深度学习目标检测算法yolo训练无人机目标检测_水上漂浮垃圾数据集识别水面上的漂浮物及垃圾进行智能识别

文章内容及代码仅供参考。

水上漂浮垃圾数据集 1类别YOLO格式｜水域环保专用

①1501张图片（训练集1050张，验证集300张，测试集151张）
②标注，YOLO格式

应用场景​：
①水域环保：水上垃圾自动识别与清理
②智能监测：水域垃圾实时监控与预警
③自动化清理系统：提升效率，降低成本
④视觉导航：无人船或无人机目标检测

数据集
标注格式：txt（YOLO格式）
类别标签：litter（水上垃圾检测，8181个框）
数据来源：真实水域场景采集

以下是一个详细的流程，从数据集准备、模型训练到构建 GUI 应用程序的完整实现。我们将使用 YOLOv8 作为示例模型，并附上每一步的详细代码。

---

一、安装依赖

确保已安装 Python（推荐版本 3.8+），并安装以下依赖：

pip install torch torchvision ultralytics opencv-python matplotlib pyqt5

• torch 和 torchvision：深度学习框架。
• ultralytics：YOLOv8 的官方库。
• opencv-python：图像处理。
• matplotlib：可视化工具。
• pyqt5：用于构建 GUI 应用程序。

---

二、准备数据集

1. 数据集目录结构

将水上漂浮垃圾数据集按照以下格式组织：

floating-garbage-dataset/
├── images/
│   ├── train/          # 训练集图片
│   ├── val/            # 验证集图片
│   └── test/           # 测试集图片
├── labels/
│   ├── train/          # 训练集标注文件（txt 格式）
│   ├── val/            # 验证集标注文件（txt 格式）
│   └── test/           # 测试集标注文件（txt 格式）
└── data.yaml           # 数据集配置文件

2. 创建 data.yaml

在 floating-garbage-dataset/ 目录下创建 data.yaml 文件，内容如下：

train: ./images/train
val: ./images/val
test: ./images/test

nc: 1                   # 类别数量
names: ['litter']       # 类别名称

3. 检查数据集

确保所有图片和对应的 .txt 标注文件都正确放置在各自目录中。.txt 文件的标注格式为：

<class_id> <x_center> <y_center> <width> <height>

例如：

0 0.5 0.5 0.2 0.3

---

三、训练模型

1. 开始训练

运行以下代码开始训练模型：

from ultralytics import YOLO

# 加载预训练模型
model = YOLO('yolov8n.pt')  # 使用 YOLOv8 Nano 模型

# 训练模型
results = model.train(
    data='path/to/floating-garbage-dataset/data.yaml',  # 数据集配置文件路径
    epochs=100,                                # 训练轮数
    imgsz=640,                                 # 输入图片尺寸
    batch=16,                                  # 批量大小
    device='cuda' if torch.cuda.is_available() else 'cpu'  # 使用 GPU 或 CPU
)

# 导出模型（可选）
model.export(format='onnx')  # 导出为 ONNX 格式

---

四、评估模型

1. 测试模型性能

运行以下代码进行模型评估：

from ultralytics import YOLO

# 加载训练好的模型
model = YOLO('runs/detect/train/weights/best.pt')

# 测试模型
metrics = model.val(data='path/to/floating-garbage-dataset/data.yaml')
print(f"mAP50: {metrics.box.map50}")  # 输出 mAP50 指标

---

五、构建 GUI 应用程序

以下是一个完整的 PyQt5 GUI ，用于加载模型并检测图片中的水上漂浮垃圾目标。仅供参考。同学

import sys
import cv2
from PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QPushButton, QVBoxLayout, QWidget, QFileDialog
from PyQt5.QtGui import QPixmap, QImage
from ultralytics import YOLO

class FloatingGarbageDetectorApp(QMainWindow):
    def __init__(self):
        super().__init__()
        self.initUI()
        # 加载训练好的模型
        self.model = YOLO('runs/detect/train/weights/best.pt')

    def initUI(self):
        # 设置窗口标题和大小
        self.setWindowTitle("水上漂浮垃圾检测")
        self.setGeometry(100, 100, 800, 600)

        # 创建一个 QLabel 用于显示图片
        self.label = QLabel(self)
        self.label.setText("选择图片以检测水上漂浮垃圾")
        self.label.setAlignment(Qt.AlignCenter)

        # 创建一个按钮用于选择图片
        self.button = QPushButton("选择图片", self)
        self.button.clicked.connect(self.load_image)

        # 布局设置
        layout = QVBoxLayout()
        layout.addWidget(self.label)
        layout.addWidget(self.button)

        container = QWidget()
        container.setLayout(layout)
        self.setCentralWidget(container)

    def load_image(self):
        # 打开文件对话框选择图片
        options = QFileDialog.Options()
        file_path, _ = QFileDialog.getOpenFileName(self, "选择图片", "", "Images (*.png *.jpg *.jpeg)", options=options)
        if file_path:
            # 读取图片
            image = cv2.imread(file_path)
            if image is None:
                print("无法读取图片，请检查路径是否正确！")
                return

            # 使用模型进行目标检测
            results = self.model(image)  # 进行目标检测
            annotated_image = results[0].plot()  # 绘制检测结果

            # 将 OpenCV 图像转换为 PyQt 图像
            height, width, channel = annotated_image.shape
            bytes_per_line = 3 * width
            q_img = QImage(annotated_image.data, width, height, bytes_per_line, QImage.Format_RGB888).rgbSwapped()

            # 显示图片
            self.label.setPixmap(QPixmap.fromImage(q_img))

if __name__ == "__main__":
    app = QApplication(sys.argv)
    window = FloatingGarbageDetectorApp()
    window.show()
    sys.exit(app.exec_())

---

六、运行应用程序

1. 将上述代码保存为 app.py。
2. 确保已安装所有依赖库。
3. 在终端中运行以下命令启动 GUI 应用程序：

python app.py

---

七、总结

通过以上步骤，可万成 水上漂浮垃圾检测数据集的准备、模型训练、评估以及构建一个简单的 GUI 应用程序来展示模型的检测效果。每个步骤的关键点总结：

1. 数据集准备：

   • 确保图片和标注文件格式正确。
   • 创建 data.yaml 文件定义类别和数据路径。

2. 模型训练：

   • 使用 YOLOv8 提供的简单接口进行训练。
   • 可根据需要调整超参数（如 epochs、batch、imgsz）。

3. 模型评估：

   • 使用 val() 方法评估模型性能，重点关注 mAP50 指标。

4. GUI 应用程序：

   • 使用 PyQt5 构建一个简单的界面，用户可以选择图片并查看检测结果。

仅供参考，我的同学们。