基于YOLOv11的目标检测系统

已于 2025-04-10 13:55:56 修改
阅读量1.4k 收藏 18
点赞数 12
文章标签： YOLO 目标检测 人工智能
于 2025-01-06 01:02:45 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_64338148/article/details/144951901
版权

基于YOLOv11的目标检测系统

前言

YOLO11 是 Ultralytics YOLO 是实时物体检测器系列中的最新产品，以最先进的精度、速度和效率重新定义了可能实现的目标。在之前YOLO 版本令人印象深刻的进步基础上，YOLO11 在架构和训练方法上进行了重大改进，使其成为广泛的计算机视觉任务的多功能选择。YOLOv11在COCO数据集的表现如下图:
在这里插入图片描述

一、软件简介

这款软件是一种基于最新YOLOv11算法的目标检测工具，旨在为用户提供高效、准确的目标识别和分析功能。它支持多种数据输入方式，包括单张图片、批量图片、视频文件以及实时摄像头输入，满足不同场景的需求。检测结果以直观的标注图和详细的数据列表形式呈现，并支持结果导出，方便用户进行后续分析和处理。

二、开发目的

该软件的开发旨在提供一个高效、易用的目标检测工具，满足安防监控、智能交通和科研学习等领域的需求。通过集成先进的YOLOv11算法，用户可以快速进行目标检测，获取准确的识别结果，提升工作效率。总体框架如下：

三、软件主要功能

该软件具备以下主要功能：

  1. 图片目标检测：支持单张图片的目标检测，快速获取目标类别、置信度和位置信息。
  2. 文件夹图片批量检测：可对文件夹中的多张图片进行批量检测，提高处理效率。
  3. 本地视频文件识别：支持对本地视频文件进行逐帧分析，检测视频中的目标。
  4. 摄像头目标识别：实时调用摄像头，进行动态目标检测，适用于实时监控场景。
  5. 停止清除功能：提供任务中断和界面清除功能，方便用户重新开始检测或切换任务。
  6. 保存功能：支持将检测结果导出保存，便于后续分析和归档。

在这里插入图片描述

四、技术特点

该软件的技术特点包括：

  • 高效算法：基于YOLOv11，具备高精度和实时检测能力。
  • 多样化输入：支持图片、批量图片、视频和实时摄像头输入，满足不同用户需求。
  • 结果直观：检测结果以标注图、统计信息和列表形式展示，清晰易懂。
  • 操作便捷：界面友好，提供结果保存与任务管理功能，提升用户体验。
  • 广泛适用性：适用于安防、交通等多个行业场景，提供灵活的检测解决方案。

五、初始化模型

# YOLOv11 示例代码
import torch 
from ultralytics import YOLO

class YOLOPredict():
    def __init__(self, weight, data, input_size=(640, 640)):
        self.device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
        print(f"Using device: {self.device}")
        self.model = YOLO(weight).to(self.device)
        self.input_size = input_size
        self.classes = self.load_classes(data)

六、导入coco.yaml文件

def load_classes(self, data):
        with open(data, 'r') as file:
            data = yaml.load(file, Loader=yaml.FullLoader)
            return data['names']

coco.yaml文件

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

七、模型预测

# 检测识别示例代码
def detect_image(self, image):
        if isinstance(image, str):  # 传入文件路径
            image = cv2.imread(image)
            if image is None:  # 确保图像加载成功
                raise ValueError(f"Image at path {image} could not be loaded.")
        start_time = time.time()  # 开始计时
        try:
            detection_results = self.model(image)  
        except Exception as e:
            print(f"Error during model inference: {e}")
            return [], image, 0, []  
        end_time = time.time()  
        inference_time = (end_time - start_time) * 1000  # 转换为毫秒
        results = []
        for r in detection_results[0]:
            xyxy = r.boxes.xyxy[0]
            conf = float(r.boxes.conf[0])
            cls = int(r.boxes.cls[0])
            x_min, y_min, x_max, y_max = map(int, xyxy)  # 转换为整数坐标
            result = {
                'class': self.classes[cls] if cls < len(self.classes) else 'Unknown',
                'confidence': round(conf, 2),
                'bbox': [x_min, y_min, x_max, y_max],
            }
            results.append(result)
            # 绘制检测框
            color = self.compute_color_for_labels(cls)
            cv2.rectangle(image, (x_min, y_min), (x_max, y_max), color, 4)
            label = f"{result['class']} ({result['confidence']})"
            cv2.putText(image, label, (x_min, y_min - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)
        if not results:
            print("No detections found.")
            return [], image, inference_time
        return results, image, inference_time

八、背景图片改变大小脚本

from PIL import Image

def resize_image(input_path, output_path, size=(770, 440)):
    """
    将输入图片缩放至指定大小，并保存到输出路径。
    
    :param input_path: 原始图片路径
    :param output_path: 缩放后图片的保存路径
    :param size: 缩放后的大小（宽, 高）
    """
    with Image.open(input_path) as img:
        # 使用 LANCZOS 算法进行高质量缩放
        resized_img = img.resize(size, Image.LANCZOS)
        resized_img.save(output_path)
        print(f"图片已缩放并保存至: {output_path}")
# 示例用法
resize_image(r"D:\your\path\to\demo.jpg", "demo.jpg", size=(1200, 800))

九、目标识别系统项目

  • 面包多：https://mbd.pub/o/bread/Z52Zlplx
  • 闲鱼用户：欧阳孤云（头像为🐶）
  • 功能：支持图片，文件内图片批量处理，本地视频文件，摄像头识别检测
  • 哔哩哔哩展示
    在这里插入图片描述

1、运行说明

  • 创建虚拟环境
python -m venv venv
  • 激活虚拟环境
activate ./venv/Scripts/activate

或者

./venv/Scripts/activate

如果遇到报错，执行以下指令，然后输入1回车，即可激活虚拟环境

Set-ExecutionPolicy RemoteSigned
Set-ExecutionPolicy -Scope CurrentUser
  • 环境安装
pip install ultralytics == 8.3.57 PySide6 == 6.8.1 -i https://pypi.mirrors.ustc.edu.cn/simple/
  • 运行程序
python mainprogram.py

十、总结

这款基于YOLOv11的目标检测系统，通过先进的算法和友好的用户界面，为各行业用户提供了高效、准确的目标检测工具。其多样化的功能和广泛的适用性，使其成为安防监控、智能交通和科研学习等领域的理想选择。

参考

https://github.com/ultralytics/ultralytics

夜思、晨
关注
YOLOv11来了，使用YOLOv11训练自己的数据集和推理(附YOLOv11网络结构图)
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
10-02 15万+
YOLOv11 由 Ultralytics 在 2024 年 9 月 30 日发布， 最新的 YOLOv11 模型在之前的 YOLO 版本引入了新功能和改进，以进一步提高性能和灵活性。YOLO11 在快速、准确且易于使用，使其成为各种对象检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。
yolo目标检测之摄像头检测
weixin_47081390的博客
01-04 347
默认使用的是yolo11的权重模型文件，后期大家有自己更加精确的文件可以修改。运行一下就能看见效果啦。
YOLOv11实时目标检测 | 摄像头视频图片文件检测
2301_79442295的博客
02-05 5207
YOLO11用于流式视频或者摄像头的检测方法
基于 YOLOv11 的目标检测与轴承缺陷质量控制
QQ_1309399183的博客
03-23 725
基于 YOLOv11 的目标检测与轴承缺陷质量控制
【YOLO系列】YOLOv11正式发布！
weixin_44184852的博客
10-01 3400
了解Ultralytics YOLO11的所有突破性功能，这是我们最新的人工智能模型，具有无与伦比的准确性和效率。我们很高兴向大家介绍Ultralytics型号的下一次进化：YOLO11！YOLO11建立在以前YOLO模型版本令人印象深刻的进步的基础上，带来了一系列强大的功能和优化，使其更快、更准确和令人难以置信的多功能性。
YOLOv11可视化界面ui设计；YOLOv12；YOLOv10；YOLOv8等通用，基于pyqt5，单文件即插即用，支持文件夹检测及云摄像头检测并保存
笑脸惹桃花的博客
11-11 8465
检测图片并分别在左右窗口进行显示image_path, _ = QFileDialog.getOpenFileName(None, "选择图片文件", "", "图片文件 (*.jpg *.jpeg *.png)")image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # 转换为 RGBannotated_image = cv2.cvtColor(annotated_image, cv2.COLOR_BGR2RGB) # 转换为 RGB。
基于YOLOv11的驾驶员行为检测系统
资源下载请先试读页面内容 观看内容概要 确认具体需求后再下载 不提供代码调试服务 你的鼓励是我前行的动力 加油 谢谢
11-01 957
的驾驶员行为监测系统是一项复杂而具有挑战性的任务。本项目旨在创建一个实现实时监测驾驶员抽烟、打电话、喝水和吃东西等行为的系统。以下是此项目的详细设计，包括代码、实例和功能说明。您可以根据需求进行进一步优化和扩展，如提高模型精度、增加数据集多样性和提升用户体验等。在这段完整代码中，包括了系统的所有重要组成部分。的驾驶员行为检测系统具备实时监测与评估的能力，将为驾驶安全提供有效支持。以下是将所有代码整合为一个完整脚本，并详细注释解释每一行代码的功能。确保数据集的多样性，以提高模型的泛化能力。
基于YOLOv11的飞鸟检测系统，涵盖数据准备、模型训练、评估及GUI搭建
资源下载请先试读页面内容 观看内容概要 确认具体需求后再下载 不提供代码调试服务 你的鼓励是我前行的动力 加油 谢谢
11-04 1056
通过使用高效的YOLOv11模型和易于使用的图形用户界面（GRR），用户可以方便地进行飞鸟识别和数据分析。基于YOLOv11的飞鸟检测系统，涵盖数据准备、模型训练、评估及GUI搭建（包含详细的完整的程序和数据）资源-CSDN文库 https://download.csdn.net/download/xiaoxingkongyuxi/89882748。该项目展示了深度学习在实际应用中的潜力和灵活性，未来我们可以继续优化和扩展，以提升系统的实用性和用户体验。本项目开发了一个基于YOLOv11的鸟类检测系统。
基于 YOLOv11 的无人机检测系统
资源下载请先试读页面内容 观看内容概要 确认具体需求后再下载 不提供代码调试服务 你的鼓励是我前行的动力 加油 谢谢
11-02 1854
为了构建一个基于 YOLOv11 的无人机检测系统，我们将设计一个包含数据增强、图像预处理、评估指标、精美 GRR 界面和功能调节（如类统计、置信度和 ROR 阈值调节）的完整项目。基于YOLOv11的无人机检测系统（包含详细的完整的程序和数据）_yolov11gui资源-CSDN文库 https://download.csdn.net/download/xiaoxingkongyuxi/89886879。通过以上代码和说明，您应该能够创建一个完整的基于 YOLOv11 的无人机检测系统。
基于yolov5的农作物和杂草检测系统，支持图像、视频和摄像实时检测【pytorch框架、python源码】
lanbo_ai的博客
12-04 1447
基于yolov5的农作物和杂草检测系统是在pytorch框架下实现的，这是一个完整的项目，包括代码，数据集，训练好的模型权重，模型训练记录，GUI界面和各种模型指标（准确率、精确率、召回率等）等。GUI界面由pyqt5设计实现，可用笔记本摄像头或者外接USB摄像头超详细的pycharm+anaconda搭建python虚拟环境-CSDN博客​该项目可以使用已经训练好的模型权重，也可以自己重新训练，自己训练也比较简单：第一步：修改data/data.yaml中的数据集路径​。
网课专注度监测预警系统基于yolov5目标检测的网课专注度检测系统源码+模型+pyqt5界面.zip
05-13
网课专注度监测预警系统基于yolov5目标检测的网课专注度检测系统源码+模型+pyqt5界面.zip网课专注度监测预警系统基于yolov5目标检测的网课专注度检测系统源码+模型+pyqt5界面.zip网课专注度监测预警系统基于yolov5...
基于YOLOv11的人脸检测计数系统（包含详细的完整的程序和数据）
10-14
基于YOLOv11的人脸检测计数系统是在深度学习领域的创新应用，其核心在于利用YOLOv11模型进行人脸检测并统计视频流中的人脸数量。YOLOv11模型作为实时对象检测系统中的一员，能够快速且准确地识别和定位图像中的多个...
网课专注度监测预警系统基于yolov5目标检测的网课专注度检测系统源码+模型+pyqt5界面
01-08
网课专注度监测预警系统基于yolov5目标检测的网课专注度检测系统源码+模型+pyqt5界面网课专注度监测预警系统基于yolov5目标检测的网课专注度检测系统源码+模型+pyqt5界面网课专注度监测预警系统基于yolov5目标检测的...
基于YOLOv5的旋转目标检测系统源码+数据集+模型.zip
06-04
基于YOLOv5的旋转目标检测系统源码+数据集+模型.基于YOLOv5的旋转目标检测系统源码+数据集+模型.基于YOLOv5的旋转目标检测系统源码+数据集+模型.基于YOLOv5的旋转目标检测系统源码+数据集+模型.基于YOLOv5的旋转目标...
YOLOv11入门到入土使用教程(含结构图)
热门推荐
深度学习炼丹师，偶尔分享炼丹技术!
10-23 4万+
YOLOv11是公司在之前的YOLO版本上推出的最新一代实时目标检测器，支持目标检测、追踪、实力分割、图像分类和姿态估计等任务。
基于深度学习YOLOv11的多目标识别系统（Python+PySide6界面+训练代码）
sybh的博客
02-10 425
深度学习是机器学习的一个子领域，通过模拟人类大脑神经网络的结构来分析和处理数据。在图像处理领域，深度学习模型通过大规模的图像数据训练，可以提取图像的高级特征，从而完成图像分类、物体检测、图像生成等任务。本文详细介绍了如何使用YOLOv11模型构建遥感目标检测系统，涵盖了数据准备、模型训练、目标检测以及图形界面实现的全过程。通过该系统，用户可以轻松地上传遥感图像，实时检测并识别图像中的多个目标。
yolo11 打开摄像头 实时检测
最新发布
luoganttcc的博客
03-31 210
【代码】yolo11 打开摄像头 实时检测。
YOLO物体检测
李昭的博客
10-07 354
【代码】YOLO物体检测。
保姆级手把手使用YOLOv11训练自己数据集（含源代码、网络结构、模型检测和转换 、数据集查找、模型训练）
syu_acm的博客
10-06 2万+
本教程内含YOLOv11网络结构图+训练教程+推理教程+数据集获取等有关的内容~
yolov8检测单张图片
01-14
以下是使用YOLOv8检测单张图片的步骤： 1. 导入所需的库和模型： ```python import cv2 import numpy as np from yolov8 import YOLOv8 # 加载YOLOv8模型 model = YOLOv8() ``` 2. 加载预训练权重： ```python model.load_weights('yolov8.weights') ``` 3. 定义类别标签： ```python class_labels = ['person', 'car', 'bicycle', ...] # 根据实际情况修改类别标签 ``` 4. 加载待检测的图片： ```python image = cv2.imread('image.jpg') # 根据实际情况修改图片路径 ``` 5. 图片预处理： ```python input_image = model.preprocess_input(image) ``` 6. 进行目标检测： ```python detections = model.detect_objects(input_image) ``` 7. 解析检测结果： ```python for detection in detections: class_index = detection['class_index'] class_label = class_labels[class_index] confidence = detection['confidence'] x, y, w, h = detection['bbox'] # 在图片上绘制检测框和类别标签 cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2) cv2.putText(image, f'{class_label}: {confidence:.2f}', (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) ``` 8. 显示检测结果： ```python cv2.imshow('Detection Result', image) cv2.waitKey(0) cv2.destroyAllWindows() ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值