基于深度学习的舰船检测与识别系统：使用YOLOv10、UI界面及自定义数据集的实现

深度学习实战项目

于 2024-10-08 11:55:46 发布

阅读量409

点赞数 6

分类专栏： YOLOv10/v8/v7/v6/v5实战项目文章标签：深度学习 YOLO 人工智能 ui 目标检测图像处理计算机视觉

本文链接：https://blog.csdn.net/m0_52343631/article/details/142756084

版权

YOLOv10/v8/v7/v6/v5实战项目专栏收录该内容

135 篇文章 0 订阅

订阅专栏

1. 引言

随着全球航运业的快速发展，舰船的监测与管理变得愈发重要。基于深度学习的舰船检测与识别系统，可以有效地提高舰船的自动检测与分类能力，为海洋安全、航运管理及环境监测等领域提供强有力的技术支持。本文将详细介绍如何构建一个基于YOLOv10的舰船检测与识别系统，包括数据集的准备、模型的训练、系统的实现及用户界面的设计等内容。

2. 系统概述

2.1 系统功能

本系统主要实现以下功能：

实时舰船检测：通过摄像头或监控设备实时检测海域内的舰船，并标注其类型。
舰船分类：对检测到的舰船进行分类，如商船、渔船、军舰等。
数据记录与管理：记录每次检测结果，包括时间、位置、舰船类型等信息，以便于后续分析和管理。

2.2 技术架构

本系统的技术架构如下：

前端：使用PyQt5构建用户界面。
后端：采用YOLOv10进行深度学习舰船检测与识别。
数据存储：使用CSV或数据库记录检测结果。

3. 数据集准备

3.1 数据集选择

为了训练一个高效的舰船检测模型，需要一个包含多种类型舰船的标注数据集。我们可以选择以下几个公开数据集：

SeaShips Dataset：包含多种类型的舰船，适用于检测与识别任务。
Ship Detection Dataset：专为舰船检测设计，包含高质量的图像与标注信息。

3.2 数据集收集

数据集的收集可以通过以下方式进行：

下载公开数据集：直接从相关网站下载公开的舰船数据集。
自定义数据集：在海洋环境中拍摄舰船图像，并进行标注。

3.3 数据集标注

使用LabelImg或VOTT等工具对收集到的图像进行标注。标注格式采用YOLO格式，具体步骤如下：

打开LabelImg，选择需要标注的图像。
使用框选工具标记图像中的舰船，并为每个框指定标签（如“cargo_ship”、“fishing_boat”等）。
保存标注，生成相应的 .txt 文件。

3.4 数据集划分

将数据集划分为训练集、验证集和测试集，常用的划分比例为70%训练，15%验证，15%测试。确保每个数据集中都有足够的样本，以提高模型的泛化能力。

3.5 data.yaml 文件

以下是 data.yaml 文件的示例内容，配置数据集的路径和类别信息：

train: ./data/train
val: ./data/val

nc: 3
names: ['cargo_ship', 'fishing_boat', 'naval_vessel']

将上述内容保存为 data.yaml 文件，放置在项目根目录中。

4. 模型训练

4.1 环境准备

确保安装了以下软件包：

pip install torch torchvision torchaudio
pip install opencv-python PyQt5

4.2 YOLOv10模型下载

使用以下命令从Ultralytics GitHub仓库下载YOLOv10模型：

git clone https://github.com/ultralytics/yolov10.git
cd yolov10
pip install -r requirements.txt

4.3 训练模型

在数据集准备好后，可以开始训练YOLOv10模型。以下是训练模型的命令：

python train.py --img 640 --batch 16 --epochs 50 --data data.yaml --weights yolov10.pt

--img：输入图像的大小。
--batch：每个批次的样本数。
--epochs：训练的轮数。
--data：数据集配置文件路径。
--weights：预训练权重文件。

训练过程会输出训练和验证的损失曲线，确保模型逐步收敛。

5. 用户界面设计

5.1 UI设计思路

用户界面需要直观、简洁，便于用户操作。主要包含以下组件：

视频流显示区：实时显示摄像头捕捉到的视频流。
检测结果展示区：展示检测到的舰船信息及其类型。
开始/停止按钮：控制检测的开始与停止。

5.2 使用PyQt5构建UI

以下是一个简单的PyQt5用户界面代码示例：

import sys
import cv2
import torch
from PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QPushButton, QVBoxLayout, QWidget, QHBoxLayout
from PyQt5.QtGui import QImage, QPixmap
from PyQt5.QtCore import QTimer

class ShipDetectionApp(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("舰船检测与识别系统")
        self.setGeometry(100, 100, 800, 600)

        self.label = QLabel(self)
        self.label.resize(640, 480)

        self.start_button = QPushButton("开始检测", self)
        self.start_button.clicked.connect(self.start_detection)

        self.stop_button = QPushButton("停止检测", self)
        self.stop_button.clicked.connect(self.stop_detection)

        self.layout = QVBoxLayout()
        self.layout.addWidget(self.label)
        self.layout.addWidget(self.start_button)
        self.layout.addWidget(self.stop_button)

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

        # 加载YOLOv10模型
        self.model = torch.hub.load('ultralytics/yolov10', 'custom', path='runs/train/exp/weights/best.pt')

    def start_detection(self):
        self.cap = cv2.VideoCapture(0)
        self.timer = QTimer()
        self.timer.timeout.connect(self.update_frame)
        self.timer.start(20)  # 每20ms更新一次视频帧

    def update_frame(self):
        ret, frame = self.cap.read()
        if ret:
            results = self.model(frame)
            frame = results.render()[0]
            frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
            h, w, ch = frame.shape
            bytes_per_line = ch * w
            q_img = QImage(frame.data, w, h, bytes_per_line, QImage.Format_RGB888)
            self.label.setPixmap(QPixmap.fromImage(q_img))

    def stop_detection(self):
        self.timer.stop()
        self.cap.release()
        self.label.clear()

    def closeEvent(self, event):
        self.cap.release()
        event.accept()

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

5.3 界面功能实现

在用户界面中，用户可以通过点击“开始检测”按钮启动实时舰船检测，并在界面上看到检测结果。同时，可以通过“停止检测”按钮停止检测。

6. 系统实现

6.1 系统运行步骤

准备数据集：按照前述步骤准备数据集并标注。
训练模型：使用YOLOv10训练模型。
构建UI：使用PyQt5构建用户界面。
运行系统：运行Python脚本启动舰船检测与识别系统。

6.2 结果展示

在系统运行后，用户可以实时查看海域内的舰船情况，检测到的舰船将以矩形框的形式显示在视频流上。检测结果将自动更新，便于用户进行实时监控。

6.3 数据记录

为方便后续分析和管理，系统将每次检测结果记录到CSV文件中，包含时间戳、舰船类型等信息。

import pandas as pd
import datetime

def log_detection(ship_type):
    now = datetime.datetime.now()
    log_entry = {'timestamp': now, 'ship_type': ship_type}
    log_df = pd.DataFrame([log_entry])
    log_df.to_csv('detection_log.csv', mode='a', header=False, index=False)