基于Yolov8_yolo11的河道塑料污染物体检测

关注专栏 不迷路 好文输出提醒中
关注专栏 不迷路 好文输出提醒中

关注专栏 不迷路 好文输出提醒中

河流中的塑料污染检测

塑料污染在海洋环境中已经成为全球性威胁，严重危害海洋物种、人类健康、食品安全以及沿海旅游业。每年全球生产超过3.5亿吨塑料，其中超过1500万吨最终进入世界各大海洋。随着塑料逐渐降解为微塑料，无论是宏观塑料还是微塑料，都对环境造成了严重影响。河流被认为是塑料进入海洋的主要来源，全球超过80%的河流塑料来自仅1000条河流。为应对海洋塑料污染，像“The Ocean Cleanup”这样的组织正在投入大量资源，专注于清理河流中的塑料垃圾。

项目简介

本项目展示了一个使用深度学习技术进行河流中塑料检测的Streamlit应用。该应用采用了先进的目标检测模型，如"YOLO（You Only Look Once）"，能够实时识别河流图像中的塑料污染。具体而言，该应用使用了预训练的YOLOv8m模型，该模型经过训练，能够识别和检测河流中可能存在的垃圾。这些垃圾在数据集中通过边界框进行了标注，并被分为四类：塑料袋、塑料瓶、其他塑料垃圾和无塑料垃圾。需要注意的是，部分图像可能不包含任何垃圾，因此这些图像被归类为“无塑料垃圾”。

通过本项目的应用，用户可以上传河流图像，系统将自动检测并标出图像中的塑料污染物，从而提高公众对河流塑料污染问题的意识，并为进一步的环境保护和清理工作提供支持。

数据集

本项目使用的数据集可以通过convert_to_yolo.py文件下载并转换为YOLO格式。这一数据集包含了许多潜在受到废弃物污染的河流图像，其中的垃圾通过边界框标注，主要包含以下几类：

• 塑料袋（Plastic Bags）
• 塑料瓶（Plastic Bottles）
• 其他塑料垃圾（Other Plastic Waste）
• 无塑料垃圾（No Plastic Waste）

该数据集被分为训练集和验证集，训练集包含3407张图像，验证集包含425张图像。数据集的结构经过YOLO格式转换后，用户可以将其直接用于模型的训练和测试。为了便于使用，数据集还提供了预处理脚本，能够自动完成从原始数据到YOLO格式的转换。

此外，项目中所用的YOLOv8m模型已经在此数据集上进行了预训练，因此用户可以直接使用该预训练模型进行塑料污染物检测，而无需从头开始训练模型。通过这种方式，用户可以减少训练时间，快速获得可靠的检测结果。

预处理与数据增强

为提高模型的准确性和鲁棒性，数据预处理和数据增强是本项目中的重要环节。以下是主要的预处理步骤和数据增强技术：

1. 图像尺寸调整：所有图像都被调整为416x416像素，以适配YOLO模型的输入要求。这一调整确保了图像的一致性，使模型能够在多种尺寸的图像中进行有效检测。

2. 自动旋转和翻转：为了增强模型对不同拍摄角度和视角的适应能力，图像进行了随机旋转和水平、垂直翻转。

3. 亮度和对比度调整：图像的亮度和对比度也进行了调整，以模拟不同光照条件下的场景，增强模型的泛化能力。

4. 随机裁剪和缩放：通过裁剪图像的不同部分，并随机缩放，模型能够学习到从不同区域识别塑料污染物的能力。

通过以上数据增强技术，模型能够从多角度、多场景下学习到更丰富的特征，从而在面对复杂环境时依然能够保持较高的检测准确性。

YOLO模型介绍

YOLO（You Only Look Once）是一种非常高效的目标检测算法，与传统的目标检测方法不同，YOLO采用了一种单一神经网络结构，能够同时进行目标分类和定位。YOLO的优点在于其速度快，能够实现实时检测，这对于实际应用非常重要。在本项目中，我们使用了YOLOv8m模型，它是YOLO系列中的一种优化版本，具有较高的检测精度和更小的计算负载，非常适合用于处理河流图像中的塑料垃圾检测任务。

YOLOv8m的优势

• 高精度检测：YOLOv8m在精度和速度方面做了优化，能够在较短时间内完成对图像中塑料污染物的检测。
• 高效性：相比于YOLOv5，YOLOv8m在保持较高精度的同时，减少了计算资源的消耗，能够在较低的硬件配置下运行。
• 实时性：YOLOv8m支持实时目标检测，非常适合用于河流污染物的在线监控和实时清理。

实验与测试

在实验过程中，项目使用了通过YOLO格式转换的河流图像数据集。以下是一些关键实验步骤和结果：

1. 训练模型：我们使用3407张训练集图像对YOLOv8m模型进行训练。经过数小时的训练，模型能够准确识别图像中的塑料袋、塑料瓶和其他塑料垃圾。验证集的结果显示，模型在处理各种光照和角度变化的图像时仍能够保持较高的准确度。

2. 评估模型性能：使用验证集对训练后的模型进行评估，结果显示，模型在准确性、召回率和F1分数方面表现良好。具体来说，模型能够准确识别出大部分的塑料垃圾，并且漏检率较低。

3. 实时检测测试：在Streamlit应用中集成YOLOv8m模型后，用户可以上传实时拍摄的河流图像，系统将自动识别并标记图像中的塑料污染物。测试结果表明，模型能够在数秒钟内处理图像并给出预测结果。

使用指南

如何使用

1. 你可以通过的代码库：

   
   cd plastic-detection
   

2. 安装依赖
   项目使用了Streamlit、PyTorch等库，因此需要安装相关依赖：

   pip install -r requirements.txt
   

3. 启动应用
   启动Streamlit应用：

   streamlit run app.py
   

4. 上传图像并检测
   启动应用后，用户可以在网页界面上传河流图像，系统会自动检测并标出图像中的塑料垃圾。

结论

通过本项目，我们成功开发了一个基于YOLOv8m模型的塑料污染检测系统，能够实时识别和定位河流中的塑料污染物。该系统不仅提高了对塑料污染问题的关注，还为环境保护工作提供了有效的技术支持。未来，随着技术的进一步发展，我们希望能够扩展该系统的功能，加入更多类型的污染物检测，并在更广泛的河流和水域中应用。通过这种智能化的监控和检测手段，我们可以为减少塑料污染，保护水资源和海洋生态环境贡献更多力量。