基于视觉的司机疲劳监测：YOLOv5-v11模型的比较分析
计算机视觉与模式识别
2025-09-23 v1 图像与视频处理
摘要
司机疲劳仍是道路事故的关键因素，造成每年数千人死亡和受伤。本文对基于计算机视觉的YOLO（You Look Only Once）算法进行了全面评估，聚焦实时、非侵入性的疲劳检测方法。采用公开数据集UTA-RLDD，包含清醒和疲劳状态，确保在性别、眼镜、照明和肤色方面的多样性。对七种YOLO变体（v5s、v9c、v9t、v10n、v10l、v11n、v11l）进行微调，性能以精确率、召回率、mAP0.5和mAP0.5-0.95衡量。其中，YOLOv9c达到最高准确率（0.986 mAP0.5、0.978召回率），而YOLOv11n在精确率（0.954）与推理效率之间取得最佳平衡，特别适合嵌入式部署。此外，我们实现了使用Dlib面部关键点进行眼部宽高比（EAR）的方法，尽管计算开销小，但在姿态变化和遮挡下鲁棒性较差。我们的发现揭示了准确率、延迟和资源需求之间的明确权衡，为在自动驾驶和工业安全应用中选择或组合检测方法提供了实用指南。
引用
@article{arxiv.2509.17498,
title = {Vision-Based Driver Drowsiness Monitoring: Comparative Analysis of YOLOv5-v11 Models},
author = {Dilshara Herath and Chinthaka Abeyrathne and Prabhani Jayaweera},
journal= {arXiv preprint arXiv:2509.17498},
year = {2025}
}
备注
Drowsiness Detection using state of the art YOLO algorithms