1.一种基于YM_SSH的轻量级目标检测的疲劳状态检测方法，其特征在于：包括以下步骤：步骤S1、标注疲劳检测数据集，并划分训练集、验证集和测试集；

步骤S2、使用目标检测模块和目标跟踪模块搭建卷积神经网络，网络最终输出为疲劳状态和位置信息；

步骤S3、使用步骤S1中的数据集训练步骤S2中的卷积神经网络，得到可以准确识别疲劳状态检测模型；

步骤S4、将疲劳状态检测模型转换为可以嵌入式部署的模型；

步骤S5、将步骤S4中转换后的模型部署到终端设备，将终端设备摄像头拍摄的视频流输入疲劳状态检测模型，并输出检测结果。

2.如权利要求1所述的基于YM_SSH的轻量级目标检测的疲劳状态检测方法，其特征在于：步骤S1包括：步骤S11、疲劳检测数据集由公共数据集和公交平台采集的图像数据组成，对采集的公交平台图像数据进行标注，标注对象为眼睛和嘴，根据眼睛和嘴的闭合状态判定疲劳状态；

步骤S12、将疲劳数据集按照8：2的比例划分训练集和验证集；

步骤S13、在训练阶段加载数据集时，使用数据增强方法提高数据的鲁棒性，使用预处理方式提高模型的泛化能力。

3.如权利要求2所述的基于YM_SSH的轻量级目标检测的疲劳状态检测方法，其特征在于：所述数据增强方法包括但不限于颜色空间变换法、GAN自动生成法。

4.如权利要求2所述的基于YM_SSH的轻量级目标检测的疲劳状态检测方法，其特征在于：所述预处理方法包括但不限于均值减法、均一化法。

5.如权利要求1所述的基于YM_SSH的轻量级目标检测的疲劳状态检测方法，其特征在于：步骤S3所述的卷积神经网络包括目标检测模块和目标跟踪模块，其中，目标检测模块用于检测疲劳状态及位置信息，目标跟踪模块用于避免同一检测对象被多次识别。

6.如权利要求1所述的基于YM_SSH的轻量级目标检测的疲劳状态检测方法，其特征在于：步骤S3所述的卷积神经网络搭建的具体步骤为：步骤S31、使用YOLOv3作为基础网络模型，使用MobileViT替代YOLOv3的原有骨干网络DarkNet53，减少模型的参数量和计算量；

步骤S32、利用若干个3*3小卷积核替代5*7和7*7的大卷积核，在具有相当的感受野时，

3*3的卷积核具有更少的参数量和计算代价；

步骤S33、引入改进的SSH人脸检测模块，借鉴了Inception结构，利用多个卷积维度，拓展特征提取感受野，通过多分支，不同大小卷积核提取特征，将SSH模块中的Conv‑1单元卷积为一个3x3卷积核，通道数缩减为原来的1/2，Conv‑2单元卷积利用两个3x3卷积核替换一个5x5卷积核，通道数缩减为原来的1/4，Conv‑3单元卷积利用三个3x3卷积核替换一个7x7卷积核，合并之后，总通道数不变；

步骤S34、最后在目标检测模块后添加目标跟踪模块，目标跟踪模块中包含一个目标跟踪算法，用于避免同一对象的重识别。

7.如权利要求1所述的基于YM_SSH的轻量级目标检测的疲劳状态检测方法，其特征在于：步骤S4中的模型部署方法为先将模型转换为ONNX模型，再将ONNX转换为TensorRT模型。