易調(diào)試和理解，也為模型的動(dòng)態(tài)性和靈活性提

供了支持。

強(qiáng)大的GPU加速支持：PyTorch緊密結(jié)合了NVIDIACUDA，可以充分利

用GPU進(jìn)行高效的加速計(jì)算，從而大大提高了訓(xùn)練深度學(xué)習(xí)模型的效率。它提

供了簡單易用的GPU張量操作和自動(dòng)求導(dǎo)功能，使得用戶可以方便地在GPU

上進(jìn)行模型訓(xùn)練和推理。

用戶友好的API設(shè)計(jì)：PyTorch的API設(shè)計(jì)簡潔而直觀，易于使用和學(xué)習(xí)。

它提供了豐富的高級API和模塊，如nn.Module、torch.nn和torch.optim等，用

于構(gòu)建和訓(xùn)練深度學(xué)習(xí)模型。此外，PyTorch還支持使用僅有幾行代碼就能快速

構(gòu)建和訓(xùn)練模型的動(dòng)態(tài)圖模式。

大型社區(qū)支持：PyTorch擁有龐大的開源社區(qū)，其中包括研究人員、工程師

和學(xué)生等。這個(gè)社區(qū)積極分享代碼、教程和最佳實(shí)踐，提供了豐富的資源和支

持。PyTorch社區(qū)的活躍度使得用戶能夠獲得及時(shí)的幫助和解決方案。

總的來說，PyTorch是一個(gè)靈活、高效且易于使用的機(jī)器學(xué)習(xí)框架，它具有

動(dòng)態(tài)計(jì)算圖、GPU加速支持、用戶友好的API設(shè)計(jì)以及強(qiáng)大的社區(qū)支持。這些

特點(diǎn)使得PyTorch成為了深度學(xué)習(xí)研究和開發(fā)的首選框架之一。

3方法設(shè)計(jì)與實(shí)現(xiàn)

3.1數(shù)據(jù)集收集與預(yù)處理

3.1.1數(shù)據(jù)集的獲取

動(dòng)作識(shí)別系統(tǒng)的設(shè)計(jì)所采用的數(shù)據(jù)集是DatasetVideoForHumanAction

Recognition數(shù)據(jù)集，該數(shù)據(jù)集位于Kaggle官網(wǎng)。數(shù)據(jù)集是由視頻組成，視頻帶

有7個(gè)人類動(dòng)作：坐著、坐著、站著、站起來、走路、躺著、摔倒。數(shù)據(jù)集地

址如下。

/datasets/ngoduy/dataset-video-for-human-action-recog

nition，頁面獲取如下圖所示。

6

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

圖3-1數(shù)據(jù)集獲取頁面

該數(shù)據(jù)集含有4038個(gè)文件，含有yolo格式的數(shù)據(jù)文件，部分樣本數(shù)據(jù)如

下圖所示。

圖3-2人體動(dòng)作識(shí)別數(shù)據(jù)集文件

7

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

3.1.2數(shù)據(jù)集預(yù)處理

獲取到人體動(dòng)作識(shí)別數(shù)據(jù)集之后，由于都是視頻文件，需要對數(shù)據(jù)集進(jìn)行

預(yù)處理。在預(yù)處理過程中需要使用mediapipe庫去自動(dòng)尋找人體姿態(tài)的骨骼點(diǎn)，

在獲得骨骼點(diǎn)數(shù)據(jù)以后將結(jié)果保存下來。同時(shí)通過mediapipe的內(nèi)置方法Draw

將骨骼點(diǎn)的數(shù)據(jù)全部標(biāo)注在圖片中并連接起來并顯示出來。下圖為數(shù)據(jù)集預(yù)處

理關(guān)鍵代碼。

圖3-3動(dòng)作識(shí)別數(shù)據(jù)集預(yù)處理關(guān)鍵代碼

標(biāo)記之后需要定義了一個(gè)用于保存圖片的方法，調(diào)用Opencv的保存圖像方

法將圖像寫入本地。下圖為預(yù)處理的可視化過程。

圖3-4數(shù)據(jù)集預(yù)處理可視化

8

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

3.2深度學(xué)習(xí)模型選擇與設(shè)計(jì)

3.2.1深度學(xué)習(xí)模型選擇

深度學(xué)習(xí)模型中常用到的目標(biāo)檢測模型有R-CNN，SSD，YOLO等，都是

經(jīng)典的目標(biāo)檢測算法，用于檢測和定位圖像中的目標(biāo)物體。它們在不同的場景

和需求下具有各自的優(yōu)勢。

FasterR-CNN是一種兩階段的目標(biāo)檢測算法。它首先通過一個(gè)卷積神經(jīng)網(wǎng)

絡(luò)（CNN）提取圖像特征，然后使用區(qū)域提議網(wǎng)絡(luò)（RegionProposalNetwork）

生成候選目標(biāo)框，最后通過分類器對候選框進(jìn)行分類和定位。FasterR-CNN在

準(zhǔn)確性和精度上表現(xiàn)出色，尤其適用于場景復(fù)雜、目標(biāo)尺寸變化較大的情況。

SSD也是一種單階段的目標(biāo)檢測算法，將目標(biāo)檢測任務(wù)轉(zhuǎn)化為一個(gè)回歸問

題。不同的是，SSD通過在不同層次的特征圖上進(jìn)行多尺度預(yù)測，來適應(yīng)不同

尺寸的目標(biāo)。SSD在準(zhǔn)確性和速度之間取得了一定的平衡，適用于需要兼顧檢

測速度和檢測精度的場景。

YOLO是一種單階段的目標(biāo)檢測算法，它將目標(biāo)檢測任務(wù)視為一個(gè)回歸問

題。YOLO通過將圖像分為多個(gè)網(wǎng)格單元，并在每個(gè)網(wǎng)格單元中預(yù)測目標(biāo)的類

別和邊界框。YOLO具有較快的檢測速度，能夠在實(shí)時(shí)性要求較高的場景下運(yùn)

行，并且對小目標(biāo)的檢測效果較好。

在人體動(dòng)作識(shí)別設(shè)計(jì)中選擇YOLO模型，主要有以下原因。

人體動(dòng)作識(shí)別通常需要在實(shí)時(shí)視頻流中進(jìn)行，因此需要一個(gè)具有較快檢測

速度的模型。YOLO在速度方面表現(xiàn)出色，能夠滿足實(shí)時(shí)性要求。并且在人體

動(dòng)作識(shí)別中，可能需要同時(shí)檢測和跟蹤多個(gè)人體。YOLO的多尺度預(yù)測和網(wǎng)格

劃分的設(shè)計(jì)，使其能夠有效地處理多個(gè)目標(biāo)的檢測和跟蹤問題。

人體動(dòng)作涉及不同尺度和大小的運(yùn)動(dòng)。YOLO的設(shè)計(jì)理念是對整個(gè)圖像進(jìn)

行一次檢測，使其對不同尺度的目標(biāo)具有較好的適應(yīng)性。人體動(dòng)作識(shí)別需要精

確地定位人體的關(guān)鍵點(diǎn)和姿勢。YOLO在目標(biāo)邊界框預(yù)測中表現(xiàn)優(yōu)秀，能夠提

供準(zhǔn)確的定位信息。

基于以上考慮，選擇YOLO模型在人體動(dòng)作識(shí)別設(shè)計(jì)中可以同時(shí)滿足實(shí)時(shí)

性、多目標(biāo)檢測、尺度不變性和準(zhǔn)確的目標(biāo)定位要求。

3.2.2模型設(shè)計(jì)

YOLOv3（YouOnlyLookOnceversion3）是YOLO系列目標(biāo)檢測算法的第

9

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

三個(gè)版本，它在速度和準(zhǔn)確性方面取得了顯著的改進(jìn)。YOLOv3模型設(shè)計(jì)包含

以下六個(gè)層次，YOLOv3的結(jié)構(gòu)的示意圖如下圖所示。

圖3-5YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)圖

YOLOv3使用Darknet-53作為其主干網(wǎng)絡(luò)。Darknet-53是一個(gè)基于卷積神

經(jīng)網(wǎng)絡(luò)的特征提取網(wǎng)絡(luò)，它由多個(gè)卷積層和殘差塊組成，用于提取圖像的高級

特征。

為了檢測不同尺度的目標(biāo)，YOLOv3引入了特征金字塔網(wǎng)絡(luò)。特征金字塔

網(wǎng)絡(luò)通過在主干網(wǎng)絡(luò)中添加不同大小的卷積層來提取不同尺度的特征圖，從而

能夠檢測到不同大小的目標(biāo)。

YOLOv3通過在不同層級的特征圖上進(jìn)行預(yù)測，實(shí)現(xiàn)了多尺度的目標(biāo)檢測。

具體來說，它在不同尺度的特征圖上應(yīng)用卷積層，產(chǎn)生不同尺度的邊界框和類

別置信度。

為了提高目標(biāo)檢測的準(zhǔn)確性，YOLOv3引入了anchor框，它們是預(yù)定義的

一組不同長寬比和尺度的邊界框。YOLOv3使用anchor框來對每個(gè)位置生成候

10

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

選邊界框，并通過預(yù)測邊界框的偏移量和置信度來確定最終的檢測結(jié)果。

YOLOv3的輸出層包括三個(gè)不同尺度的預(yù)測層，每個(gè)預(yù)測層負(fù)責(zé)檢測特定

尺度范圍內(nèi)的目標(biāo)。每個(gè)預(yù)測層預(yù)測邊界框的位置、類別置信度和類別概率。

YOLOv3使用多個(gè)損失函數(shù)來優(yōu)化模型。這些損失函數(shù)包括邊界框位置的

均方差損失、類別置信度的二分類交叉熵?fù)p失和類別概率的多分類交叉熵?fù)p失。

總的來說，YOLOv3通過引入特征金字塔和多尺度預(yù)測，以及使用anchor框和

多個(gè)預(yù)測層，實(shí)現(xiàn)了在不同尺度下高速而準(zhǔn)確的目標(biāo)檢測。

YOLOv3模型的構(gòu)建核心代碼如下圖所示。

圖3-6YOLOv3網(wǎng)絡(luò)設(shè)計(jì)

11

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

3.3模型的編譯與訓(xùn)練

YOLOv3模型編譯是將模型配置和損失函數(shù)定義編譯成可執(zhí)行的訓(xùn)練模

型。在編譯模型中，通常涉及選擇適當(dāng)?shù)膬?yōu)化器（如Adam、SGD等）和編譯

模型的計(jì)算圖。

編譯之后就可以對模型進(jìn)行訓(xùn)練，使用準(zhǔn)備好的數(shù)據(jù)集和編譯的模型進(jìn)行

訓(xùn)練。在訓(xùn)練過程中，將輸入圖像傳入模型，計(jì)算損失函數(shù)并更新模型的參數(shù)。

可以使用批量梯度下降等優(yōu)化算法來進(jìn)行參數(shù)更新。下圖為模型的編譯和訓(xùn)練

的核心代碼。

圖3-7模型的訓(xùn)練和編譯代碼

下圖是模型的訓(xùn)練過程圖。

圖3-8YOLOv3模型訓(xùn)練過程

3.4模型的評估與優(yōu)化

3.4.1模型的評估

YOLOv3模型的損失函數(shù)由三個(gè)部分組成，邊界框位置的均方差損失

（LocalizationLoss）、類別置信度的二分類交叉熵?fù)p失（ConfidenceLoss）和

類別概率的多分類交叉熵?fù)p失（ClassLoss）。這些損失函數(shù)用于評估模型預(yù)測

和真實(shí)目標(biāo)之間的差異。而總的損失函數(shù)由以上三個(gè)部分的損失加權(quán)求和得到，

權(quán)重可以根據(jù)具體任務(wù)和需求進(jìn)行調(diào)整。在模型訓(xùn)練過程中，通過反向傳播算

12

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

法計(jì)算相對于這些損失函數(shù)的梯度，并使用優(yōu)化算法（如隨機(jī)梯度下降）來更

新模型的參數(shù)，以最小化總的損失。通過優(yōu)化這些損失函數(shù)，YOLOv3模型可

以逐漸提高對目標(biāo)位置、目標(biāo)存在與否和目標(biāo)類別的準(zhǔn)確性，從而實(shí)現(xiàn)準(zhǔn)確的

目標(biāo)檢測和定位。

評估結(jié)果如下所示。

圖3-9YOLOv3模型的loss評估

3.4.2模型的優(yōu)化

YOLOv3模型訓(xùn)練之后，可以根據(jù)結(jié)果進(jìn)行優(yōu)化。優(yōu)化的方法有以下幾個(gè)

方面。首先可以對YOLOv3的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，以提高模型的性能和準(zhǔn)確性。

例如，可以引入更強(qiáng)大的主干網(wǎng)絡(luò)或特征提取器，以提取更豐富和有意義的特

征。然后可以調(diào)整學(xué)習(xí)率，調(diào)整學(xué)習(xí)率對模型的訓(xùn)練和收斂具有重要影響?？?/p>

以使用學(xué)習(xí)率衰減策略，如余弦退火、多步衰減等，來優(yōu)化模型的學(xué)習(xí)率。這

可以幫助模型更好地收斂，并避免陷入局部最優(yōu)。還可以對YOLOv3模型進(jìn)行

多尺度預(yù)測來檢測不同大小的目標(biāo)?？梢哉{(diào)整預(yù)測層的尺度范圍，以適應(yīng)特定

的目標(biāo)大小分布。例如，可以在小尺度上增加更多的預(yù)測層，以更好地檢測小

目標(biāo)。在人體動(dòng)作識(shí)別系統(tǒng)的方法設(shè)計(jì)中，可以調(diào)整模型的學(xué)習(xí)率，引入更強(qiáng)

大的主干網(wǎng)絡(luò)等方式進(jìn)行參數(shù)調(diào)優(yōu)和性能評估，從而提高模型預(yù)測的準(zhǔn)去率。

13

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

3.5前端設(shè)計(jì)與實(shí)現(xiàn)

3.5.1系統(tǒng)前端設(shè)計(jì)

在人體動(dòng)作識(shí)別系統(tǒng)中采用Flask框架可以提供一個(gè)Web應(yīng)用程序，用于

上傳和識(shí)別人體動(dòng)作圖像或是視頻。人體動(dòng)作識(shí)別系統(tǒng)的系統(tǒng)功能如下。

用戶界面：使用HTML、CSS和JavaScript等前端技術(shù)實(shí)現(xiàn)用戶界面，包

括上傳圖像的功能。

后端服務(wù)：使用Flask框架搭建Web應(yīng)用程序，處理用戶上傳的圖像，并

調(diào)用深度學(xué)習(xí)模型進(jìn)行人體動(dòng)作識(shí)別。

深度學(xué)習(xí)模型：使用預(yù)訓(xùn)練的深度學(xué)習(xí)模型YOLOv3對人體動(dòng)作圖像的識(shí)

別。該系統(tǒng)的實(shí)現(xiàn)首先是安裝Flask框架和所需的依賴庫。創(chuàng)建Flask應(yīng)用程序，

并設(shè)置路由和視圖函數(shù)，處理上傳圖像和識(shí)別請求。

在前端界面中添加上傳圖像的功能，通過HTML表單將圖像發(fā)送給后端。

后端接收圖像文件，對圖像進(jìn)行預(yù)處理（如調(diào)整大小、歸一化等）。調(diào)用深度

學(xué)習(xí)模型進(jìn)行人體動(dòng)作圖像的識(shí)別，得到預(yù)測結(jié)果。將預(yù)測結(jié)果返回給前端界

面，展示給用戶。如下圖所示。

圖