YOLOv8系列】（六）毕设实战：YOLOv8+Pyqt5实现鲜花智能分类系统

最新推荐文章于 2024-09-26 21:07:34 发布

到点就困告

最新推荐文章于 2024-09-26 21:07:34 发布

阅读量638

点赞数 16

分类专栏： YOLO 文章标签： YOLO 课程设计深度学习目标检测

本文链接：https://blog.csdn.net/weixin_44765053/article/details/142281444

版权

YOLO 专栏收录该内容

7 篇文章 13 订阅

订阅专栏

前言

花卉智能识别系统采用先进的YOLOv8算法，能够高效、精准地识别多种种花卉品种。该系统通过大量花卉图片进行训练，提升了模型的精度，实现了对图片、视频以及实时摄像头的识别。

主要应用领域：

园艺管理：园艺师和园林工作者可以利用该系统快速辨别花卉种类，优化园艺资源管理，确保植物健康生长。

植物学研究：研究人员可通过该系统加速花卉品种识别，减少人工误差，推动植物学研究进程。

生态环境监测：环境保护人员可以使用该系统监测自然环境中的花卉，评估生态系统的多样性和健康状况。

教育与科普：该系统可作为教学工具，帮助学生和公众了解不同的花卉品种，增强对植物的认知。

植物园和展览：为游客提供即时的花卉信息查询，提升参观体验的互动性和趣味性。

个人使用：花卉爱好者可以利用该系统深入了解周围的花卉，培养对植物的兴趣和知识。

系统特点：

高精度识别：基于YOLOv8深度学习模型，系统能够准确识别花卉种类，满足专业和个人的使用需求。

实时识别：支持对图片、视频和实时摄像头的识别，提供即时的识别结果。

用户友好：配备简单直观的用户界面，方便用户操作和获取信息。

一、数据集获取与介绍

Oxford 102 Flowers Dataset

简介: 由牛津大学计算机视觉研究组发布，该数据集包含102种花卉的图像，种类涵盖常见的花卉类型，如玫瑰、向日葵和郁金香。
图像数量: 数据集中共有8189张图像，每种花卉类别的图片数量不一，最低有40张，最高达258张。
标签信息: 每张图像都带有相应的类别标签，用于模型的训练与评估。
应用场景: 该数据集广泛用于花卉识别、图像分类、图像分割等任务，是计算机视觉领域的重要基准数据集之一。

二、模型训练

1.按以下数据集目录划分

dataset
├── flowers
│   ├── train
│   │    ├──......
│   ├── val
         ├──......

2.模型训练

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：

#coding:utf-8
from ultralytics import YOLO

# 加载预训练模型
model = YOLO("yolov8n-cls.pt")
if __name__ == '__main__':
    model.train(data='datasets/flowers', epochs=300, batch=4)
    # results = model.val()

3.训练结果

可以在runs/目录下找到训练过程及结果文件，如下所示：

本文训练结果如下：
通过accuracy_top1图片准确率曲线图我们可以发现，该模型的最高准确率约为0.88，应该够我们使用了。

三、pyqt实现

1.ui界面设计

使用Qt designer进行ui界面设计，具体pycharm配置过程可以参考我这篇文章

PyCharm专业版配置PyQt5/QtDesigner/PyUic完整教程_pyuic5支持什么版本python-CSDN博客

大致界面如下所示：

包含：

QLabel，显示图像、识别结果、用时、置信度等

QTableWidget，显示序号、文件路径、置信度等信息

QPushButton，选择图片、文件夹、视频或者摄像头检测，保存识别csv

2.功能实现

①图片检测

    def detectImage(self, imagePath):
        frame = cv2.imread(imagePath)
        results = self.model(frame)
        self.displayResults(frame, results)

②文件夹检测

    def detect_folder(self):
        image_extensions = ('.png', '.jpg', '.jpeg', '.gif', '.bmp', '.tiff')
        image_paths = [os.path.join(self.source, f) for f in os.listdir(self.source) if
                       f.lower().endswith(image_extensions)]
        for image_path in image_paths:
            image = cv2.imread(image_path)
            results = self.model(frame)
            self.displayResults(frame, results)

③视频检测

    def detectVideo(self):
        ret, frame = self.cap.read()
        if ret:
            results = self.model(frame)
            self.displayResults(frame, results)
        else:
            self.timer.stop()
            self.cap.release()