基于YOLOv8的足球赛环境下足球目标检测系统（Python源码+Pyqt6界面+数据集）

最新推荐文章于 2025-03-05 21:20:37 发布

AI小怪兽

最新推荐文章于 2025-03-05 21:20:37 发布

阅读量1.8k

点赞数 20

分类专栏：深度学习实战应用案列108篇文章标签： YOLO 目标检测 python 计算机视觉深度学习人工智能

本文链接：https://blog.csdn.net/m0_63774211/article/details/135939681

版权

深度学习实战应用案列108篇专栏收录该内容

127 篇文章

订阅专栏

本文详细介绍了基于YOLOv8的足球目标检测系统，包括算法原理、数据集划分、训练过程（使用PyTorch和YOLOv8配置）、以及如何利用PySide6开发的GUI进行可视化和参数调整。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

博主简介

AI小怪兽，YOLO骨灰级玩家，1）YOLOv5、v7、v8优化创新，轻松涨点和模型轻量化；2）目标检测、语义分割、OCR、分类等技术孵化，赋能智能制造，工业项目落地经验丰富；

原创自研系列，paper级别创新， 2024年计算机视觉顶会创新点

《YOLOv8原创自研》

《YOLOv5原创自研》

《YOLOv7原创自研》

23年最火系列，内涵80+优化改进篇，涨点小能手，助力科研，好评率极高

应用系列篇：

💡💡💡本文主要内容:详细介绍了足球赛环境下足球目标检测系统，在介绍算法原理的同时，给出Pytorch的源码、训练数据集以及PyQt6的UI界面。在界面中可以选择各种图片、视频进行检测识别，可进行置信度、Iou阈值设定，结果可视化等。

1.数据集介绍

数据集大小一共2724张，，按照8:1:1进行训练集、验证集、测试集随机区分。

一共只有一个类别，为football

细节图：

2.基于YOLOv8的球赛环境下足球目标检测

2.1 修改football.yaml


path: ./data/football # dataset root dir
train: train.txt  # train images (relative to 'path') 118287 images
val: val.txt  # val images (relative to 'path') 5000 images
 
# number of classes
nc: 1
 
# class names
names:
  0: football

2.2 开启训练

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('ultralytics/cfg/models/v8/yolov8.yaml')
    model.train(data='data/football/football.yaml',
                cache=False,
                imgsz=640,
                epochs=100,
                batch=16,
                close_mosaic=10,
                workers=0,
                device='0',
                optimizer='SGD', # using SGD
                project='runs/train',
                name='exp',
                )

3.训练结果分析

F1_curve.png：F1分数与置信度（x轴）之间的关系。F1分数是分类的一个衡量标准，是精确率和召回率的调和平均函数，介于0，1之间。越大越好。

TP：真实为真，预测为真；

FN：真实为真，预测为假；

FP：真实为假，预测为真；

TN：真实为假，预测为假；

精确率（precision）=TP/(TP+FP)

召回率(Recall)=TP/(TP+FN)

F1=2*（精确率*召回率）/（精确率+召回率）

PR_curve.png ：PR曲线中的P代表的是precision（精准率），R代表的是recall（召回率），其代表的是精准率与召回率的关系。

R_curve.png ：召回率与置信度之间关系

results.png

mAP_0.5:0.95表示从0.5到0.95以0.05的步长上的平均mAP.

预测结果：

4. 球赛环境下足球目标检测系统设计

4.1 PySide6介绍

受益于人工智能的崛起，Python语言几乎以压倒性优势在众多编程语言中异军突起，成为AI时代的首选语言。在很多情况下，我们想要以图形化方式将我们的人工智能算法打包提供给用户使用，这时候选择以python为主的GUI框架就非常合适了。

PySide是Qt公司的产品，PyQt是第三方公司的产品，二者用法基本相同，不过在使用协议上却有很大差别。PySide可以在LGPL协议下使用，PyQt则在GPL协议下使用。

PySide目前常见的有两个版本：PySide2和PySide6。PySide2由C++版的Qt5开发而来.，而PySide6对应的则是C++版的Qt6。从PySide6开始，PySide的命名也会与Qt的大版本号保持一致，不会再出现类似PySide2对应Qt5这种容易混淆的情况。

4.2 安装PySide6

pip install --upgrade pip
pip install pyside6 -i https://mirror.baidu.com/pypi/simple

基于PySide6开发GUI程序包含下面三个基本步骤：

设计GUI，图形化拖拽或手撸；
响应UI的操作（如点击按钮、输入数据、服务器更新），使用信号与Slot连接界面和业务；
打包发布；

4.3 球赛环境下足球目标系统设计

运行

python main.py