项目经理 & 核心开发
产品理念
驾驶行为检测不是一个新概念，但大多数系统只提供原始报警数据，缺乏可操作的分析视角。这个项目从产品角度重新定义了"检测"的边界——从识别单次危险行为，延伸到帮助驾驶员理解自己的行为模式趋势。
我负责整体产品设计：定义用户旅程的每一个节点，决定哪些检测结果值得呈现、如何呈现，以及如何让非技术用户也能从 AI 分析结果中得到真正有用的改善建议。
用户旅程
视频上传
用户上传行车记录仪视频，支持多格式输入，系统自动预处理并排队分析。
视角选择
用户指定摄像头视角（正前方 / 车内 / 后视），系统针对不同视角调用对应的检测模型参数。
驾驶者筛选
多人使用场景下，用户绑定特定驾驶者 ID，确保行为数据归属准确、分析结果个人化。
AI 检测评分
YOLOv8 + OpenCV 识别分心驾驶、急刹车、超速、压线等行为，输出置信度评分与时间戳标注。
历史对比看板
行为频次图表 + 月趋势折线图，让驾驶员清晰看到自己哪些习惯在改善、哪些还在反复。
个性化改善建议
基于历史数据生成针对性行为改善建议，而不是泛化的安全提示——让 AI 分析结果真正产生行为改变。
技术架构
检测层
YOLOv8 + OpenCV
实时目标检测与行为识别，支持帧级时间戳定位，检测结果附带置信度分级。
后端层
Python · FastAPI
异步 API 服务处理视频上传与分析队列，RESTful 接口供前端消费，SQLite 存储行为历史与用户档案。
数据层
SQLite
轻量级本地数据库，存储驾驶事件记录、评分历史与趋势数据，支持多驾驶者独立档案。
前端层
React
行为频次图表与月趋势分析看板，交互式数据可视化让非技术用户轻松读懂分析报告。
产品截图