简介：基于YOLOv8的智能门禁系统完整毕业设计资源包，面向计算机相关专业的毕设、课设及项目演示场景，覆盖目标检测、人工智能、计算机视觉等方向，适合从中级到进阶学习者直接使用或改造扩展。压缩包共97个文件，含70个Python源码、12个pyc文件、4个YOLO模型权重、5个XML配置及演示视频等，整体仅24.21MB，目录划分清晰，便于按模块学习和部署。资源提供完整数据集、可视化界面和部署教程，可一键运行并生成核心指标曲线、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果与标签分布图，便于检验模型效果、支撑毕设答辩。已有52人学习下载，代码均已测试通过，功能完善、操作简单，可在基础上修改实现更多功能，适合作为毕业设计或课程设计的可靠参考。
1. 智能门禁为什么押注YOLOv8：先解决“人”再解决“谁”
如果你上手过一版“人脸识别门禁”，大概率撞上过这个场景：侧脸、低头、戴口罩，摄像头前的陌生人识别失败还好说，最怕的是系统把路人甲认成楼里的人；反过来，住户匆匆走过，门却死活不开。基于YOLOv8的智能门禁系统，核心思路不是直接做身份识别，而是先用YOLOv8把“画面里有没有人、人在哪、是不是已注册人员”这件事稳定解决，再把检测结果交给门禁的放行逻辑。对毕设和课程设计来说，这套方案有完整的数据集、可视化界面和部署教程，GPU 哪怕只是 GTX 1660 Ti 也能训练，最后可以跑在普通电脑摄像头上，也可以往 RK3588 这类边缘设备上迁移。这篇我从数据集构造开始，走一遍训练、部署、排错和界面打包，帮你在本地完整复现一套能演示的门禁系统。
2. 构建门禁数据集：类别设计、标注与目录划分
2.1 先定类别：门禁系统的检测目标是“已注册人员”还是“人脸区域”
很多人拿到这套项目源码，第一件事就是打开data.yaml看类别。常见做法是把检测类别设计成两类：registered（已注册人员）和stranger（陌生人）。为什么不是只检测“人”，再单独做一次人脸识别？因为门禁出入口经常出现侧脸、帽子、口罩遮挡，人脸检测在这一步就会漏掉大量目标；而 YOLOv8 这种单阶段检测器对整身轮廓的鲁棒性远好于人脸框。反过来，检测到人身后，再截取框内区域做简单的颜色直方图或小型特征库比对，已经能应付大部分课程项目。
把“已注册人员”作为独立类别训练，意味着模型在检测阶段就直接输出“这个人是自己人”的语义。代价是：如果注册人数很多，每个人作为一个类别，类内差异会很大，同一个人在不同光照、不同角度下特征漂移明显，模型容易翻车。我一般建议毕设项目把对象控制在 5 到 10 个人以内，用二分类或少数几个类别完成。如果你想做成通用门禁，就让模型只检测person，身份比对放到后端去做，YOLOv8 只负责提供稳定的目标框。
2.2 标注与数据划分：目录结构、YOLO 格式与划分脚本
数据准备阶段最容易忽略的不是标注，而是训练集和验证集划分。YOLO 训练要求数据集按下面的目录摆放：
dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yaml标注工具建议直接用 labelImg，导出格式选 YOLO，每个.txt文件里一行是一个目标：class x_center y_center width height，坐标全部归一化到 0 到 1。标注时框住人的全身或上半身，不要只框头。门禁场景里，人员经常在画面边缘进出，边框要留一点余量，不要贴得太紧，否则模型学到的定位偏移会很大。
data.yaml内容很直接：
path: dataset train: images/train val: images/val names: 0: registered 1: stranger接下来做数据集划分。这里有个细节：同一段视频的连续帧如果同时分进训练集和验证集，验证曲线会虚高，因为模型等于提前“见过”了几乎相同的画面。正确做法是按视频片段划分，或者至少保证同一人同一时刻的序列落在同一侧。下面这个脚本按文件名前缀分桶，避免这种泄漏。
import os import random import shutil random.seed(42) src_images = "raw_frames" train_ratio = 0.85 prefix_groups = {} for f in os.listdir(src_images): if not f.endswith(".jpg"): continue # 文件名前缀，例如 cam01_0915_001.jpg prefix = f.rsplit("_", 1)[0] prefix_groups.setdefault(prefix, []).append(f) for group, files in prefix_groups.items(): random.shuffle(files) split_idx = int(len(files) * train_ratio) for f in files[:split_idx]: shutil.copy(os.path.join(src_images, f), "dataset/images/train/" + f) for f in files[split_idx:]: shutil.copy(os.path.join(src_images, f), "dataset/images/val/" + f)这段脚本是按“同一个分组内的文件”做划分的。prefix_groups把同一段视频、同一个视角的帧归成一个组，这样验证集里出现的画面不会和训练集来自同一段连续录像。如果你录的数据是每个人员单独一段视频，建议让脚本按人员 ID 分组，而不是按文件名里的序号分组，效果会更好。
2.3 扩充低照度和遮挡样本：夜间数据不用彩色图硬扛
门禁场景最特殊的地方是夜间。很多宿舍楼、单元门用的是带红外补光的摄像头，画面是黑白或偏灰绿的。你如果只用白天彩色照片训练，夜间部署大概率漏检。解决思路有两个：一是直接采集夜间数据，二是用离线增强把部分训练图转灰度、降亮度。
我常用的是在训练前对图片做一次批量增强，把约 30% 的样本转成灰度并压低亮度，模拟红外相机效果。相比 YOLOv8 自带的在线hsv_v参数，这种离线增强能更真实地改变图像质感，模型会更早适应低照度分布。如果你手头的门禁摄像头本身带红外模式，务必在数据采集阶段就把红外画面录进去，这是最省事的做法。遮挡样本同理，戴帽子和口罩的人不要只留正脸，要多录侧面、背面和俯拍角度，否则模型学到的“自己人”特征容易过拟合到脸部颜色上。
3. 训练与调参：在本机跑通 YOLOv8 的最小命令集
3.1 环境安装与最小训练命令：GTX 1660 Ti 也能跑
YOLOv8 的环境配置比早期版本省心很多，基本依赖就是 PyTorch 加 ultralytics 包。新建一个虚拟环境后，安装命令只有两行：
conda create -n yolo8 python=3.10 -y conda activate yolo8 pip install ultralytics如果显卡驱动和 CUDA 已经就绪，PyTorch 会默认走 GPU。检查是否生效很简单：在 Python 里执行import torch; print(torch.cuda.is_available())，输出True就继续。第一次训练前，把上一章准备好的dataset目录放到项目根路径下，然后跑最小训练命令：
yolo train data=dataset/data.yaml model=yolov8s.pt epochs=100 imgsz=640 batch=16 device=0这里是几个最常用的参数说明：
model=yolov8s.pt：选择 s 尺寸的预训练权重，6 GB 显存的 GTX 1660 Ti 下比较稳妥。显存更紧就换yolov8n.pt，精度会低一些但训练速度明显加快。imgsz=640：输入分辨率。门禁画面里人通常比较小，可以考虑提到 864，但显存占用和训练时间都会上升。batch=16：单卡常用值。OOM 时优先降到 8，而不是直接换小模型。epochs=100：配合早停机制足够了，后面细讲 patience。
训练结束后，runs/detect/train/weights/下会生成best.pt和last.pt，后续部署和验证都用best.pt。
3.2 判断训练结果：损失曲线、mAP 与混淆矩阵怎么看
训练过程里最容易让人焦虑的是损失曲线忽高忽低。很多项目包自带的部署教程里会附一张“yolov8 画损失函数曲线图”的脚本，实际上 ultralytics 在训练结束时已经把results.csv写到了训练目录里，里面包含每次 epoch 的 box_loss、cls_loss、mAP50 等字段。你可以直接加载这个文件画图，不需要额外记录日志。
import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv("runs/detect/train/results.csv") plt.plot(df["epoch"], df["metrics/mAP50(B)"], label="mAP50") plt.plot(df["epoch"], df["train/box_loss"], label="box_loss") plt.legend() plt.show()判断训练好坏，不要只看损失。门禁系统里我更看重混淆矩阵：它直接告诉你“陌生人被当成 registered”的比例，这比 mAP 数字更贴近现场风险。best.pt在验证集上跑一遍后，ultralytics 会自动生成confusion_matrix.png，重点看stranger那一列被误判成registered的格子，如果占比超过 5%，说明类别间区分度不够，需要补数据或者调整类别设计。recall 在这里也很重要：门禁漏放陌生人比误拦自己人更危险，所以调参时优先保住 recall，再通过置信度阈值把 precision 拉回来。
3.3 最有用的三个参数：patience、close_mosaic 与 freeze
训练命令里的参数很多，但对我这种实际调模型的人来说，真正影响门禁效果的主要是三个。
patience是早停等待轮数。默认值是 50，对门禁这种数据量不大、波动明显的场景，我建议改成 30 到 50 之间。设太小，模型可能在第 20 轮落在局部低点就被停掉；设太大，训练时间白白浪费。
close_mosaic=10是另一个容易被忽略的参数。YOLOv8 在线增强中的 mosaic 会把四张图拼成一张，对小目标检测有明显帮助，但在训练最后 10 个 epoch 关掉它，能让模型在正常分辨率分布下稳定收敛，避免输出框位置抖动。命令写法是yolo train ... close_mosaic=10。
freeze参数用于迁移学习。如果你拿到的项目包附带预训练权重，而你只想训练新场景，可以冻结骨干网络前 10 层：freeze=10。但门禁数据集如果和预训练分布差异较大（比如大量红外图），冻结反而会阻碍模型适应新特征，所以一般只有数据量极小的时候才用。
4. 部署与可视化：从本机摄像头到 RK3588 的迁移路径
4.1 先导出 ONNX：为什么中间格式是必要的
训练好的 PyTorch 权重只能在 Python 环境里跑，但实际门禁摄像头可能要接入 C++ 客户端、边缘盒子或另一套推理服务。所以第一步通常是导出 ONNX 中间格式。
yolo export model=runs/detect/train/weights/best.pt format=onnx imgsz=640 opset=12导出完成后，同目录下会生成best.onnx。ONNX 的意义在于它把网络结构和权重固定下来，后续可以做算子融合、量化，也能被 RKNN、OpenVINO 这类推理工具链直接消费。导出后我习惯先用onnxruntime跑一遍推理，确认输出和 PyTorch 版本一致，再往部署环境迁移。opset 参数建议显式指定，工具链默认版本太高，在部分 RK3588 转换环境里会出现兼容性警告。
4.2 本机实时门禁：摄像头推理脚本与放行逻辑
最常见的部署形态还是电脑 USB 摄像头实时检测。ultralytics 提供了直接的流式推理接口，但生产逻辑要自己加。下面是一个门禁放行的最小实现思路：
from ultralytics import YOLO import cv2 model = YOLO("best.pt") cap = cv2.VideoCapture(0) allowed_ids = set() STABLE_FRAMES = 3 while True: ret, frame = cap.read() results = model.track(frame, persist=True, conf=0.6, iou=0.45, classes=[0], imgsz=640) if results[0].boxes is not None: ids = results[0].boxes.id boxes = results[0].boxes.xyxy if ids is not None: for track_id, box in zip(ids.tolist(), boxes.tolist()): track_id = int(track_id) if track_id not in allowed_ids: # 触发开门信号 print(f"放行: Track ID {track_id}") allowed_ids.add(track_id) cv2.imshow("gate", frame) if cv2.waitKey(1) & 0xFF == ord("q"): break这段代码里有两个关键点。第一，model.track而不是model.predict，启用 ByteTrack 后每个目标会得到稳定的 track_id，避免同一人每帧都触发一次“放行”。第二，放行后把 track_id 记录到allowed_ids，直到目标离开画面再清除，否则门会反复开关。classes=[0]表示只检测registered，陌生人类别只做记录不触发开锁，这个逻辑需要根据你的实际类别索引调整。
4.3 把 YOLOv8 部署到 RK3588：量化、算子与校准的注意点
毕设如果想展示边缘部署，RK3588 是热门选择，热搜里也经常看到 yolov8 部署到 rk3588 的需求。流程上先把best.pt导出 ONNX，再用 RKNN 工具链转成.rknn模型。这里最容易出问题的是量化：RK3588 NPU 默认用 int8 量化，如果直接用训练好的 float 权重硬转，精度会掉得很厉害。
我的一般做法是：转换时提供 100 到 200 张代表性的真实门禁图片做校准集，覆盖白天、夜间、顺光、逆光。校准图片不要用训练集里的原图，用现场采集的、和训练分布接近的图像。另外，YOLOv8 的检测头里有 DFL 解码层，部分 RKNN 工具链版本对相关算子支持一般，我会把后处理尽量放在 NPU 之外：模型只输出原始特征图，在 Python 或 C++ 侧自己解析边框，这样转换报错时排除算子兼容性问题的路径更短。对于毕设演示，RK3588 跑 YOLOv8s 在 640 分辨率下做到实时没有压力。
5. 部署避坑：训练和上线阶段的五个常见问题排查
5.1 现象：画面里同一个人跳多个框，门反复开关
摄像头前的人只是原地晃了一下，画面里突然出现两三个框，track_id 也频繁变化，导致门一会开一会关。原因是单帧检测置信度不稳定，而且没有开启跟踪器。解决方法是使用model.track替代model.predict，同时把iou从默认值适当调高到 0.5 以上，减少相邻框融合冲突。还有一点容易被忽略：persist=True参数必须带上，否则跟踪器不会跨帧保持 ID。加了跟踪后，同一人的 ID 稳定了，再配合 4.2 节里的allowed_ids集合，开关门逻辑就不会抖动。
5.2 现象：训练集 mAP 很高，部署到现场像“瞎了”一样
这是典型的过拟合到采集环境。验证集如果全部来自同一摄像头同一时段的录像，mAP 很容易上到 0.95，但换个光线条件就漏检。原因是数据集本身的分布太窄，模型学到的是这个特定场景的纹理特征。解决方法是增加数据来源：不同时间、不同角度、不同摄像头各录一段，训练验证划分时严格按视频来源分组。如果没条件重新采集，至少把离线增强的亮度、对比度变化范围放大，再用现场视频做一次小规模微调。我也是在第一次做门禁时在这里吃过亏，才把数据采集优先级提到调参前面。
5.3 现象：白天完全正常，晚上红外画面里一个框都出不来
夜间摄像头切到红外模式后，YOLOv8 的输出全是空框，排查下来不是模型坏了，是训练数据里根本没有黑白/低照度样本。很多项目包附带的数据集以白天彩色图为主，直接部署到带红外补光的门禁上必然翻车。解决方法是补充一部分夜间数据并重新训练，或者做离线灰度增强。只调低亮度和做灰度不是一回事——低亮度还保留颜色信息，红外画面则基本没有饱和度分量，所以要专门生成灰度图并稍微提高对比度，让模型学到红外分布下的边缘特征。
5.4 现象：GTX 1660 Ti 下 batch=16 直接 OOM
6G 显存跑 YOLOv8s，默认开了 mosaic 增强，batch 稍微大一点就会爆显存。解决路径按顺序试：先把batch降到 8，如果还不够，加close_mosaic=10参数让最后阶段关闭拼接增强；再不够就换yolov8n.pt。这里有个小技巧：ultralytics 默认启用 AMP（混合精度），不要手动关掉，它能明显降低显存占用且对精度影响很小。显存问题排查时，用nvidia-smi看进程占用，确认不是其他程序抢显存，这个步骤经常被忽略。
5.5 现象：ONNX 转换到 RKNN 时算子不兼容
部署到 RK3588 时，转模型报错是常见问题，常见原因是某些新版本 PyTorch 算子不被 RKNN 工具链支持。我的排查顺序是：先用onnxsim对模型做一次简化，再检查是不是 DFL 解码层的问题。如果简化后仍然报错，就把检测头的后处理拆出去，ONNX 只保留 backbone 和 neck 部分，最后在板子上用代码完成框解码。这样虽然多写一点代码，但模型转换的成功率最高。也可以查看当前 RKNN 工具链支持的算子列表，对照 YOLOv8 的结构逐项排查，这是最稳妥但最花时间的方案。
6. 把系统做成作品：门禁界面、记录回放与阈值调优技巧
一个能演示的门禁系统，不能只靠一个黑框摄像头窗口。可视化界面至少要包含三块：实时画面区、放行记录列表、控制按钮。常见做法是用 PyQt5 做一个窗口，里面用 QThread 跑推理循环，主线程刷新画面。如果用 Streamlit 做 Web 界面会更快，但 OpenCV 视频流在浏览器里刷新不稳定，现场答辩容易卡顿，我一般建议毕设用 PyQt5，代码量和可控性比较均衡。
界面里我强烈建议加一个“置信度阈值”滑条，范围 0.3 到 0.9。它能让你在答辩现场根据环境光线实时调整放行灵敏度，比改代码重启强得多。同时配合一个“陌生人记录”表格，保存每次陌生人闯入的截图和置信度。这背后用 SQLite 就够，不需要上 MySQL：
CREATE TABLE access_log ( id INTEGER PRIMARY KEY AUTOINCREMENT, label TEXT, confidence REAL, timestamp DATETIME DEFAULT CURRENT_TIMESTAMP, snapshot_path TEXT );记录访问日志不只是为了演示效果，它能帮你发现模型的隐蔽问题，比如某个时间段陌生人误判率突然升高。阈值调优的实用技巧是分离处理：检测用较低的 conf，放行用较高的 conf。也就是模型先以 0.4 的阈值把所有可疑目标都框出来，只有满足“registered 且置信度高于 0.7”才开锁，这样既不漏人，也不误开。这比只调一个全局阈值好用得多。
我最早做门禁项目时图省事，拿着现成权重直接接摄像头，结果在弱光环境下反复出乱子，后来才确认问题不在网络结构而在数据分布和帧级决策逻辑。如果你是照着这个方向做，我建议把数据采集和日志设计的优先级放到模型调参之前，这两样才是整套系统能在现场持续跑下去的基础。希望帮到你。
本文还有配套的精品资源，点击获取
