😷 基于 YOLO 的佩戴口罩检测系统 (Mask Wearing Detection System)

本项目是一个功能完整的佩戴口罩智能检测系统。基于最新的 Ultralytics YOLO 系列模型构建，能够识别是否佩戴口罩。本项目提供了美观、易用的 Streamlit Web 交互界面，非常适合作为本科毕业设计的参考与展示。

⚠️ 关于本项目 (About This Project)

本仓库开源了系统的前端交互应用（App）源码及训练数据可视化模块。

🔗 开源地址：

• Gitee：点击访问
• GitHub：点击访问

🛒 核心模型与训练源码资源包 (Core Models & Training Codes) 包含：

1. 核心训练代码：包含 train.py (单模型) 和 train_batch.py (批量实验)，支持断点续训和自动批量大小（autobatch），训练完成后自动生成 GPU 耗时、成本估算和 mAP 评估报告。
2. 全系列模型权重与训练日志：包含 YOLOv8 / YOLO11 / YOLO26 三个系列的 best.pt 模型文件，以及完整的训练日志、Loss 曲线图、mAP 指标图和混淆矩阵等评估图表，直接用于论文插图。
3. （赠品）数据集：本项目使用 Roboflow Mask Wearing Dataset 的开源数据集。
   • 说明：数据集本身是免费开源的。但由于国内网络环境下载困难，我在资源包中免费提供了已整理好的数据集压缩包，方便大家直接使用。

---

✨ 核心功能亮点 (Features)

• 🚀 多模型兼容: 系统无缝支持 YOLOv8、YOLO11 以及最新的 YOLO26 模型，用户可在侧边栏一键切换，实时对比不同模型的检测效果。
• 📷 多模态检测: 支持上传单张图片进行快速检测，也支持导入 MP4/MKV/AVI 等格式的视频文件（内置转码功能，确保在浏览器中流畅播放）。
• 📦 批量处理引擎: 针对大量数据，提供批量检测功能。系统会自动统计各类别数量，并生成包含详细信息的 CSV 表格。
• 📑 自动报告生成: 一键生成专业的 PDF 检测报告，包含检测综述、类别统计和样张展示，可直接用于作业或汇报。
• 📊 训练可视化: 独家内置模型性能对比面板。无需手动绘制，系统自动解析训练日志，生成专业的 mAP 和 Loss 对比图，助你轻松完成毕设论文的实验分析章节。
• 🇨🇳 全中文支持: 从界面菜单到检测框标签（如"佩戴口罩"、"未佩戴口罩"等状态），全部采用中文显示，符合国内用户习惯。

---

📺 系统演示 (Demo)

🎥 视频演示 (Video Demo)

点击下方图标，跳转至各大视频平台查看系统的详细运行演示：

哔哩哔哩 (Bilibili)	抖音 (Douyin)	小红书 (Xiaohongshu)	快手 (Kuaishou)
bilibili	douyin	xiaohongshu	kuaishou

---

🛠️ 快速开始 (Quick Start)

第一阶段：部署开源版（运行系统界面）

此步骤将教你如何运行本仓库的开源代码，体验系统的 UI 交互功能。

1. 环境准备 (Environment Setup)

   • 安装 Anaconda: 如果你还没有安装 Anaconda，请参考此教程进行安装。

   • 打开终端 (Important):

     • 方法 A (推荐): 进入本项目文件夹，在地址栏输入 cmd 并回车，即可直接在当前目录下打开终端。
     • 方法 B: 打开终端后，使用 cd 命令跳转到项目目录（例如：cd D:\毕设\YOLO_farms_multi-species_detection）。

   • 配置国内镜像源 (推荐):
     如果你在国内网络环境下，建议配置清华源以加速下载：

     conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
     conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
     conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
     conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
     

   • 创建并激活环境:

     conda create -n task1 python=3.11.15 -y
     conda activate task1
     

   • 安装 PyTorch (关键步骤):
     本项目基于 PyTorch 2.5.1 开发。推荐访问 PyTorch 官网 获取最适合你机器的安装命令。

     或者，你可以直接使用以下常用命令（请根据你的显卡驱动版本选择）：

     • 方案 A (推荐新显卡/CUDA 12.1):

       conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia -y
       

     • 方案 B (兼容旧显卡/CUDA 11.8):

       conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia -y
       

     • 方案 C (无显卡/仅使用 CPU):

       conda install pytorch torchvision torchaudio cpuonly -c pytorch -y
       

2. 安装依赖
   下载本仓库代码，并安装必要的第三方库：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn
   

3. 运行系统
   在终端中执行以下命令：

   streamlit run app/app.py
   

   成功后，浏览器会自动打开系统界面。
   注意：此时由于没有加载模型文件，点击检测可能会提示"未找到模型"。

后续每次运行系统

以后每次使用本项目时，只需按以下步骤操作：

1. 进入项目目录: 使用文件管理器进入本项目文件夹
2. 打开终端: 在地址栏输入 cmd 并回车，即可直接在当前目录下打开终端
3. 激活环境:

   conda activate task1
   

4. 启动系统:

   streamlit run app/app.py
   

第二阶段：加载模型（开启检测功能）

为了让系统能够识别佩戴口罩状态，你需要加载训练好的 YOLO 模型文件（.pt）。

🅰️ 如果你购买了资源包 (推荐)

资源包中已包含 YOLOv8 / YOLO11 / YOLO26 全系列训练好的高精度模型。

1. 解压资源包：找到 models 文件夹。
2. 复制文件：将整个 models 文件夹直接复制到本项目的根目录下。
3. 完成：刷新网页，侧边栏会自动加载所有模型。

🅱️ 如果你自己训练模型

如果你自行训练了模型：

1. 新建文件夹：在项目根目录下创建一个名为 models 的文件夹。
2. 放置模型：将你训练得到的 best.pt 文件复制到 models/ 文件夹中（建议重命名为清晰的名称，如 yolo11m_mask_wearing.pt）。
3. 完成：刷新网页，即可在侧边栏选择你的模型进行检测。

📖 详细训练教程: 如果你想自己训练模型，请查看 训练指南

---

📂 项目结构 (Project Structure)

YOLO_Mask_Wearing_detection/
├── app/
│   ├── app.py          # Streamlit 系统主入口
│   ├── analysis.py     # 训练日志分析与绘图模块
│   └── report_gen.py   # PDF 报告生成模块
├── data/               # 训练数据集 (Images/Labels)
│   └── Mask_Wearing/   # 佩戴口罩数据集 (2类)
├── models/              # 训练好的模型文件 (.pt)
├── training/            # 模型训练代码
│   ├── train.py         # 单模型训练脚本
│   └── train_batch.py   # 批量训练脚本
├── runs/                # 训练输出目录
├── docs/                # 演示图片与文档
├── requirements.txt     # 项目依赖库列表
└── README.md            # 项目说明文档

(注：data/ (数据集)、training/*.py (训练脚本) 和 models/*.pt (模型文件) 为资源包专有内容，未包含在开源仓库中。)

📊 数据集信息 (Dataset Information)

本项目使用 Roboflow Mask Wearing Dataset 开源数据集，主要用于检测佩戴口罩状态。

😷 类别信息

英文名	中文名
mask	佩戴口罩
no-mask	未佩戴口罩

📷 图片数量

数据集	图片数量
训练集	1366 张
验证集	368 张
测试集	200 张

💡 说明：数据集本身是免费开源的。但由于国内网络环境下载困难，资源包中免费提供了已整理好的数据集压缩包，方便大家直接使用。

---

💰 训练成本核算 (Training Cost Analysis)

📊 实际训练数据: 查看 训练总结报告，包含15个模型的真实训练耗时、成本

以下是基于国内主流 GPU 云服务商（如 AutoDL）的成本估算逻辑：

1. 硬件配置: NVIDIA A800 80GB PCIe
2. 训练规模:
   • 模型数量: 15 个模型 (YOLOv8/11/26 系列 x n/s/m/l/x 五种规格)
   • 训练轮数: 100 Epochs / 模型
3. 实际耗时与成本:
   • 总耗时: 6 小时 7 分 (约 6.13 小时)
   • 云服务器费率: ¥9.35 / 小时
   • 总算力成本: 6.13 小时 x ¥9.35 ≈ ¥57.31

💡 省钱建议: 自己租用服务器复现所有实验不仅耗时耗力，且算力成本往往高于直接获取成品。

🛒 核心模型与训练源码资源包 (Core Models & Training Codes) 包含：

1. 核心训练代码：包含 train.py (单模型) 和 train_batch.py (批量实验)，支持断点续训和自动批量大小（autobatch），训练完成后自动生成 GPU 耗时，成本估算和 mAP 评估报告。
2. 全系列模型权重与训练日志：包含 YOLOv8 / YOLO11 / YOLO26 三个系列的 best.pt 模型文件，以及完整的训练日志、Loss 曲线图、mAP 指标图和混淆矩阵等评估图表，直接用于论文插图。
3. （赠品）数据集：整理好的 Ultralytics 开源数据集压缩包。