项目介绍
项目中所用到的算法模型和数据集等信息如下:
算法模型:
yolov8
yolov8主要包含以下几种创新:
1. 添加注意力机制(SE
、CBAM
等)
2. 修改可变形卷积(DySnake
-主干c3
替换、DySnake-所有c3替换)
数据集:
网上下载的数据集,大约5000张左右,详细介绍见数据集介绍部分。
以上是本套代码的整体算法架构和对目标检测模型的修改说明,这些模型修改可以为您的 毕设、作业等提供创新点和增强模型性能的功能 。
如果要是需要更换其他的检测模型,请私信。
注:本项目提供所用到的所有资源,包含 环境安装包、训练代码、测试代码、数据集、视频文件、 界面UI文件
等。
本人承诺:所有的系统,都是本人自己编写代码,我不是二次售卖的二手贩子,我是有售后的,本人亲自语音或者远程解决问题。最近发现有一些专门做毕设的购买系统后,进行二次售卖,而且价格贵很多,大家注意辨别。我敢保证说,外面见到的有这种美观界面的,都是从我这购买后,要么稍微改了一丢丢布局,要么,一点都没改,就直接卖的,都是打着有售后的旗子,最后啥也不是。希望大家不要被骗。
项目简介
本文将详细介绍如何使用深度学习中的YOLOv8算法实现对垃圾的检测,并对检测到的垃圾进行分类,且利用PyQt5设计了简约的系统UI界面。在界面中,您可以选择自己的视频文件、图片文件进行检测。此外,您还可以更换自己训练的yolov8模型,进行自己数据的检测。
该系统界面优美,检测精度高,功能强大。它具备多目标实时检测,同时可以自由选择感兴趣的检测目标。
本博文提供了完整的Python程序代码和使用教程,适合新入门的朋友参考。您可以在文末的下载链接中获取完整的代码资源文件。以下是本博文的目录:
效果展示:
功能:
1. 支持单张图片识别
2. 支持遍历文件夹识别
3. 支持识别视频文件
4. 支持结果导出(xls、csv两种格式)
5. 支持切换检测到的目标
🌟一、环境安装
本项目提供所有需要的环境安装包(python、pycharm、cuda、torch
等),可以直接按照视频讲解进行安装。具体的安装流程见此视频:视频链接
环境安装视频是以车牌项目为例进行讲解的,但是可以适用于任何项目。
视频快进到 3:18 - 21:17
,这段时间讲解的是环境安装,可直接快进到此处观看。
环境安装包可通过百度网盘下载:
链接:https://pan.baidu.com/s/17SZHeVZrpXsi513D-6KmQw?pwd=a0gi
提取码:a0gi
–来自百度网盘超级会员V6的分享
上面这个方法,是比较便捷的安装方式(省去了安装细节),按照我的视频步骤和提供的安装包安装即可,如果要是想要多学一点东西,可以按照下面的安装方式走一遍,会更加熟悉。
环境安装方法2:
追求快速安装环境的,只看上面即可!!!
下面列出了5个步骤,是完全从0开始安装(可以理解为是一台新电脑,没有任何环境),如果某些步骤已经安装过的可以跳过。下面的安装步骤带有详细的视频讲解和参考博客,一步一步来即可。另外视频中讲解的安装方法是通用的,可用于任何项目
。
按照上面的步骤安装完环境后,就可以直接运行程序,看到效果了。
🌟二、数据集介绍
我们使用的数据集是从网上下载的,该数据集共有约5000
张图像,具体的类别如下:
1. 可回收物:
- 电源银行(Power bank)
- 袋子(Bag)
- 化妆品用品(Toiletries)
- 塑料玩具(Plastic toys)
- 塑料餐具(Plastic dishes)
- 塑料衣架(Plastic hangers)
- 玻璃餐具(Glass dishes)
- 金属餐具(Metal dishes)
- 快递袋(Express delivery bag)
- 插头和电线(Plug and wire)
- 旧衣服(Old clothes)
- 铝罐(Aluminum can)
- 枕头(Pillow)
- 毛绒玩具(Plush toy)
- 鞋子(Shoes)
- 切菜板(Cutting board)
- 纸板盒子(Cardboard box)
- 调料瓶(Seasoning bottle)
- 酒瓶(Wine bottle)
- 金属食品罐(Metal food cans)
- 金属厨具(Metal kitchenware)
- 锅(Pot)
- 食用油桶(Edible oil barrel)
- 饮料瓶(Beverage bottle)
- 书纸(Book paper)
- 垃圾桶(Trash bin)
- 塑料厨具(Plastic kitchenware)
- 毛巾(Towel)
- 纸袋(Paper bag)
- 饮料纸盒(Beverage carton)
2. 厨余垃圾:
- 剩饭剩菜(Leftover food)
- 大骨头(Large bone)
- 水果皮和果肉(Fruit peel and flesh)
- 茶渣(Tea residue)
- 蔬菜茎叶(Vegetable stalks and leaves)
- 蛋壳(Eggshell)
- 鱼骨(Fish bones)
3. 有害垃圾:
- 干电池(Dry battery)
- 药膏(Ointment)
- 过期药物(Expired medicine)
4. 其他垃圾:
- 快餐盒(Fast food container)
- 受污染的塑料(Contaminated plastic)
- 烟蒂(Cigarette butt)
- 牙签(Toothpick)
- 花盆(Flower pot)
- 陶瓷餐具(Ceramic dishes)
- 筷子(Chopsticks)
- 受污染的纸张(Contaminated paper)
为了方便使用,数据集已经进行了标注,且转为了转换为YOLO
格式,并且按照train、val
和test
的划分进行了组织。您可以直接使用这些数据集进行模型的训练和评估。
下面是一些数据集图片的截图,展示了具体的数据集的示例图像,以帮助您更好地了解数据集的内容和质量。
🌟三、 目标检测介绍
yolov8相关介绍
YOLOv8 是一个 SOTA 模型,它建立在以前 YOLO 版本的成功基础上,并引入了新的功能和改进,以进一步提升性能和灵活性。具体创新包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数,可以在从 CPU 到 GPU 的各种硬件平台上运行。
不过 ultralytics 并没有直接将开源库命名为 YOLOv8,而是直接使用 ultralytics 这个词,原因是 ultralytics 将这个库定位为算法框架,而非某一个特定算法,一个主要特点是可扩展性。其希望这个库不仅仅能够用于 YOLO 系列模型,而是能够支持非 YOLO 模型以及分类分割姿态估计等各类任务。
总而言之,ultralytics 开源库的两个主要优点是:
-
融合众多当前 SOTA 技术于一体
-
未来将支持其他 YOLO 系列以及 YOLO 之外的更多算法
网络结构如下:
四、 yolov8训练步骤
此代码的训练步骤极其简单,不需要修改代码,直接通过cmd
就可以命令运行,命令都已写好,直接复制即可,命令如下图:
下面这条命令是 训练 添加 CBAM 注意力机制的命令,复制下来,直接就可以运行,看到训练效果(需要将coco_NEU-DET.yaml替换为自己的数据集的yaml文件)。
python ./train.py --epochs 500 --cfg models/yolov5s-CBAM-2.yaml --hyp data/hyps/hyp.scratch-low.yaml --data data/coco_NEU-DET.yaml --weight weights/yolov5s.pt --workers 4 --batch 16
执行完上述命令后,即可完成训练,训练过程如下:
下面是对命令中各个参数的详细解释说明:
-
python
: 这是Python解释器的命令行执行器,用于执行后续的Python脚本。 -
./train.py
: 这是要执行的Python脚本文件的路径和名称,它是用于训练目标检测模型的脚本。 -
--epochs 500
: 这是训练的总轮数(epochs),指定为500,表示训练将运行500个轮次。 -
--cfg models/yolov5s-CBAM-2.yaml
: 这是YOLOv5模型的配置文件的路径和名称,它指定了模型的结构和参数设置。 -
--hyp data/hyps/hyp.scratch-low.yaml
: 这是超参数文件的路径和名称,它包含了训练过程中的各种超参数设置,如学习率、权重衰减等。 -
--data data/coco_NEU-DET.yaml
: 这是数据集的配置文件的路径和名称,它指定了训练数据集的相关信息,如类别标签、图像路径等。 -
--weight weights/yolov5s.pt
: 这是预训练权重文件的路径和名称,用于加载已经训练好的模型权重以便继续训练或进行迁移学习。 -
--workers 4
: 这是用于数据加载的工作进程数,指定为4,表示使用4个工作进程来加速数据加载。 -
--batch 16
: 这是每个批次的样本数,指定为16,表示每个训练批次将包含16个样本。
通过运行上面这个命令,您将使用YOLOv5模型对目标检测任务进行训练,训练500个轮次,使用指定的配置文件、超参数文件、数据集配置文件和预训练权重。同时,使用4个工作进程来加速数据加载,并且每个训练批次包含16个样本。
五、 yolov8评估步骤
评估步骤同训练步骤一样,执行1行语句即可,注意--weights
需要变为自己想要测试的模型路径, VOC_helmet.yaml
替换为自己的数据集的yaml文件。
python ./val.py --data data/VOC_helmet.yaml --weights ../weights/yolov5s.yaml/weights/best.pt
评估结果如下:
六、 训练结果
我们每次训练后,会在 run/train 文件夹下出现一系列的文件,如下图所示:
🌟下载链接
该代码采用Pycharm
+Python3.8
开发,经过测试能成功运行,运行界面的主程序为main.py
,提供用到的所有程序。为确保程序顺利运行,请按照requirements.txt
配置Python依赖包的版本。Python版本:3.8,为避免出现运行报错,请勿使用其他版本,详见requirements.txt
文件;
若您想获得博文中涉及的实现完整全部程序文件(包括训练代码、测试代码、训练数据、测试数据、视频,py、 UI文件等
,如下图),这里已打包上传至博主的面包多
平台,可通过下方项目讲解链接中的视频简介部分下载
,完整文件截图如下:
项目演示讲解链接:B站