智能识海：基于深度学习的海洋生物检测系统开发指南

路I

于 2024-08-14 02:41:34 发布

阅读量1

点赞数

文章标签：深度学习人工智能

基于深度学习的海洋动物检测系统（UI界面+YOLOv8/v7/v6/v5代码+训练数据集）

引言

海洋动物检测在海洋生态保护、科学研究和渔业管理中起着至关重要的作用。通过深度学习技术，尤其是YOLO（You Only Look Once）模型，我们可以高效、准确地检测和识别海洋动物。本文将详细介绍如何构建一个基于深度学习的海洋动物检测系统，包括环境搭建、数据收集与处理、模型训练、系统实现以及用户界面设计，并提供实际的代码示例。

系统概述

本系统的实现步骤包括：

环境搭建
数据收集与处理
模型训练
系统实现
用户界面设计

环境搭建

首先，需要搭建一个适合深度学习开发的环境。本文使用Python 3.8或以上版本，并依赖于多个深度学习和图像处理库。

安装必要的库

使用以下命令安装所需库：

数据收集与处理

数据收集

收集包含海洋动物的图像数据集。可以使用公开的数据集，如Fish4Knowledge、NOAA Fisheries等，或者通过海洋摄像头自行采集。确保数据集包含各种不同种类、不同角度、不同光照条件下的海洋动物图像。

数据处理

将图像数据整理到指定的文件夹结构，并标注海洋动物的位置。以下是示例的文件夹结构：

datasets/
    ├── images/
    │   ├── train/
    │   │   ├── image1.jpg
    │   │   ├── image2.jpg
    │   ├── val/
    │   │   ├── image1.jpg
    │   │   ├── image2.jpg
    ├── labels/
        ├── train/
        │   ├── image1.txt
        │   ├── image2.txt
        ├── val/
            ├── image1.txt
            ├── image2.txt

每个标签文件的内容如下：

其中，class表示类别编号（如鱼、海龟等），x_center、y_center为归一化后的中心坐标，width和height为归一化后的宽度和高度。

数据增强

为了提高模型的泛化能力，可以对数据进行增强处理。常见的数据增强方法包括旋转、缩放、平移、镜像等。

import albumentations as A
from albumentations.pytorch import ToTensorV2
import cv2
import os

# 定义数据增强变换
transform = A.Compose([
    A.RandomRotate90(),
    A.Flip(),
    A.Transpose(),
    A.OneOf([
        A.IAAAdditiveGaussianNoise(),
        A.GaussNoise(),
    ], p=0.2),
    A.OneOf([
        A.MotionBlur(p=0.2),
        A.MedianBlur(blur_limit=3, p=0.1),
        A.Blur(blur_limit=3, p=0.1),
    ], p=0.2),
    A.ShiftScaleRotate(shift_limit=0.0625, scale_limit=0.2, rotate_limit=45, p=0.2),
    A.OneOf([
        A.OpticalDistortion(p=0.3),
        A.GridDistortion(p=0.1),
        A.IAAPiecewiseAffine(p=0.3),
    ], p=0.2),
    A.OneOf([
        A.CLAHE(clip_limit=2),
        A.IAASharpen(),
        A.IAAEmboss(),
        A.RandomBrightnessContrast(),
    ], p=0.3),
    A.HueSaturationValue(p=0.3),
    ToTensorV2()
])

# 处理图像
def augment_images(image_folder, output_folder):
    os.makedirs(output_folder, exist_ok=True)
    for filename in os.listdir(image_folder):
        image_path = os.path.join(image_folder, filename)
        image = cv2.imread(image_path)
        augmented = transform(image=image)
        augmented_image = augmented["image"].numpy().transpose(1, 2, 0)
        output_path = os.path.join(output_folder, filename)
        cv2.imwrite(output_path, augmented_image)

# 应用数据增强
augment_images('datasets/images/train', 'datasets/images/train_augmented')

模型训练

使用YOLO模型进行训练。

配置文件

创建一个配置文件config.yaml：

path: datasets
train: images/train
val: images/val
test: images/test

nc: 2  # 类别数，例如鱼类和海龟
names: ['fish', 'turtle']  # 类别名称

训练代码

使用以下代码训练模型：

from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n.pt')

# 训练模型
model.train(data='config.yaml', epochs=50, imgsz=640, batch=16, lr0=0.01)

训练过程会生成模型权重文件best.pt，该文件包含了训练好的模型参数。

系统实现

训练好的模型可以用于实时海洋动物检测。使用OpenCV读取视频流，并调用YOLO模型进行检测。

检测代码

import cv2
from ultralytics import YOLO

# 加载训练好的模型
model = YOLO('best.pt')

# 打开视频流
cap = cv2.VideoCapture('ocean_video.mp4')

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    # 检测海洋动物
    results = model(frame)
    for result in results:
        bbox = result['bbox']
        label = result['label']
        confidence = result['confidence']

        # 画框和标签
        cv2.rectangle(frame, (bbox[0], bbox[1]), (bbox[2], bbox[3]), (0, 255, 0), 2)
        cv2.putText(frame, f'{label} {confidence:.2f}', (bbox[0], bbox[1] - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)

    # 显示结果
    cv2.imshow('Marine Animal Detection', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

用户界面设计

为了提高系统的易用性，我们设计了一个用户友好的界面。使用PyQt5实现用户界面，提供图像或视频播放和检测结果显示。

界面代码

以下是一个简单的PyQt5界面代码示例：

import sys
from PyQt5.QtWidgets import QApplication, QWidget, QVBoxLayout, QLabel, QPushButton, QFileDialog
from PyQt5.QtGui import QPixmap, QImage
import cv2
from ultralytics import YOLO

class MarineAnimalDetectionUI(QWidget):
    def __init__(self):
        super().__init__()
        self.initUI()
        
        self.model = YOLO('best.pt')
        
    def initUI(self):
        self.setWindowTitle('Marine Animal Detection System')
        
        self.layout = QVBoxLayout()
        
        self.label = QLabel(self)
        self.layout.addWidget(self.label)
        
        self.button = QPushButton('Open Image or Video', self)
        self.button.clicked.connect(self.open_file)
        self.layout.addWidget(self.button)
        
        self.setLayout(self.layout)
    
    def open_file(self):
        options = QFileDialog.Options()
        file_path, _ = QFileDialog.getOpenFileName(self, "Open File", "", "All Files (*);;MP4 Files (*.mp4);;JPEG Files (*.jpg);;PNG Files (*.png)", options=options)
        
        if file_path:
            if file_path.endswith('.mp4'):
                self.detect_marine_animal_video(file_path)
            else:
                self.detect_marine_animal_image(file_path)
    
    def detect_marine_animal_image(self, file_path):
        frame = cv2.imread(file_path)
        results = self.model(frame)
        for result in results:
            bbox = result['bbox']
            label = result['label']
            confidence = result['confidence']
                
            cv2.rectangle(frame, (bbox[0], bbox[1]), (bbox[2], bbox[3]), (0, 255, 0), 2)
            cv2.putText(frame, f'{label} {confidence:.2f}', (bbox[0], bbox[1] - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)

        height, width, channel = frame.shape
        bytesPerLine = 3 * width
        qImg = QImage(frame.data, width, height, bytesPerLine, QImage.Format_RGB888).rgbSwapped()


        
        self.label.setPixmap(QPixmap.fromImage(qImg))
    
    def detect_marine_animal_video(self, file_path):
        cap = cv2.VideoCapture(file_path)
        
        while cap.isOpened():
            ret, frame = cap.read()
            if not ret:
                break
            
            results = self.model(frame)
            for result in results:
                bbox = result['bbox']
                label = result['label']
                confidence = result['confidence']
                
                cv2.rectangle(frame, (bbox[0], bbox[1]), (bbox[2], bbox[3]), (0, 255, 0), 2)
                cv2.putText(frame, f'{label} {confidence:.2f}', (bbox[0], bbox[1] - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
            
            height, width, channel = frame.shape
            bytesPerLine = 3 * width
            qImg = QImage(frame.data, width, height, bytesPerLine, QImage.Format_RGB888).rgbSwapped()
            
            self.label.setPixmap(QPixmap.fromImage(qImg))
            QApplication.processEvents()
        
        cap.release()

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

总结

本文详细介绍了如何构建一个基于深度学习的海洋动物检测系统，从环境搭建、数据收集与处理、模型训练、系统实现到用户界面设计。

原创作者: u_16751290 转载于: https://blog.51cto.com/u_16751290/11733396

路I

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
智能识海：基于深度学习的海洋生物检测系统开发指南

基于深度学习的海洋动物检测系统（UI界面+YOLOv8/v7/v6/v5代码+训练数据集）引言海洋动物检测在海洋生态保护、科学研究和渔业管理中起着至关重要的作用。通过深度学习技术，尤其是YOLO（You Only Look Once）模型，我们可以高效、准确地检测和识别海洋动物。本文将详细介绍如何构建一个基于深度学习的海洋...
复制链接

扫一扫