基于 YOLO11 的跌倒检测预警系统 | 源码系统分享一套面向养老院、医院病房、独居监护与公共场所安全场景的跌倒行为视觉识别方案使用 YOLO11n Streamlit 构建可实时检出画面中的跌倒人员并定位位置为及时救援与安全管理提供可量化的告警依据。附完整源码与效果演示。一、背景1.1 行业痛点跌倒被称为老年人的隐形杀手而监护环节长期依赖人力存在三个结构性难题人工盯屏不可持续——护士站一台监控对着多间病房值班人员不可能 24 小时逐画面注视漏看往往就是几分钟的事事后查证滞后——传统方案只能回放录像跌倒发生后常常错过最佳处置窗口独居监护无手段——老人独居场景下家属与社区最需要的跌倒即告警能力恰恰最缺失。本项目把看画面升级为检跌倒摄像头采集 → YOLO11 单类目标检测 → 框出跌倒人员并给出置信度一个可立即落地、可复用换皮的视觉底座覆盖机构监护与独居看护两类场景。数据集来自真实跌倒场景共 7250 张高质量标注图train 5072 / valid 1450 / test 728按 YOLO 格式组织单类别nc1跌倒。视频演示与源码下载https://www.bilibili.com/video/BV1z1pB6vEWW/包含完整项目源码预训练模型权重️数据集1.2 项目运行效果*Web 界面总览*单张图片识别效果批量图片检测1.3 项目介绍创新点 / 亮点维度说明单类检测专注事件只检跌倒一个目标正样本聚焦、误报可控适合做告警触发原子配置即业务project.yaml 描述场景、部署形态与预警阈值前端 0 代码定制品牌多源接入同一 UI 支持单图、批量含 ZIP、视频、摄像头四种模式零部署门槛阈值可调置信度阈值侧栏实时调节养老 / 医院 / 公共场所可分别标定系统功能概览单张图片检测上传图片即得标注图 检测明细表批量图片检测多图或 ZIP 上传自动汇总每张图的检出数与平均置信度结果打包下载视频检测逐帧推理生成标注视频附逐帧检出统计摄像头实时检测浏览器拉本机摄像头实时输出检测结果技术栈层级技术选型检测模型YOLO11nUltralyticsWeb 框架Streamlit图像处理OpenCV、Pillow数据 / 图表Pandas视频编解码imageio-ffmpeg部署Python 3.8本地 / 容器 / 边缘盒子 均可类别定义nc1names[跌倒]。二、设计框架系统架构┌────────────────────────────────────────────────────────────┐ │ 用户浏览器护理人员 / 家属 / 安保 │ │ 单张图片 │ 批量图片 │ 视频 │ 摄像头 │ └──────────────────────┬─────────────────────────────────────┘ │ HTTP / WebSocket ┌──────────────────────▼─────────────────────────────────────┐ │ Streamlit App (app/streamlit_app.py) │ │ · 模式路由st.radio │ │ · 上传 / 预览 / 检测明细 / 结果 ZIP 导出 │ │ · 行业品牌渲染project.yaml 驱动 │ └──────────────────────┬─────────────────────────────────────┘ │ model.predict(conf可调, iou0.7) ┌──────────────────────▼─────────────────────────────────────┐ │ YOLO11n 推理引擎 │ │ Backbone (C2f SPPF) → Neck (FPN PAN) → Decoupled Head │ │ DFL分布式回归→ NMS │ └──────────────────────┬─────────────────────────────────────┘ │ result.boxes (cls, conf, xyxy) ┌──────────────────────▼─────────────────────────────────────┐ │ 后处理类别映射 → DataFrame 明细 → 统计汇总 → 前端渲染 │ └────────────────────────────────────────────────────────────┘YOLO11 网络结构沿用 v8 主干更轻更深BackboneConv C2f 堆叠下采样 5 次末端 SPPF 融合多尺度特征NeckFPN自顶向下语义 PAN自底向上定位双向特征金字塔Head解耦头 DFL分布回归对人体这种非刚性、姿态多变的目标定位更稳损失BCE分类 CIoU DFL回归检测流程图像/帧 → letterbox 至 imgsz640 → 推理 → 置信度过滤默认 0.25→ NMSiou0.7→ 类别映射 → 前端图表渲染。三、代码结构核心 50 行 解析项目结构跌倒检测系统_yolo11n/ ├── app/streamlit_app.py # Streamlit Web 入口 ├── configs/project.yaml # 业务配置场景、部署、UI 主题、推理参数 ├── model/best.pt # YOLO11n 权重 ├── data/ # train / valid / test └── train/ # 训练产物核心代码项目真实摘录PROJECT_ROOTPath(__file__).resolve().parent.parent APP_CONFIGload_yaml(PROJECT_ROOT/configs/project.yaml)DEFAULT_CONFfloat(INFERENCE_META.get(conf,0.25))# 阈值由配置驱动st.cache_resource(show_spinnerFalse)defload_model(model_path:str)-YOLO:returnYOLO(model_path)# 全局缓存避免反复加载definfer_image_path(model:YOLO,image_path:Path,conf:float)-tuple:resultmodel.predict(str(image_path),confconf,verboseFalse)[0]annotatedresult.plot()rows[]ifresult.boxesisnotNone:forboxinresult.boxes:cls_idint(box.cls.item())rows.append({class_name:result.names[cls_id],# 跌倒confidence:round(float(box.conf.item()),4),x1:float(box.xyxy[0][0]),y1:float(box.xyxy[0][1]),x2:float(box.xyxy[0][2]),y2:float(box.xyxy[0][3]),})returnannotated[:,:,::-1],pd.DataFrame(rows)# BGR - RGB逐段解析project.yaml INFER.get(...)置信度、iou、批量上限全部从配置读取运营侧调阈值不用改代码。st.cache_resource缓存YOLO(model_path)Streamlit 每次交互不重建模型首屏后单图响应稳定在百毫秒级。model.predict一行完成预处理 推理 NMS.plot()直接生成带标签框的 ndarray[:, :, ::-1]转回 RGB 喂给 Streamlit。result.boxes迭代得到 cls / conf / xyxy组成 DataFrame单图、批量、视频、摄像头四个入口复用同一份推理逻辑。批量入口在推理循环中同步完成明细落表 标注图写 ZIP 缩略预览三件事一次跑完即拿可下载结果包。四、训练效果训练采用 YOLO11n 预训练权重微调epochs177200 轮早停patience50imgsz640batch16。best.pt 对应指标指标数值Precision (B)0.850Recall (B)0.773mAP0.50.855mAP0.5:0.950.488PR 曲线mAP0.5 0.855单类检测下召回仍有提升空间原文此处为截图归一化混淆矩阵对角线主导漏检主要来自遮挡、俯拍等困难样本原文此处为截图类别分布跌倒样本在画面中的尺度分布较散模型对中小目标的定位依赖多尺度特征融合原文此处为截图五、项目总结做对了什么单类检测聚焦跌倒事件语义清晰、告警链路短适合作为监护系统的触发模块。业务话术、场景、部署形态全在 project.yaml同一套代码可换皮复用到养老院、医院、社区等不同客户。推理函数返回 (annotated, DataFrame)单图 / 批量 / 视频 / 摄像头复用同一份逻辑扩展新模式成本极低。还能怎么做引入时序模型LSTM / SlowFast做行为序列判定把单帧跌倒框汇聚成倒地持续 10 秒等高置信事件抑制单帧误报。结合人体关键点姿态估计判断跌倒的持续状态与人员身份区分跌倒与蹲下系鞋带。边缘部署YOLO11n 轻量可塞进摄像头本地芯片做离线推理敏感画面不出户兼顾隐私合规。告警联动检测到跌倒后对接短信 / 电话 / 护理站看板形成检出—通知—处置闭环。一句话总结YOLO11n Streamlit 把盯监控升级为检跌倒给养老监护、医疗陪护与公共安全一个可立即落地、可配置化复用的视觉底座。