如何训练表情识别情绪识别数据集 YOLO 格式数据集，覆盖 9 种面部表情：Angry（愤怒）、 Happy（快乐）、 Sad（悲伤）、 Surprised（惊讶）、 Fear（恐

智慧-表情识别情绪识别的 YOLO 格式数据集共包含约 70,000 张图像覆盖 9 种面部表情Angry愤怒、 Happy快乐、 Sad悲伤、 Surprised惊讶、 Fear恐惧、 Disgust厌恶Contempt轻蔑、 Natural中性、 Sleepy困倦每张图像均配有与 YOLO 训练流程兼容的 .txt 标签文件标签中包含目标类别与边界框位置信息可直接用于模型训练与评估支持面部表情的检测与分类一体化任务。数据大小约3.6GB 大规模面部表情检测数据集 (YOLO 格式) —— 技术解决方案与训练指南一、数据集概览表项目维度详细描述数据集名称Large-Scale Facial Expression Detection Dataset (YOLO Format)图像总量约 70,000 张(覆盖多姿态、多光照、多年龄段)数据体积约3.6 GB(压缩后)解压后视分辨率而定标注格式YOLO 格式(class_id x_center y_center width height)任务类型人脸检测 表情分类(一体化端到端训练)适用模型YOLOv5, YOLOv8, YOLOv10, YOLOv11, YOLOv12 等文件结构images/(存放.jpg/.png),labels/(存放对应的.txt)应用场景人机交互、心理分析、驾驶疲劳监测、客服质量评估、安防监控二、类别映射表 (Class Mapping)在训练配置文件中必须严格按照以下顺序定义类别名称确保class_id与标签文件一致。ID英文标签 (Label)中文含义典型特征描述0Angry愤怒眉毛下压嘴角向下或紧绷眼神锐利1Happy快乐嘴角上扬眼角皱纹鱼尾纹脸颊隆起2Sad悲伤嘴角下垂眉毛内角上扬眼神黯淡3Surprised惊讶眼睛睁大眉毛高挑嘴巴微张呈O型4Fear恐惧眼睛睁大且紧张眉毛聚拢并上扬嘴唇拉伸5Disgust厌恶鼻子皱起上唇提升眉毛下压6Contempt轻蔑单侧嘴角上扬不对称眼神斜视7Natural中性面部肌肉放松无明显情绪波动8Sleepy困倦眼睑下垂眨眼频繁打哈欠迹象⚠️注意YOLO 标签文件中的数字0-8必须严格对应上述顺序。三、目录结构规范表为了直接运行训练代码请确保你的数据集目录结构如下dataset_root/ ├── images/ │ ├── train/ # 约 56,000 张 (80%) │ ├── val/ # 约 7,000 张 (10%) │ └── test/ # 约 7,000 张 (10%) ├── labels/ │ ├── train/ # 对应的 .txt 文件 │ ├── val/ │ └── test/ └── data.yaml # 数据集配置文件 (需创建)data.yaml配置文件内容示例# dataset_root/data.yamlpath:./dataset_root# 数据集根目录train:images/train# 训练集图片相对路径val:images/val# 验证集图片相对路径test:images/test# 测试集图片相对路径# 9 种表情类别names:0:Angry1:Happy2:Sad3:Surprised4:Fear5:Disgust6:Contempt7:Natural8:Sleepy四、YOLOv8 训练代码 (Python 脚本)以下代码使用ultralytics库支持自动下载预训练权重、数据增强、训练监控及结果导出。1. 环境准备pipinstallultralytics opencv-python matplotlib seaborn2. 完整训练脚本 (train_expression.py)fromultralyticsimportYOLOimportosimportyamldeftrain_facial_expression():# 配置区域 DATA_YAML_PATHdataset_root/data.yaml# 数据集配置文件路径MODEL_TYPEyolov8n.pt# 模型版本n/s/m/l/x (n最快x最准)EPOCHS100# 训练轮数BATCH_SIZE32# 批次大小 (根据显存调整7万张图建议32-64)IMG_SIZE640# 输入图像尺寸DEVICE0# 0 代表GPU, cpu 代表CPUPROJECT_NAMEexpression_detection_run# 项目保存文件夹名# print(f 开始加载模型:{MODEL_TYPE})# 加载预训练模型 (推荐从COCO人脸检测权重迁移或直接从头训练)# 如果有专门的人脸预训练权重可替换为 yolov8n-face.ptmodelYOLO(MODEL_TYPE)print(f 数据集配置:{DATA_YAML_PATH})ifnotos.path.exists(DATA_YAML_PATH):raiseFileNotFoundError(f未找到数据集配置文件:{DATA_YAML_PATH}, 请先创建 data.yaml)print(f⚙️ 开始训练 (Epochs:{EPOCHS}, Batch:{BATCH_SIZE}, Image Size:{IMG_SIZE}))# 执行训练resultsmodel.train(dataDATA_YAML_PATH,epochsEPOCHS,batchBATCH_SIZE,imgszIMG_SIZE,deviceDEVICE,projectPROJECT_NAME,nameexp_9classes,exist_okTrue,# 覆盖同名实验pretrainedTrue,# 使用预训练权重optimizerauto,# 自动选择优化器verboseTrue,# 详细日志plotsTrue,# 生成训练曲线图saveTrue,# 保存检查点save_period10,# 每10轮保存一次ampTrue,# 开启混合精度训练 (加速)patience20# 早停机制 (20轮无提升则停止))print(✅ 训练完成)print(f 最佳模型路径:{results.best})print(f 最后模型路径:{results.last})# 验证与推理测试 print(\n 开始在验证集上进行评估...)metricsmodel.val()# 自动使用训练时的最佳权重和验证集print(fmAP50:{metrics.box.map50:.4f})print(fmAP50-95:{metrics.box.map:.4f})# 简单推理测试 (可选)# print(\n️ 进行单张图片推理测试...)# results_pred model.predict(sourcedataset_root/images/val/00001.jpg, conf0.25, saveTrue)# print(推理结果已保存至 runs/detect/predict)if__name____main__:try:train_facial_expression()exceptExceptionase:print(f❌ 训练过程中发生错误:{e})五、训练策略与建议表针对 70,000 张图片和 9 类表情特别是Contempt和Sleepy这种较难识别的类别建议采用以下策略策略维度建议方案原因说明模型选择YOLOv8m或YOLOv8l7万数据量较大n/s 模型可能容量不足难以区分细微表情差异如 Fear vs Surprised。输入尺寸640或800表情特征如嘴角微动、眼神需要较高分辨率才能捕捉建议尝试imgsz800。数据增强Mosaic Mixup默认开启。对于表情识别增加HSV色彩抖动有助于适应不同光照下的肤色。类别不平衡Class WeightsContempt(轻蔑) 和Sleepy(困倦) 样本可能较少。若训练中发现这两类 Recall 低可在data.yaml中设置fl_gamma或手动调整损失权重。冻结层Freeze Backbone (前10轮)先冻结骨干网络训练检测头让人脸定位先收敛再解冻训练表情分类防止梯度冲突。评估指标mAP50-95Confusion Matrix重点关注混淆矩阵查看 “Happy” 是否常被误判为 “Natural”或 “Fear” 误判为 “Surprised”。六、预期训练结果表假设使用YOLOv8m在单卡 RTX 3090/4090 上训练指标项预期数值范围说明训练时长4 - 8 小时取决于 GPU 性能和 Batch SizemAP500.85 - 0.92人脸检测框的定位精度通常很高mAP50-950.65 - 0.75综合检测与分类的精度难点类别Contempt, Fear轻蔑和恐惧因特征微弱准确率可能略低于 Happy/Angry推理速度15 - 30 FPS在主流显卡上可实现实时视频流分析七、后续应用扩展建议实时情绪仪表盘结合 PyQt5 或 Web (Vue/Streamlit)实时显示摄像头中人物的情绪变化曲线。驾驶员监控系统 (DMS)重点利用Sleepy,Fear,Angry类别检测疲劳驾驶或路怒症并报警。客户服务分析在银行或柜台部署统计HappyvsAngryvsSad的比例评估服务质量。心理辅助工具记录用户长时间的情绪状态如持续Sad提供心理干预建议。