YOLO26麻将识别检测系统（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）
摘要
本文针对麻将牌面识别任务，基于YOLO26目标检测算法构建了一套自动识别系统。数据集共包含6731张图像，涵盖42个类别（包括万、条、筒及字牌）。训练过程中，模型表现出优异的收敛特性，最终在验证集上达到0.932的mAP@0.5，最高精确率达1.00。实验结果表明，该系统能够高精度地识别各类麻将牌面，具备良好的实用性和部署价值。
引言
麻将作为一种广泛流行的智力娱乐活动，其自动化识别技术在智能桌游、比赛计分辅助、棋牌机器人等场景中具有重要应用价值。传统的识别方法依赖传感器或特殊牌面，成本高且通用性差。随着计算机视觉技术的发展，基于深度学习的目标检测方法为麻将识别提供了新的思路。YOLO系列模型以其速度快、精度高的特点，成为实时检测任务的主流选择。本文旨在构建一个基于YOLO26的高效麻将识别系统，并对训练过程与结果进行系统分析。
目录
功能模块
✅ 用户登录注册：支持密码检测，密码加密。
注册
登录
✅ 图片检测：可对图片进行检测，返回检测框及类别信息。
✅ 参数实时调节（置信度和IoU阈值）
✅ 支持选择检测目标：可以选择一个或者多个类目的目标进行检测
✅ 视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅ 摄像头实时检测：连接USB 摄像头，实现实时监测。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 功能 | 描述 |
|---|---|
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 功能 | 描述 |
|---|---|
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 功能 | 描述 |
|---|---|
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 功能 | 描述 |
|---|---|
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 功能 | 描述 |
|---|---|
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 功能 | 描述 |
|---|---|
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 功能 | 描述 |
|---|---|
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 功能 | 描述 |
|---|---|
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 功能 | 描述 |
|---|---|
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 功能 | 描述 |
|---|---|
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
背景
麻将识别任务的难点主要体现在以下几个方面。首先，麻将牌类别繁多，标准麻将包含万、条、筒各9种数字牌，以及风牌、箭牌等多种字牌，总数可达数十类。其次，牌面视觉特征具有高度相似性，例如不同花色的数字牌形状相近，同一花色的不同数字仅在中心图案的数量或位置上存在细微差异，这对模型的细粒度分类能力提出了较高要求。此外，实际检测环境复杂多变，光照条件、拍摄角度、牌面遮挡以及牌桌背景的纹理干扰等因素，都会显著影响检测的稳定性。
传统图像处理方案依赖手工设计的特征，如颜色直方图、形状匹配等，难以应对上述挑战。深度学习方法的引入，特别是YOLO等端到端目标检测框架，能够自动学习从原始图像到类别与位置的映射关系，显著提升识别系统的鲁棒性与泛化能力。因此，开发一套基于YOLO26的高性能麻将识别系统，不仅具有理论探索价值，也对推动棋牌类智能设备的实用化具有现实意义。
数据集介绍
本系统使用的数据集为自建麻将牌检测数据集，共计6731张图像。类别数量为42类，具体包括：1B-9B、1C-9C、1D-9D（代表三类花色数字牌），以及EW、GD、NW、RD、SW、WD、WW等字牌。数据集划分如下：
| 数据集类型 | 图像数量 |
|---|---|
| 训练集 | 5565 张 |
| 验证集 | 684 张 |
| 测试集 | 482 张 |
训练结果
整体性能表现（优秀）
| 指标 | 数值 | 评价 |
|---|---|---|
| mAP@0.5 | 0.932 | 优秀 |
| 最高 Precision | 1.00 @ 置信度1.0 | 完美 |
| 最高 Recall | 0.93 @ 置信度0 | 良好 |
| 最佳 F1-score | 0.92 @ 置信度0.429 | 优秀 |
结论：模型整体检测效果很好，mAP达到93.2%，能够准确识别麻将牌。
精确率与召回率分析
Precision-Confidence曲线
-
在高置信度阈值（接近1.0）时，精确率达到100%，意味着模型非常自信的预测几乎全对
-
曲线下降平缓，说明模型校准良好
Recall-Confidence曲线
-
召回率在低置信度时达到93%（即能检出93%的目标）
-
随着置信度提高，召回率下降，这是正常现象
F1-Confidence曲线
-
最佳平衡点在置信度0.429，F1=0.92
-
建议部署时使用此置信度阈值，可兼顾精确率和召回率
训练过程分析（results.png数据）
损失函数收敛情况
| Epoch | box_loss | cls_loss | dfl_loss |
|---|---|---|---|
| 0 | 1.25 | 3.00 | 0.050 |
| 100 | 0.50 | 1.80 | 0.000 |
-
三类损失均稳定下降，无震荡或发散，训练正常
-
cls_loss从3.0降至1.8，分类能力显著提升
验证指标趋势
| Epoch | Precision | Recall | mAP50 | mAP50-95 |
|---|---|---|---|---|
| 0 | 0.90 | 0.88 | 0.940 | 0.940 |
| 100 | 0.95 | 0.93 | 0.990 | 0.990 |
-
mAP50从0.94提升至0.99，持续上升
-
最终mAP50-95达到0.99，说明模型对不同IoU阈值都有良好适应性
Ultralytics YOLO26
概述
Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。
YOLO26 的架构遵循三个核心原则：
- 简洁性: YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
- 部署效率： 端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
- 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
- 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于 Segmentation 的语义分割损失和多尺度原型模块，用于高精度 姿势估计 的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决 旋转框检测 中的边界问题。
这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在 CPU 上的运行速度提高了 43% — 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。
主要功能
-
DFL 移除
分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。 -
端到端无NMS推理
与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。 -
ProgLoss + STAL
改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。 -
MuSGD Optimizer
一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。 -
CPU推理速度提升高达43%
YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。 -
实例分割增强
引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。 -
精确姿势估计
集成残差对数似然估计(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。 -
优化旋转框检测解码
引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：
详细功能展示视频
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
0
0- 0
已为社区贡献236条内容
所有评论(0)