基于yolov26的荔枝成熟度检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面
·
基于 PyQt5 和 YOLO26 的目标检测桌面应用程序，支持图片、视频和摄像头实时检测。
功能特性
- 图片检测：支持单张或多张图片批量检测
- 视频检测：支持视频文件实时检测与播放
- 摄像头检测：支持实时摄像头视频流检测
- 模型切换：支持加载不同的 YOLO26 模型（.pt 或 .onnx 格式）
- 参数调节：可调节置信度阈值和 IOU 阈值
- 类别筛选：支持按类别筛选检测结果
- 结果导出：支持检测结果保存为图片或导出为 JSON/TXT 格式
- 实时统计：显示 FPS、目标数量等实时统计信息
效果展示
训练数据集介绍
数据集格式：YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的yolo格式txt文件)
图片数量(jpg文件个数)：1005
标注数量(txt文件个数)：1005
训练集数量：805
验证集数量：100
测试集数量：100
标注类别数：4
所在github仓库：firc-dataset
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):[‘Blossom fruits’,‘Green fruits’,‘Ripe fruits’,‘Young fruits’]
每个类别标注的框数：
Blossom fruits（开花坐果）框数 = 539
Green fruits（青果）框数 = 4045
Ripe fruits（成熟果实）框数 = 7701
Young fruits（幼果）框数 = 4581
总框数=16866
使用标注工具：labelImg
标注规则：对类别进行画矩形框
重要说明：暂无
特别声明：本数据集不对训练的模型或者权重文件精度作任何保证
图片预览：
标注例子：
训练情况介绍
模型在训练集805张+100测试集张进行训练得到
| Class | Images | Instances | P | R | mAP50 | mAP50-95 |
|---|---|---|---|---|---|---|
| all | 100 | 1832 | 0.811 | 0.795 | 0.875 | 0.605 |
| Blossom fruits | 15 | 38 | 0.69 | 0.579 | 0.712 | 0.456 |
| Green fruits | 21 | 566 | 0.853 | 0.88 | 0.94 | 0.723 |
| Ripe fruits | 31 | 516 | 0.82 | 0.864 | 0.911 | 0.59 |
| Young fruits | 33 | 712 | 0.882 | 0.855 | 0.939 | 0.651 |
算法原理
YOLO26 目标检测算法
本项目基于 YOLO26（You Only Look Once v8） 目标检测算法，由 Ultralytics 公司开发。YOLO26 是一种单阶段（One-Stage）目标检测器，具有以下特点：
1. 网络架构
YOLO26 采用先进的骨干网络（Backbone）和特征融合网络：
- Backbone：使用 CSPDarknet 结构，通过跨阶段局部网络（Cross Stage Partial Network）提取多尺度特征
- Neck：采用 PAN-FPN（Path Aggregation Network - Feature Pyramid Network）结构，实现自顶向下和自底向上的特征融合
- Head：解耦头（Decoupled Head）设计，将分类和定位任务分开处理，提升检测精度
2. 检测流程
- 图像预处理：将输入图像调整为模型输入尺寸（默认 640x640），进行归一化处理
- 特征提取：通过 Backbone 网络提取多尺度特征图
- 特征融合：Neck 网络融合不同层级的特征，增强小目标检测能力
- 预测输出：Head 网络输出每个网格的类别概率和边界框坐标
- 后处理：使用 NMS（非极大值抑制）算法去除重复检测框
3. 关键技术
- Anchor-Free 检测：YOLO26 采用无锚框设计，直接预测目标中心点和尺寸，简化模型结构
- Task-Aligned Assigner：动态标签分配策略，根据分类和定位任务的对齐程度分配正样本
- CIoU Loss：使用 Complete Intersection over Union 损失函数，更精确地衡量预测框与真实框的重叠程度
- Mosaic 增强：训练时采用 Mosaic 数据增强，将四张图片拼接，提升小目标检测能力
4. 后处理算法
- NMS（非极大值抑制）：根据置信度分数排序，移除重叠度（IOU）过高的检测框
- 置信度过滤：过滤掉置信度低于阈值的检测结果
- 类别筛选：支持按指定类别过滤检测结果
环境要求
硬件要求
| 项目 | 最低配置 | 推荐配置 |
|---|---|---|
| CPU | Intel i5 或同等性能 | Intel i7/i9 或 AMD Ryzen 7/9 |
| 内存 | 8 GB | 16 GB 或以上 |
| 显卡 | 支持 CUDA 的 NVIDIA GPU（可选） | NVIDIA RTX 1660 或以上 |
| 显存 | 4 GB（GPU 推理） | 8 GB 或以上 |
| 硬盘 | 2 GB 可用空间 | SSD，5 GB 可用空间 |
软件环境
- 操作系统：Windows 10/11、Linux、macOS
- Python：3.9 或以上版本
- CUDA：11.8 或以上（如需 GPU 加速）
- cuDNN：8.6 或以上（如需 GPU 加速）
安装步骤
1. 克隆或下载项目
# 使用 git 克隆
git clone <项目仓库地址>
# 或直接下载 ZIP 压缩包并解压
2. 创建虚拟环境（推荐）
# 使用 conda 创建
conda create -n YOLO26-det python=3.9
conda activate YOLO26-det
# 或使用 venv 创建
python -m venv venv
# Windows:
venv\Scripts\activate
# Linux/Mac:
source venv/bin/activate
3. 安装依赖包
# 安装 PyTorch（根据 CUDA 版本选择）
# CUDA 11.8 版本：
pip install torch==2.0.1+cu118 torchvision==0.15.2+cu118 --extra-index-url https://download.pytorch.org/whl/cu118
# CUDA 12.1 版本：
pip install torch==2.0.1+cu121 torchvision==0.15.2+cu121 --extra-index-url https://download.pytorch.org/whl/cu121
# CPU 版本（无显卡）：
pip install torch==2.0.1 torchvision==0.15.2 --extra-index-url https://download.pytorch.org/whl/cpu
# 安装其他依赖
pip install ultralytics==8.4.31
pip install PyQt5==5.15.9
pip install opencv-python==4.8.0.74
pip install numpy==1.24.3
4. 准备模型文件
将训练好的 YOLO26 模型文件（.pt 格式）放入 weights/ 目录下：
weights/
├── best.pt # 主要模型文件
├── class_names.txt # 类别名称文件
└── ...
类别名称文件格式（class_names.txt）：
Blossom fruits
Green fruits
Ripe fruits
Young fruits
...
每行一个类别名称，顺序需与模型训练时的类别顺序一致。
运行步骤
启动应用程序
# 激活虚拟环境后
python main.py
使用流程
-
加载模型：
- 程序启动时会自动加载
weights/目录下的默认模型 - 或点击"加载模型"按钮手动选择模型文件
- 程序启动时会自动加载
-
选择检测模式：
- 图片检测：点击"图片检测"按钮，然后选择"选择文件"加载图片
- 视频检测：点击"视频检测"按钮，选择视频文件
- 摄像头检测：点击"摄像头检测"按钮，自动打开默认摄像头
-
设置参数（可选）：
- 调节"置信度阈值"：控制检测结果的置信度下限（0.1 - 0.9）
- 调节"IOU 阈值"：控制非极大值抑制的重叠度阈值（0.1 - 0.9）
- 选择"类别筛选"：只显示指定类别的检测结果
- 勾选"显示标签与置信度"：控制是否在图像上显示标签
-
开始检测：
- 点击"开始检测"按钮启动检测
- 检测过程中可点击"停止检测"终止
-
保存结果：
- 点击"保存结果"保存检测结果图片
- 点击"导出结果"将检测数据导出为 JSON 或 TXT 格式
- 点击"截图保存"快速保存当前画面
注意事项
1. 模型文件
- 确保模型文件（.pt）与类别名称文件（class_names.txt）匹配
- 模型文件路径不能包含中文字符，建议放在项目根目录的
weights/文件夹下 - 支持的模型格式：PyTorch (.pt) 和 ONNX (.onnx)
2. GPU 加速
- 首次运行时会自动下载 CUDA 相关的预训练权重，可能需要等待几分钟
- 如遇到 CUDA 内存不足错误，请关闭其他占用显存的程序
- 无 NVIDIA 显卡时，程序会自动切换为 CPU 推理，速度较慢
3. 检测参数
- 置信度阈值：建议设置在 0.3 - 0.5 之间，过低会产生大量误检，过高可能漏检
- IOU 阈值：建议设置在 0.4 - 0.6 之间，用于去除重叠的检测框
- 参数调整会实时生效，无需重新加载模型
4. 摄像头检测
- 确保摄像头设备正常工作且未被其他程序占用
- 默认使用摄像头索引 0，如需修改请在代码中调整
camera_index参数 - 摄像头检测为实时模式，按"停止检测"或关闭窗口即可退出
5. 性能优化
- 视频检测时，检测速度取决于视频分辨率和显卡性能
- 如检测卡顿，可尝试降低输入视频分辨率或更换更高性能的显卡
- 批量图片检测时会顺序处理，建议在处理大量图片前确保磁盘空间充足
6. 常见问题
| 问题 | 解决方案 |
|---|---|
| 模型加载失败 | 检查模型文件路径是否正确，确保文件未损坏 |
| 无法打开摄像头 | 检查摄像头连接，确保没有其他程序占用摄像头 |
| CUDA out of memory | 减小 batch size，关闭其他程序，或使用 CPU 推理 |
| 检测结果不准确 | 调整置信度和 IOU 阈值，或更换更合适的模型 |
| 界面显示异常 | 确保 PyQt5 正确安装，尝试更新显卡驱动 |
文件夹结构
YOLO26-det-pyqt5/ # 项目根目录
│
├── main.py # 主程序入口，PyQt5 界面实现
├── YOLO26Detector.py # YOLO26 检测器核心类
├── README.md # 项目说明文档
│
├── weights/ # 模型权重文件夹
│ ├── weights/ # 子文件夹（存放 .pt 模型文件）
│ │ └── best.pt # 默认模型文件
│ ├── class_names.txt # 类别名称列表
│ ├── args.yaml # 训练参数配置
│ ├── data.yaml # 数据集配置
│ ├── results.csv # 训练结果数据
│ ├── results.png # 训练结果图表
│ ├── confusion_matrix.png # 混淆矩阵
│ ├── BoxF1_curve.png # F1 分数曲线
│ ├── BoxP_curve.png # 精确率曲线
│ ├── BoxR_curve.png # 召回率曲线
│ └── ... # 其他训练和验证可视化结果
│
├── test_img/ # 测试图片文件夹
│ ├── firc_1000.jpg # 测试图片示例
│ ├── firc_1001.jpg
│ └── ... # 更多测试图片
│
└── 数据集地址.xlsx # 数据集信息文档
文件说明
| 文件/文件夹 | 说明 |
|---|---|
main.py |
应用程序主入口，包含 PyQt5 GUI 界面、多线程检测逻辑、信号槽处理 |
YOLO26Detector.py |
YOLO26 检测核心类，封装模型加载、推理、可视化等功能 |
weights/ |
存放模型权重文件和相关配置，是检测功能的核心资源目录 |
test_img/ |
提供测试用的示例图片，用于快速验证检测功能 |
class_names.txt |
类别名称定义文件，每行一个类别，顺序需与模型训练时一致 |
data.yaml |
YOLO26 数据集配置文件，包含类别数、类别名称、数据集路径等 |
技术栈
- Python 3.9+：编程语言
- PyQt5：桌面 GUI 框架
- YOLO26（Ultralytics）：目标检测模型
- OpenCV：图像和视频处理
- NumPy：数值计算
- PyTorch：深度学习框架
许可协议
本项目仅供学习和研究使用。
更新日志
v1.0
- 初始版本发布
- 支持图片、视频、摄像头三种检测模式
- 实现参数调节和结果导出功能
- 提供实时 FPS 和统计信息显示
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
3
0- 0
已为社区贡献10条内容
所有评论(0)