《博主简介》
小伙伴们好,我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源,可关注公-仲-hao:【阿旭算法与机器学习】,共同学习交流~
👍感谢小伙伴们点赞、关注!
《------往期经典推荐------》
二、机器学习实战专栏【链接】,已更新31期,欢迎关注,持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
《------正文------》
基本功能演示
摘要:
智能鸟类检测与识别系统
在生态保护、科学研究、野生动物监测、以及生态旅游等领域扮演着举足轻重的角色。本文基于YOLOv8深度学习框架
,通过11788张图片
,训练了一个进行鸟类智能检测与识别
的目标检测模型,可检测200种不同鸟类
。并基于此模型开发了一款带UI界面的鸟类智能检测与识别系统
,可用于实时检测场景中的不同鸟类
,更方便进行功能的展示。该系统是基于python
与PyQT5
开发的,支持图片
、视频
以及摄像头
进行目标检测
,并保存检测结果
。本文提供了完整的Python代码和使用教程,给感兴趣的小伙伴参考学习,完整的代码资源文件获取方式见文末。
文章目录
前言
智能鸟类检测与识别系统
在生态保护、科学研究、野生动物监测、以及生态旅游等领域扮演着举足轻重的角色。
首先,这类系统对
生态保护
有极其重要的影响,它能够帮助研究者和保护人员准确地监测鸟类种群的动态,评估受保护区域的生物多样性,及时发现稀有或濒危鸟种,从而制定更有效的保护措施。
其次,在科学研究
领域,智能识别系统能够提供大量精确的鸟类观察数据,协助研究人员进行行为学、迁徙学和生态学的研究,加深人们对鸟类习性及其生态系统的理解。在野生动物监测方面,智能检测系统可以减少人为干扰,提高数据的收集效率和准确度,助力森林管理及非法狩猎的预防。
此外,在生态旅游业
,鸟类检测与识别技术可以提升游客的体验,实现自动化识别和解说服务,让游客更深入地了解自然界的奥妙。
综上所述,智能鸟类检测与识别系统具有广阔的应用前景,不仅可以促进生态环境保护,还能够支持科学研究,提高监测效率,且对于推动生态文明建设和发展生态旅游具有积极作用。
博主通过搜集不同种类的鸟类
的相关数据图片,根据YOLOv8的目标检测技术,基于python与Pyqt5
开发了一款界面简洁的鸟类智能检测与识别系统
,可支持图片、视频以及摄像头检测
,同时可以将图片或者视频检测结果进行保存
。
软件初始界面如下图所示:
检测结果界面如下:
一、软件核心功能介绍及效果演示
软件主要功能
1. 可进行200种鸟类的检测与识别
,具体鸟类名称见数据集介绍部分;
2. 支持图片、视频及摄像头
进行检测,同时支持图片的批量检测
;
3. 界面可实时显示目标位置
、目标总数
、置信度
、用时
等信息;
4. 支持图片
或者视频
的检测结果保存
;
(1)图片检测演示
点击图片
图标,选择需要检测的图片,或者点击文件夹图标
,选择需要批量检测图片所在的文件夹,操作演示如下:
点击目标下拉框后,可以选定指定目标的结果信息进行显示。 点击保存
按钮,会对视频检测结果进行保存,存储路径为:save_data
目录下。
注:1.右侧目标位置默认显示置信度最大一个目标位置。所有检测结果均在左下方表格中显示。
单个图片检测操作如下:
批量图片检测操作如下:
(2)视频检测演示
点击视频
图标,打开选择需要检测的视频,就会自动显示检测结果。点击保存
按钮,会对视频检测结果进行保存,存储路径为:save_data
目录下。
(3)摄像头检测演示
点击摄像头
图标,可以打开摄像头,可以实时进行检测,再次点击摄像头
图标,可关闭摄像头。
(4)保存图片与视频检测结果
点击保存
按钮后,会将当前选择的图片【含批量图片】或者视频
的检测结果进行保存。检测的图片与视频结果会存储在save_data
目录下。
二、模型的训练、评估与推理
1.YOLOv8的基本原理
YOLOv8是一种前沿的目标检测技术,它基于先前YOLO版本在目标检测任务上的成功,进一步提升了性能和灵活性。主要的创新点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
。
其主要网络结构如下:
2. 数据集准备与训练
通过网络上搜集关于不同鸟类的各类图片
,并使用LabelMe标注工具对每张图片中的目标边框(Bounding Box)及类别进行标注。一共包含11788张图片
,其中训练集包含5994张图片
,验证集包含5794张图片
,部分图像及标注如下图所示。
具体200种鸟类名称如下:
[“黑足信天翁”, “黑脚信天翁”, “黄脚信天翁”, “廓嘴安尼鸟”, “冠燕鸥”, “小艾基”, “鹦哥艾基”, “犀牛艾基”, “布氏黑鸟”, “红翅黑鸟”, “锈黑鸟”, “黄头黑鸟”, “黑喉鹀”, “靛蓝鹀”, “翠蓝鹀”, “彩鹀”, “北美红雀”, “斑点猫鸟”, “灰猫鸟”, “黄胸歌美洲鹀”, “东方红尾鸫”, “查克威尔威多”, “勃兰特鸬鹚”, “红脸鸬鹚”, “远洋鸬鹚”, “铜牛鸟”, “亮牛鸟”, “棕旋木莺”, “美洲乌鸦”, “鱼鸦”, “黑嘴杜鹃”, “红树杜鹃”, “黄嘴杜鹃”, “灰顶玫瑰雀”, “紫雀”, “北榄仙鹟”, “阿卡迪亚捕蝇鸟”, “大冠鹟”, “小鹟”, “橄榄侧鹟”, “剪翅鹟”, “朱红鹟”, “黄腹鹟”, “军舰鸟”, “北风鸦”, “赤膀鸭”, “美洲金翅雀”, “欧洲金翅雀”, “船尾椋鸟”, “角䴙䴘”, “长菊头鹬”, “枕菊部䴙䴘”, “西部䴙䴘”, “蓝色蜡嘴鸟”, “黄腹蜡嘴鸟”, “松蜡嘴鸟”, “玫瑰胸蜡嘴鸟”, “鸽鸽鸥”, “加州鸥”, “冰翼鸥”, “黑脚鸥”, “银鸥”, “象牙鸥”, “环嘴鸥”, “板翼鸥”, “西部鸥”, “安娜蜂鸟”, “红喉蜂鸟”, “棕蜂鸟”, “绿紫耳”, “长尾贼鹰”, “庞巴利贼鹰”, “蓝鸦”, “佛罗里达鸦”, “绿鸦”, “暗眼灯草鹀”, “热带王鹟”, “灰王鹟”, “环带翠鸟”, “绿翠鸟”, “派群翠鸟”, “环颈翠鸟”, “白胸翠鸟”, “红腿三趾鸥”, “角百灵”, “太平洋潜鸟”, “绿头鸭”, “西部草地百灵”, “冠秋沙鸭”, “赤胸秋沙鸭”, “知更鸟”, “夜鹰”, “克拉克的花栗鼠”, “白胸鳾”, “巴尔的摩椋鸟”, “头巾椋鸟”, “果园椋鸟”, “斯科特椋鸟”, “炉鹛”, “棕鹈”, “白鹈”, “西部啸喜鹊”, “赛氏啸鸫”, “美洲鹨”, “尖嘴夜鹰”, “角蒲鹫”, “普通鸦”, “白颈鸦”, “美洲红尾鹞”, “庚科考科克斯”, “红尾伯劳”, “大灰伯劳”, “白德麻雀”, “黑喉麻雀”, “布氏麻雀”, “尖嘴麻雀”, “白腹麻雀”, “家麻雀”, “田麻雀”, “狐麻雀”, “蚱蝉麻雀”, “哈里斯麻雀”, “亨斯洛麻雀”, “勒康德麻雀”, “林肯麻雀”, “纳尔逊尖尾麻雀”, “沙麻雀”, “海边麻雀”, “宋麻雀”, “树麻雀”, “夜麻雀”, “白冠麻雀”, “白喉麻雀”, “斑点椋鸟”, “崖燕”, “谷仓燕”, “悬崖燕”, “树燕”, “朱雀”, “夏季红雀”, “北极燕鸥”, “黑燕鸥”, “里海燕鸥”, “普通燕鸥”, “优雅燕鸥”, “福斯特燕鸥”, “小燕鸥”, “带尾鹛”, “棕色刺莺”, “鼠莺”, “黑顶莺”, “蓝头莺”, “费城莺”, “红眼莺”, “唱歌莺”, “白眼莺”, “黄喉莺”, “海湾胸莺”, “黑白莺”, “黑喉蓝莺”, “蓝翅莺”, “加拿大莺”, “角胸莺”, “天蓝莺”, “栗侧莺”, “金翅莺”, “兜帽莺”, “肯塔基莺”, “玉带莺”, “悲莺”, “野莺”, “纳什维尔莺”, “冕黄莺”, “棕榈莺”, “松莺”, “草原莺”, “金水莺”, “斯旺氏莺”, “田纳西莺”, “威尔逊莺”, “蠕虫吃莺”, “黄莺”, “北方水莺”, “路易斯安那水莺”, “波西米亚蜡嘴雀”, “雪松蜡嘴雀”, “美洲三趾啄木鸟”, “黑背啄木鸟”, “红腹啄木鸟”, “红冠啄木鸟”, “红头啄木鸟”, “绒毛啄木鸟”, “比威克鹪鹩”, “仙人掌鹪鹩”, “卡罗来纳鹪鹩”, “家用鹪鹩”, “沼泽鹪鹩”, “岩石鹪鹩”, “冬鹪鹩”, “普通黄喉”]
图片数据的存放格式如下,在项目目录中新建datasets
目录,同时将检测的图片分为训练集与验证集放入BirdData
目录下。
同时我们需要新建一个data.yaml
文件,用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时,会读取该文件的信息,用于进行模型的训练与验证。data.yaml
的具体内容如下:
train: E:\MyCVProgram\BirdDetection\datasets\BirdData\images\train
val: E:\MyCVProgram\BirdDetection\datasets\BirdData\images\val
nc: 200
names: ['Black_footed_Albatross', 'Laysan_Albatross', 'Sooty_Albatross', 'Groove_billed_Ani', 'Crested_Auklet', 'Least_Auklet', 'Parakeet_Auklet', 'Rhinoceros_Auklet', 'Brewer_Blackbird', 'Red_winged_Blackbird', 'Rusty_Blackbird', 'Yellow_headed_Blackbird', 'Bobolink', 'Indigo_Bunting', 'Lazuli_Bunting', 'Painted_Bunting', 'Cardinal', 'Spotted_Catbird', 'Gray_Catbird', 'Yellow_breasted_Chat', 'Eastern_Towhee', 'Chuck_will_Widow', 'Brandt_Cormorant', 'Red_faced_Cormorant', 'Pelagic_Cormorant', 'Bronzed_Cowbird', 'Shiny_Cowbird', 'Brown_Creeper', 'American_Crow', 'Fish_Crow', 'Black_billed_Cuckoo', 'Mangrove_Cuckoo', 'Yellow_billed_Cuckoo', 'Gray_crowned_Rosy_Finch', 'Purple_Finch', 'Northern_Flicker', 'Acadian_Flycatcher', 'Great_Crested_Flycatcher', 'Least_Flycatcher', 'Olive_sided_Flycatcher', 'Scissor_tailed_Flycatcher', 'Vermilion_Flycatcher', 'Yellow_bellied_Flycatcher', 'Frigatebird', 'Northern_Fulmar', 'Gadwall', 'American_Goldfinch', 'European_Goldfinch', 'Boat_tailed_Grackle', 'Eared_Grebe', 'Horned_Grebe', 'Pied_billed_Grebe', 'Western_Grebe', 'Blue_Grosbeak', 'Evening_Grosbeak', 'Pine_Grosbeak', 'Rose_breasted_Grosbeak', 'Pigeon_Guillemot', 'California_Gull', 'Glaucous_winged_Gull', 'Heermann_Gull', 'Herring_Gull', 'Ivory_Gull', 'Ring_billed_Gull', 'Slaty_backed_Gull', 'Western_Gull', 'Anna_Hummingbird', 'Ruby_throated_Hummingbird', 'Rufous_Hummingbird', 'Green_Violetear', 'Long_tailed_Jaeger', 'Pomarine_Jaeger', 'Blue_Jay', 'Florida_Jay', 'Green_Jay', 'Dark_eyed_Junco', 'Tropical_Kingbird', 'Gray_Kingbird', 'Belted_Kingfisher', 'Green_Kingfisher', 'Pied_Kingfisher', 'Ringed_Kingfisher', 'White_breasted_Kingfisher', 'Red_legged_Kittiwake', 'Horned_Lark', 'Pacific_Loon', 'Mallard', 'Western_Meadowlark', 'Hooded_Merganser', 'Red_breasted_Merganser', 'Mockingbird', 'Nighthawk', 'Clark_Nutcracker', 'White_breasted_Nuthatch', 'Baltimore_Oriole', 'Hooded_Oriole', 'Orchard_Oriole', 'Scott_Oriole', 'Ovenbird', 'Brown_Pelican', 'White_Pelican', 'Western_Wood_Pewee', 'Sayornis', 'American_Pipit', 'Whip_poor_Will', 'Horned_Puffin', 'Common_Raven', 'White_necked_Raven', 'American_Redstart', 'Geococcyx', 'Loggerhead_Shrike', 'Great_Grey_Shrike', 'Baird_Sparrow', 'Black_throated_Sparrow', 'Brewer_Sparrow', 'Chipping_Sparrow', 'Clay_colored_Sparrow', 'House_Sparrow', 'Field_Sparrow', 'Fox_Sparrow', 'Grasshopper_Sparrow', 'Harris_Sparrow', 'Henslow_Sparrow', 'Le_Conte_Sparrow', 'Lincoln_Sparrow', 'Nelson_Sharp_tailed_Sparrow', 'Savannah_Sparrow', 'Seaside_Sparrow', 'Song_Sparrow', 'Tree_Sparrow', 'Vesper_Sparrow', 'White_crowned_Sparrow', 'White_throated_Sparrow', 'Cape_Glossy_Starling', 'Bank_Swallow', 'Barn_Swallow', 'Cliff_Swallow', 'Tree_Swallow', 'Scarlet_Tanager', 'Summer_Tanager', 'Artic_Tern', 'Black_Tern', 'Caspian_Tern', 'Common_Tern', 'Elegant_Tern', 'Forsters_Tern', 'Least_Tern', 'Green_tailed_Towhee', 'Brown_Thrasher', 'Sage_Thrasher', 'Black_capped_Vireo', 'Blue_headed_Vireo', 'Philadelphia_Vireo', 'Red_eyed_Vireo', 'Warbling_Vireo', 'White_eyed_Vireo', 'Yellow_throated_Vireo', 'Bay_breasted_Warbler', 'Black_and_white_Warbler', 'Black_throated_Blue_Warbler', 'Blue_winged_Warbler', 'Canada_Warbler', 'Cape_May_Warbler', 'Cerulean_Warbler', 'Chestnut_sided_Warbler', 'Golden_winged_Warbler', 'Hooded_Warbler', 'Kentucky_Warbler', 'Magnolia_Warbler', 'Mourning_Warbler', 'Myrtle_Warbler', 'Nashville_Warbler', 'Orange_crowned_Warbler', 'Palm_Warbler', 'Pine_Warbler', 'Prairie_Warbler', 'Prothonotary_Warbler', 'Swainson_Warbler', 'Tennessee_Warbler', 'Wilson_Warbler', 'Worm_eating_Warbler', 'Yellow_Warbler', 'Northern_Waterthrush', 'Louisiana_Waterthrush', 'Bohemian_Waxwing', 'Cedar_Waxwing', 'American_Three_toed_Woodpecker', 'Pileated_Woodpecker', 'Red_bellied_Woodpecker', 'Red_cockaded_Woodpecker', 'Red_headed_Woodpecker', 'Downy_Woodpecker', 'Bewick_Wren', 'Cactus_Wren', 'Carolina_Wren', 'House_Wren', 'Marsh_Wren', 'Rock_Wren', 'Winter_Wren', 'Common_Yellowthroat']
注:train与val后面表示需要训练图片的路径,建议直接写自己文件的绝对路径。
数据准备完成后,通过调用train.py
文件进行模型训练,epochs
参数用于调整训练的轮数,batch
参数用于调整训练的批次大小【根据内存大小调整,最小为1】,代码如下:
# 加载模型
model = YOLO("yolov8n.pt") # 加载预训练模型
# Use the model
if __name__ == '__main__':
# Use the model
results = model.train(data='datasets/BirdData/data.yaml', epochs=300, batch=4) # 训练模型
# 将模型转为onnx格式
# success = model.export(format='onnx')
3. 训练结果评估
在深度学习中,我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv8在训练时主要包含三个方面的损失:定位损失(box_loss)、分类损失(cls_loss)和动态特征损失(dfl_loss),在训练结束后,可以在runs/
目录下找到训练过程及结果文件,如下所示:
各损失函数作用说明:
定位损失box_loss
:预测框与标定框之间的误差(GIoU),越小定位得越准;
分类损失cls_loss
:计算锚框与对应的标定分类是否正确,越小分类得越准;
动态特征损失(dfl_loss)
:DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时,目标框需要缩放到特征图尺度,即除以相应的stride,并与预测的边界框计算Ciou Loss,同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分,通过计算DFLLoss可以更准确地调整预测框的位置,提高目标检测的准确性。
本文训练结果如下:
我们通常用PR曲线
来体现精确率和召回率的关系,本文训练结果的PR曲线如下。mAP
表示Precision和Recall作为两轴作图后围成的面积,m表示平均,@后面的数表示判定iou为正负样本的阈值。mAP@.5:表示阈值大于0.5的平均mAP,可以看到本文模型两类目标检测的mAP@0.5
平均值为0.82
,结果还是很不错的。
4. 检测结果识别
模型训练完成后,我们可以得到一个最佳的训练结果模型best.pt
文件,在runs/trian/weights
目录下。我们可以使用该文件进行后续的推理检测。
图片检测代码如下:
# 所需加载的模型目录
path = 'models/best.pt'
# 需要检测的图片地址
img_path = "TestFiles/Cape_May_Warbler_0108_163108.jpg"
# 加载预训练模型
# conf 0.25 object confidence threshold for detection
# iou 0.7 intersection over union (IoU) threshold for NMS
model = YOLO(path, task='detect')
# model = YOLO(path, task='detect',conf=0.5)
# 检测图片
results = model(img_path)
res = results[0].plot()
cv2.imshow("YOLOv8 Detection", res)
cv2.waitKey(0)
执行上述代码后,会将执行的结果直接标注在图片上,结果如下:
以上便是关于此款鸟类智能检测与识别系统
的原理与代码介绍。基于此模型,博主用python
与Pyqt5
开发了一个带界面的软件系统,即文中第二部分的演示内容,能够很好的支持图片、视频及摄像头进行检测,同时支持检测结果的保存
。
关于该系统涉及到的完整源码、UI界面代码、数据集、训练代码、测试图片视频等相关文件,均已打包上传,感兴趣的小伙伴可以通过下载链接自行获取。
【获取方式】
本文涉及到的完整全部程序文件:包括python源码、数据集、训练代码、UI文件、测试图片视频等(见下图),获取方式见文末:
注意:该代码基于Python3.9开发,运行界面的主程序为
MainProgram.py
,其他测试脚本说明见上图。为确保程序顺利运行,请按照程序运行说明文档txt
配置软件运行所需环境。
结束语
以上便是博主开发的基于YOLOv8深度学习的200种鸟类智能检测与识别系统
的全部内容,由于博主能力有限,难免有疏漏之处,希望小伙伴能批评指正。
关于本篇文章大家有任何建议或意见,欢迎在评论区留言交流!
觉得不错的小伙伴,感谢点赞、关注加收藏哦!