【大作业-19】设备漏油检测模型，YOLOv5/v8/11/12+PyQt+MySQL

宋大水

已于 2025-09-26 16:26:56 修改

阅读量787

点赞数 14

CC 4.0 BY-SA版权

文章标签： YOLO pyqt 课程设计深度学习数据库 mysql

于 2025-09-05 16:45:36 首次发布

本文链接：https://blog.csdn.net/fzzazy/article/details/151226147

YOLO+PyQt+MySQL，设备漏油检测模型

1. 前言

大家好，这里是宋大水，今天给大家分享的是设备漏油检测模型，主要用到的技术包括YOLO目标检测模型、MySQL数据库和PyQt的检测界面。工作量有登录、注册、图片检测、视频检测和摄像头流的检测，五次对比试验（YOLOv5s，YOLOv8s，YOLO11s，YOLO12s和基于transformer的RT-DETR）。

2. 项目展示

2.1 五次对比试验

仅展示部分数据，文档中包含所有数据

	P	R	mAP	mAP50-95	参数量（M）	GFLOPs	FPS(4060TI)
YOLOv5s						23.8	112.6
YOLOv8s	0.915	0.845	0.88	0.59	21.4	28.4	124.2
YOLO11s						21.3	123.6
YOLO12s						21.2	102.6
RT-DETR	0.82	0.775	0.801	0.549	63.1	103.5	54.5

选择了目前主流的v5，v8，11，12和RT-DERT这五个模型进行训练，从表中可以看出RT-DERT它的FPS的数值很低，所以如果想要一个在精度和推理速度相平衡的模型来说，YOLO系列检测模型无疑还是比较好的选择，在YOLO系列的这四个模型中，YOLO11s的检测性能相对来说是最好的。

2.2 登录界面

这个界面由PyQt设计，具备两个功能，一个是登录功能，一个是注册功能，使用了MySQL数据库，因此我们在登录前首先要配置好数据库，才可以进行注册和登录，登录进去后进行目标检测功能。

2.3 检测界面

这个检测界面也是由PyQt所设计的，所以可以选择四个检测模型pt文件，分别是v5,v8,11和12，选择需要检测的资源，例如图片，视频，摄像头和rtsp流，设置好置信度和IOU，选择是否要将检测结果保存到文件夹，然后点击下方的推理按钮即可开始推理检测。

2.4 训练结果部分展示

在这里展示一些重要的训练结果图片（F1曲线、P-R曲线、训练结果和训练图片）

2.5 资源获取

大家可以点击顶端的B站视频评论区置顶链接即可获取相关资源。

3. 代码运行

3.1 数据集

本实验数据集是一个设备漏油数据集，一个类别，部分图像如下图所示。

data.yaml配置文件如下：

3.2 python环境配置

本代码运行需要安装一些深度学习包，例如PyTorch，Torchvision，opencv，ultralytics等。

深度学习环境的三种搭建方式（彻底理解安装逻辑和步骤）

大家可以看上面这个视频学习如何安装深度学习环境。

3.3 mysql数据库

因为登录和注册功能使用到了MySQL数据库，所以我们需要安装配置下这个数据库，只需用该文件中的安装包安装mysql8数据库，然后将下面这个sql语句导入到数据库中，并且配置下LoginWindows.py文件的数据库用户名和密码即可使用。

这就是本次给大家分享的目标检测项目，如需更加详细的信息，可以看置顶的B站视频，谢谢。