基于深度学习表情识别 表情数据集 情绪数据集 人脸数据集 的yolov8+gui（pyqt5）人脸情绪识别系统 识别人脸表情中的生气 厌恶识别 害怕识别 高兴情绪识别 伤心’，惊讶

python 目标检测中构建基于深度学习的yolov8+gui（pyqt5）人脸情绪识别系统 识别人脸表情中的生气’，厌恶’，害怕’，高兴’，中立’，伤心’，惊讶

基于深度学习的人脸情绪识别系统，

项目介绍：
模型：YOLOV8
软件：Pycharm+Anaconda
环境：python=3.9 opencv_python PyQt5

简介:
有28079张情绪图像，训练了一个进行人脸面部情绪识别的检测模型,可用于检测7种不同的人物情绪。UI界面的人脸面部情绪识别系统，基于python与PyQT5开发，

可检测7种不同人物情绪识别，表情分别为:[’生气’，厌恶’，害怕’，高兴’，中立’，伤心’，惊讶”];

基于深度学习的人脸情绪识别系统：从数据准备到带UI界面的应用实现

项目介绍

构建基于深度学习的人脸情绪识别系统，使用YOLOv8模型进行人脸检测和情绪分类。支持图片、视频以及摄像头输入，并能够保存检测结果。整个系统基于Python与PyQt5开发，提供了一个用户友好的图形界面（GUI）。

资源详情

• 图片数量: 28,079张
• 情绪类别: 7种不同的情绪（如快乐、悲伤、惊讶等）
• 软件环境: PyCharm + Anaconda
• 编程语言: Python 3.9
• 依赖库:opencv-python,PyQt5,ultralytics(用于YOLOv8)

环境配置

1. 安装Anaconda并创建一个新的虚拟环境：

   conda create-nemotion_recognitionpython=3.9conda activate emotion_recognition

2. 安装必要的Python包：

   pipinstalltorch torchvision opencv-python PyQt5 ultralytics

数据准备

假设您的数据集已经准备好，并且包含以下结构：

dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ └── labels/ ├── train/ ├── val/ └── test/

创建一个YOLO配置文件data.yaml来描述您的数据集：

train:./dataset/images/trainval:./dataset/images/valtest:./dataset/images/testnc:7# 类别数量names:['happy','sad','surprised','angry','neutral','disgusted','fearful']

模型训练

使用YOLOv8进行模型训练的代码示例如下：

fromultralyticsimportYOLO# 加载预训练的YOLOv8模型或自定义模型model=YOLO('yolov8n.yaml')# 或者 'yolov8n.pt' 来加载预训练权重# 开始训练results=model.train(data='data.yaml',epochs=100,imgsz=640,batch=16)# 保存模型model.save("best_model.pt")

UI界面设计

使用PyQt5设计一个简单的GUI界面：

importsysfromPyQt5.QtWidgetsimportQApplication,QMainWindow,QLabel,QVBoxLayout,QWidget,QPushButtonfromPyQt5.QtGuiimportQPixmapimportcv2fromPyQt5.QtCoreimportQtfromPyQt5.QtWidgetsimportQFileDialogclassEmotionRecognitionApp(QMainWindow):def__init__(self):super().__init__()self.initUI()definitUI(self):self.setWindowTitle('人脸情绪识别系统')self.setGeometry(100,100,800,600)self.image_label=QLabel(self)self.layout=QVBoxLayout()self.layout.addWidget(self.image_label)self.button_open_image=QPushButton('打开图片',self)self.button_open_image.clicked.connect(self.open_image)self.layout.addWidget(self.button_open_image)container=QWidget()container.setLayout(self.layout)self.setCentralWidget(container)defopen_image(self):fname,_=QFileDialog.getOpenFileName(self,'打开图片','',"Image files (*.jpg *.png)")iffname:self.display_image(fname)defdisplay_image(self,fname):image=cv2.imread(fname)image_rgb=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)h,w,ch=image_rgb.shape bytes_per_line=ch*w q_img=QPixmap.fromImage(QImage(image_rgb.data,w,h,bytes_per_line,QImage.Format_RGB888))self.image_label.setPixmap(q_img.scaled(self.image_label.size(),Qt.KeepAspectRatio))if__name__=='__main__':app=QApplication(sys.argv)ex=EmotionRecognitionApp()ex.show()sys.exit(app.exec_())

推理与结果显示

在UI中集成推理功能，以便实时显示检测结果：

fromultralyticsimportYOLO model=YOLO('best_model.pt')defrecognize_emotion(image_path):results=model(image_path)boxes=results[0].boxes.xyxy.cpu().numpy()confidences=results[0].boxes.conf.cpu().numpy()class_ids=results[0].boxes.cls.cpu().numpy()img=cv2.imread(image_path)forbox,conf,clsinzip(boxes,confidences,class_ids):x_min,y_min,x_max,y_max=map(int,box)label=model.model.names[int(cls)]cv2.rectangle(img,(x_min,y_min),(x_max,y_max),(255,0,0),2)cv2.putText(img,f'{label}:{conf:.2f}',(x_min,y_min-10),cv2.FONT_HERSHEY_SIMPLEX,0.9,(255,0,0),2)returnimg# 在UI中调用此函数处理图像并显示结果

总结

通过上述这样子的步骤，可构建一个基于深度学习的人脸情绪识别系统，包括模型训练、UI设计及推理结果展示。这个系统不仅能够准确识别人脸情绪，还提供了用户友好的交互界面，适用于多种应用场景。