diff --git a/README.md b/README.md
new file mode 100644
index 0000000..54bda58
--- /dev/null
+++ b/README.md
@@ -0,0 +1,68 @@
+# Sleeping-post-detection
+
+# 睡岗检测
+
+## 场景
+
+本项目适用于一些需要持续工作的岗位或者某些重要的岗位，防止工作人员出现意外
+
+## 介绍
+
+本项目是基于yolov8模型制作的睡岗检测
+
+## 代码思路
+
+1.为人头描定数据框，并且设置中心点
+
+2.只要中心点在一定时间内，一定范围内运动，或者保持不动，便判定为睡岗
+
+
+## 使用说明：
+
+### 注意：在使用前要确认环境已经搭配好了
+
+### 1.需要安装依赖（我一般使用conda安装）
+
+`conda install --yes --file requirements.txt`
+
+### 2.需要安装opencv库
+
+`conda install -c conda-forge opencv`
+
+### 3.大部分需要安装的库都可以在pycharm中直接下载（如有遗漏）
+
+### 4.指定训练好的模型进行测试
+
+`model_path = r'\detect\train\weights\best.pt'`   # 加载训练好的模型
+
+`model = YOLO(model_path)  `                           # model是加载后的训练模型实例
+
+### 5.进行静态检测的时候我们要注意我们当前代码仅支持 .png, .jpg, .jpeg, .bmp 等常见图像格式
+
+### 6.phototest文件不仅支持单张图片检测并且支持批量检测（或文件夹检测），只需要按照下面代码指定文件夹即可
+
+`infer_and_draw(r'C:\path\to\your\image\folder', r'C:\ultralytics\output')`
+
+### 7.以下是对动态检测的一些代码讲解
+
+#### 7.1 视频输入：
+
+使用 cv2.VideoCapture() 打开视频文件或 RTSP 流，同时支持本地视频文件和网络串流
+
+#### 7.2 YOLO 检测：
+
+每隔 `detection_interval = 10` 帧，模型会对帧进行目标检测，返回检测到的边界框（boxes）和置信度（confidences）。
+检测的边界框经过过滤和合并后保存，并且通过 cv2.TrackerKCF_create() 创建跟踪器来跟踪每个目标。
+
+#### 7.3 状态检测：
+
+通过历史跟踪中心位置（center_history），每个物体的中心点会被记录到一个 deque（长度为 tracking_window_size = 250）。如果该物体的中心点在一段时间内变化很小，程序会在图像上显示“睡眠”（SLEEP），表明物体处于静止状态。
+通过计算中心点的距离变化（稳定状态的判断），判断物体是否保持静止。
+
+### 运行方法(以下文件均在Sleeping-post-detection-first-edition目录下)
+
+phototest文件夹专门负责检测图片
+
+fps01 ~ fps04 文件夹代表了测试视频和实时检测时所犯的错误和更正过程，fps04为最终优化版本
+
+