YOLOv8冰箱内食物识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）
摘要
随着智能家居与健康饮食管理的快速发展，冰箱内食物自动化识别成为关键任务。本文基于YOLOv8目标检测算法，构建了一个包含30类常见冰箱食物的检测系统。实验采用自建数据集，其中训练集2,896张、验证集103张、测试集51张。模型训练结果显示，整体F1值最高达到0.96，精确率在高置信度下接近1.0，召回率在低置信度下亦接近1.0，mAP50稳定在0.65~0.70之间，mAP50-95达到0.30~0.38。混淆矩阵表明大多数食物类别分类准确率高，背景误检率低。实验证明，该模型具备良好的分类能力与泛化性能，可有效支持冰箱食物识别、库存管理与智能烹饪等实际应用。
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 |
引言
随着物联网与计算机视觉技术的发展，智能冰箱逐渐成为现代家庭食品管理的重要设备。传统冰箱仅具备储存功能，无法自动识别内部食物种类与数量，难以满足用户对食品保鲜、过期预警及健康饮食管理的需求。为此，引入目标检测技术实现对冰箱内食物的自动识别具有重要现实意义。
YOLO（You Only Look Once）系列算法因其检测速度快、精度高，广泛应用于实时目标检测任务。其中YOLOv8在检测精度与模型轻量化方面进一步提升，适合嵌入式及边缘计算场景。本文旨在基于YOLOv8构建一个高效、稳定的冰箱内食物检测系统，覆盖日常常见30类食物，并通过详细的数据集构建与模型评估，验证其在真实场景中的可行性。
背景
智能冰箱通过内置摄像头采集内部图像，结合图像识别算法自动识别食物类别、位置与数量，从而实现以下功能：
-
食物库存管理
-
过期提醒与采购建议
-
食谱推荐
-
减少食物浪费
目标检测技术发展
-
传统方法：基于手工特征（如HOG、SIFT）与分类器（如SVM），受光照、遮挡影响大。
-
深度学习方法：
-
两阶段检测器（如Faster R-CNN）：精度高但速度慢。
-
单阶段检测器（如YOLO系列）：速度快、精度可接受，适合实时场景。
-
-
YOLOv8：
-
支持自适应锚框
-
提供更好的特征金字塔结构
-
训练与部署更便捷
-
数据集介绍
类别设置
本数据集共包含 30 类 冰箱常见食物，覆盖水果、蔬菜、肉类、乳制品、调味品等，具体如下：
apple, banana, beef, blueberries, bread, butter, carrot, cheese, chicken, chicken_breast, chocolate, corn, eggs, flour, goat_cheese, green_beans, ground_beef, ham, heavy_cream, lime, milk, mushrooms, onion, potato, shrimp, spinach, strawberries, sugar, sweet_potato, tomato
数据来源与标注
-
图像采集：冰箱内实拍 + 部分公开食物数据集
-
图像分辨率：统一调整至640×640
-
标注格式：YOLO格式（类别、中心点x、中心点y、宽度、高度）
-
标注工具：LabelImg
数据集划分
| 数据集 | 图像数量 | 用途 |
|---|---|---|
| 训练集 | 2,896张 | 模型参数学习 |
| 验证集 | 103张 | 超参数调优与模型选择 |
| 测试集 | 51张 | 最终性能评估 |
训练过程
训练结果
总体评价
模型表现优秀，在多个关键指标上达到了较高水平，尤其适合用于实际冰箱食物识别场景。
关键指标分析
1. 混淆矩阵（Confusion Matrix）
-
主对角线值较高（如
apple: 1.0，banana: 0.98，beef: 0.95），说明模型对大多数食物的分类准确率很高。 -
误分类情况较少，例如
chicken与chicken_breast之间可能存在轻微混淆（类别相似）。 -
background被误检为食物的比例很低（-0.20），说明模型对背景抑制良好。
结论：分类能力强，类别区分度好。
2. F1曲线（F1_curve）
-
最大 F1 值 ≈ 0.96（置信度阈值 0.65 左右）。
-
曲线平稳，说明模型在不同置信度下都能保持较高的精确率与召回率平衡。
结论：模型稳健，适合实际部署时调整置信度阈值。
3. 精确率-置信度曲线（P_curve）
-
精确率在 0.99 置信度下仍接近 1.0，说明高置信度预测非常可靠。
结论：模型对高置信度预测非常自信，误检率低。
4. 召回率-置信度曲线（R_curve）
-
召回率随置信度下降而上升，在较低置信度下接近 1.0。
-
说明模型能检测出绝大多数目标，但需要适当降低阈值以提高召回。
结论：适合对漏检敏感的场景（如库存盘点）。
5. PR曲线（PR_curve）
-
曲线几乎呈 L形，说明模型在保持高精确率的同时，也能维持高召回率。
结论：模型整体性能优秀，无明显偏差。
6. 训练损失与验证指标（results.png）
| 指标 | 趋势 | 说明 |
|---|---|---|
| train/box_loss | 下降 | 边界框回归收敛良好 |
| train/cls_loss | 下降 | 分类收敛良好 |
| val/mAP50 | 稳定在 0.65~0.70 | 中等偏上，可进一步优化 |
| val/mAP50-95 | 稳定在 0.30~0.38 | 对于多类别任务属于合理范围 |
结论：训练过程稳定，未出现过拟合或欠拟合。
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：
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
10
0- 0
已为社区贡献276条内容
所有评论(0)