基于深度学习的垃圾分类检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

原创 于 2025-11-23 09:33:09 发布 · 770 阅读 · 29 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #分类 #YOLO #人工智能 #ui #python

部署运行你感兴趣的模型镜像

     一、项目介绍

项目背景

随着城市化进程加快和人口增长，垃圾产生量急剧增加，传统垃圾分类方法效率低下。基于计算机视觉的自动垃圾分类系统可以显著提高分类效率和准确性，降低人力成本。

技术方案

本项目采用最新的YOLOv10目标检测算法实现垃圾分类检测系统，主要特点包括：

  • 使用轻量化的YOLOv10模型架构

  • 针对垃圾分类任务优化模型参数

  • 实现高精度实时检测

系统功能

  1. 实时检测: 可处理实时视频流或摄像头输入

  2. 多类别识别: 准确区分4类垃圾

  3. 高精度定位: 精确标注垃圾位置

  4. 性能优化: 在保持高准确率的同时实现快速推理

应用场景

  1. 智能垃圾桶

  2. 垃圾处理中心自动分拣系统

  3. 社区垃圾分类指导

  4. 环保教育工具

目录

一、项目介绍

二、项目功能展示

系统功能

图片检测

视频检测

摄像头实时检测

三、数据集介绍

数据集配置文件data.yaml

数据集制作流程

四、项目环境配置

创建虚拟环境

pycharm中配置anaconda

安装所需要库

五、模型训练

训练代码

训练结果

六、核心代码

七、项目源码下载链接

视频下方简介内有项目源码和数据集下载链接

二、项目功能展示

系统功能

✅ 图片检测：可对单张图片进行检测，返回检测框及类别信息。
✅ 批量图片检测：支持文件夹输入，一次性检测多张图片，生成批量检测结果。
✅ 视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅ 摄像头实时检测：连接USB 摄像头，实现实时监测，

   项目视频演示

https://www.bilibili.com/video/BV1z51pB3E2z/?spm_id_from=333.1387.homepage.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764

 项目视频演示https://www.bilibili.com/video/BV1z51pB3E2z/?spm_id_from=333.1387.homepage.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764

通过网盘分享的文件：项目源码.docx 链接: https://pan.baidu.com/s/1FU69VfNKpEY4PB4zQ1i0Ig?pwd=am7s 提取码: am7s 

  • 图片检测

        该功能允许用户通过单张图片进行目标检测。输入一张图片后，YOLO模型会实时分析图像，识别出其中的目标，并在图像中框出检测到的目标，输出带有目标框的图像。批量图片检测

        用户可以一次性上传多个图片进行批量处理。该功能支持对多个图像文件进行并行处理，并返回每张图像的目标检测结果，适用于需要大规模处理图像数据的应用场景。

  • 视频检测

        视频检测功能允许用户将视频文件作为输入。YOLO模型将逐帧分析视频，并在每一帧中标记出检测到的目标。最终结果可以是带有目标框的视频文件或实时展示，适用于视频监控和分析等场景。

  • 摄像头实时检测

        该功能支持通过连接摄像头进行实时目标检测。YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测，实时识别并显示检测结果。此功能非常适用于安防监控、无人驾驶、智能交通等应用，提供即时反馈。

核心特点：

  • 高精度：基于YOLO模型，提供精确的目标检测能力，适用于不同类型的图像和视频。
  • 实时性：特别优化的算法使得实时目标检测成为可能，无论是在视频还是摄像头实时检测中，响应速度都非常快。
  • 批量处理：支持高效的批量图像和视频处理，适合大规模数据分析。

三、数据集介绍

数据集概述

本垃圾分类检测系统使用的数据集包含4个类别的垃圾图像：

  1. 可回收垃圾 (recyclable waste)

  2. 有害垃圾 (hazardous waste)

  3. 厨余垃圾 (kitchen waste)

  4. 其他垃圾 (other waste)

数据集规模

  • 训练集: 1,910张标注图像

  • 验证集: 833张标注图像

  • 总计: 2,743张标注图像

数据特点

  1. 多样性: 数据集包含不同场景、光照条件和角度的垃圾图像

  2. 标注质量: 每张图像都经过精确标注，边界框紧密贴合目标物体

  3. 类别平衡: 数据集经过平衡处理，确保每个类别都有足够的样本

  4. 现实场景: 图像采集自真实生活场景，具有实际应用价值

数据预处理

  • 图像归一化处理

  • 数据增强(包括旋转、翻转、色彩调整等)

  • 标注格式转换为YOLO训练所需的txt格式

数据集配置文件data.yaml

train: .\datasets\images\train
val: .\datasets\images\val
test: .\datasets\images\test


nc: 4
names: ['recyclable waste','hazardous waste','kitchen waste','other waste']

数据集制作流程

  • 标注数据：使用标注工具（如LabelImg、CVAT等）对图像中的目标进行标注。每个目标需要标出边界框，并且标注类别。

  • 转换格式：将标注的数据转换为YOLO格式。YOLO标注格式为每行：<object-class> <x_center> <y_center> <width> <height>，这些坐标是相对于图像尺寸的比例。

  • 分割数据集：将数据集分为训练集、验证集和测试集，通常的比例是80%训练集、10%验证集和10%测试集。

  • 准备标签文件：为每张图片生成一个对应的标签文件，确保标签文件与图片的命名一致。

  • 调整图像尺寸：根据YOLO网络要求，统一调整所有图像的尺寸（如416x416或608x608）。

四、项目环境配置

创建虚拟环境

首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。

终端输入

conda create -n yolov10 python==3.9

激活虚拟环境

conda activate yolov10
 

安装cpu版本pytorch

pip install torch torchvision torchaudio

pycharm中配置anaconda

安装所需要库

pip install -r requirements.txt

五、模型训练

训练代码

from ultralytics import YOLOv10

model_path = 'yolov10s.pt'
data_path = 'datasets/data.yaml'

if __name__ == '__main__':
    model = YOLOv10(model_path)
    results = model.train(data=data_path,
                          epochs=500,
                          batch=64,
                          device='0',
                          workers=0,
                          project='runs/detect',
                          name='exp',
                          )
根据实际情况更换模型
yolov10n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。
yolov10s.yaml (small)：小模型，适合实时任务。
yolov10m.yaml (medium)：中等大小模型，兼顾速度和精度。
yolov10b.yaml (base)：基本版模型，适合大部分应用场景。
yolov10l.yaml (large)：大型模型，适合对精度要求高的任务。
  • --batch 64：每批次64张图像。
  • --epochs 500：训练500轮。
  • --datasets/data.yaml：数据集配置文件。
  • --weights yolov10s.pt：初始化模型权重，yolov10s.pt 是预训练的轻量级YOLO模型。

训练结果

六、核心代码

# -*- coding: utf-8 -*-
import time
from PyQt5.QtWidgets import QApplication , QMainWindow, QFileDialog,QMessageBox,QWidget,QHeaderView,QTableWidgetItem, QAbstractItemView
import sys
import os
from PIL import ImageFont
from ultralytics import YOLOv10
sys.path.append('UIProgram')
from UIProgram.UiMain import Ui_MainWindow
import sys
from PyQt5.QtCore import QTimer, Qt, QThread, pyqtSignal,QCoreApplication
import detect_tools as tools
import cv2
import Config
from UIProgram.QssLoader import QSSLoader
from UIProgram.precess_bar import ProgressBar
import numpy as np
# import torch

class MainWindow(QMainWindow):
    def __init__(self, parent=None):
        super(QMainWindow, self).__init__(parent)
        self.ui = Ui_MainWindow()
        self.ui.setupUi(self)
        self.initMain()
        self.signalconnect()

        # 加载css渲染效果
        style_file = 'UIProgram/style.css'
        qssStyleSheet = QSSLoader.read_qss_file(style_file)
        self.setStyleSheet(qssStyleSheet)

    def signalconnect(self):
        self.ui.PicBtn.clicked.connect(self.open_img)
        self.ui.comboBox.activated.connect(self.combox_change)
        self.ui.VideoBtn.clicked.connect(self.vedio_show)
        self.ui.CapBtn.clicked.connect(self.camera_show)
        self.ui.SaveBtn.clicked.connect(self.save_detect_video)
        self.ui.ExitBtn.clicked.connect(QCoreApplication.quit)
        self.ui.FilesBtn.clicked.connect(self.detact_batch_imgs)

    def initMain(self):
        self.show_width = 700
        self.show_height = 500
        self.org_path = None
        self.is_camera_open = False
        self.cap = None

        # self.device = 0 if torch.cuda.is_available() else 'cpu'

        # 加载检测模型
        self.model = YOLOv10('runs/detect/exp/weights/best.pt', task='detect')
        self.model(np.zeros((48, 48, 3)))  #预先加载推理模型
        self.fontC = ImageFont.truetype("Font/platech.ttf", 25, 0)
        self.colors = tools.Colors()
        self.timer_camera = QTimer()

        # 更新检测信息表格
        # self.timer_info = QTimer()
        # 保存视频
        self.timer_save_video = QTimer()

        # 表格
        self.ui.tableWidget.verticalHeader().setSectionResizeMode(QHeaderView.Fixed)
        self.ui.tableWidget.verticalHeader().setDefaultSectionSize(40)
        self.ui.tableWidget.setColumnWidth(0, 80)  # 设置列宽
        self.ui.tableWidget.setColumnWidth(1, 200)
        self.ui.tableWidget.setColumnWidth(2, 150)
        self.ui.tableWidget.setColumnWidth(3, 90)
        self.ui.tableWidget.setColumnWidth(4, 230)
        self.ui.tableWidget.setSelectionBehavior(QAbstractItemView.SelectRows)  # 设置表格整行选中
        self.ui.tableWidget.verticalHeader().setVisible(False)  # 隐藏列标题
        self.ui.tableWidget.setAlternatingRowColors(True)  # 表格背景交替

    def open_img(self):
        if self.cap:
            # 打开图片前关闭摄像头
            self.video_stop()
            self.is_camera_open = False
            self.ui.CaplineEdit.setText('摄像头未开启')
            self.cap = None

        file_path, _ = QFileDialog.getOpenFileName(None, '打开图片', './', "Image files (*.jpg *.jepg *.png)")
        if not file_path:
            return

        self.ui.comboBox.setDisabled(False)
        self.org_path = file_path
        self.org_img = tools.img_cvread(self.org_path)

        # 目标检测
        t1 = time.time()
        self.results = self.model(self.org_path)[0]
        t2 = time.time()
        take_time_str = '{:.3f} s'.format(t2 - t1)
        self.ui.time_lb.setText(take_time_str)
        location_list = self.results.boxes.xyxy.tolist()
        self.location_list = [list(map(int, e)) for e in location_list]
        cls_list = self.results.boxes.cls.tolist()
        self.cls_list = [int(i) for i in cls_list]
        self.conf_list = self.results.boxes.conf.tolist()
        self.conf_list = ['%.2f %%' % (each*100) for each in self.conf_list]

        total_nums = len(location_list)
        cls_percents = []
        for i in range(1):
            if total_nums ==0:
                res =0
            else:
                res = self.cls_list.count(i) / total_nums
            cls_percents.append(res)
        self.set_percent(cls_percents)

        now_img = self.results.plot()
        self.draw_img = now_img
        # 获取缩放后的图片尺寸
        self.img_width, self.img_height = self.get_resize_size(now_img)
        resize_cvimg = cv2.resize(now_img,(self.img_width, self.img_height))
        pix_img = tools.cvimg_to_qpiximg(resize_cvimg)
        self.ui.label_show.setPixmap(pix_img)
        self.ui.label_show.setAlignment(Qt.AlignCenter)
        # 设置路径显示
        self.ui.PiclineEdit.setText(self.org_path)

        # 目标数目
        target_nums = len(self.cls_list)
        self.ui.label_nums.setText(str(target_nums))

        # 设置目标选择下拉框
        choose_list = ['全部']
        target_names = [Config.names[id]+ '_'+ str(index) for index,id in enumerate(self.cls_list)]
        choose_list = choose_list + target_names

        self.ui.comboBox.clear()
        self.ui.comboBox.addItems(choose_list)

        if target_nums >= 1:
            self.ui.type_lb.setText(Config.CH_names[self.cls_list[0]])
            self.ui.label_conf.setText(str(self.conf_list[0]))
            self.ui.label_xmin.setText(str(self.location_list[0][0]))
            self.ui.label_ymin.setText(str(self.location_list[0][1]))
            self.ui.label_xmax.setText(str(self.location_list[0][2]))
            self.ui.label_ymax.setText(str(self.location_list[0][3]))
        else:
            self.ui.type_lb.setText('')
            self.ui.label_conf.setText('')
            self.ui.label_xmin.setText('')
            self.ui.label_ymin.setText('')
            self.ui.label_xmax.setText('')
            self.ui.label_ymax.setText('')

        # # 删除表格所有行
        self.ui.tableWidget.setRowCount(0)
        self.ui.tableWidget.clearContents()
        self.tabel_info_show(self.location_list, self.cls_list, self.conf_list,path=self.org_path)


    def detact_batch_imgs(self):
        if self.cap:
            # 打开图片前关闭摄像头
            self.video_stop()
            self.is_camera_open = False
            self.ui.CaplineEdit.setText('摄像头未开启')
            self.cap = None
        directory = QFileDialog.getExistingDirectory(self,
                                                      "选取文件夹",
                                                      "./")  # 起始路径
        if not  directory:
            return
        self.org_path = directory
        img_suffix = ['jpg','png','jpeg','bmp']
        for file_name in os.listdir(directory):
            full_path = os.path.join(directory,file_name)
            if os.path.isfile(full_path) and file_name.split('.')[-1].lower() in img_suffix:
                # self.ui.comboBox.setDisabled(False)
                img_path = full_path
                self.org_img = tools.img_cvread(img_path)
                # 目标检测
                t1 = time.time()
                self.results = self.model(img_path)[0]
                t2 = time.time()
                take_time_str = '{:.3f} s'.format(t2 - t1)
                self.ui.time_lb.setText(take_time_str)

                location_list = self.results.boxes.xyxy.tolist()
                self.location_list = [list(map(int, e)) for e in location_list]
                cls_list = self.results.boxes.cls.tolist()
                self.cls_list = [int(i) for i in cls_list]
                self.conf_list = self.results.boxes.conf.tolist()
                self.conf_list = ['%.2f %%' % (each * 100) for each in self.conf_list]

                total_nums = len(location_list)
                cls_percents = []
                for i in range(1):
                    if total_nums == 0:
                        res = 0
                    else:
                        res = self.cls_list.count(i) / total_nums

                    cls_percents.append(res)
                self.set_percent(cls_percents)

                now_img = self.results.plot()

                self.draw_img = now_img
                # 获取缩放后的图片尺寸
                self.img_width, self.img_height = self.get_resize_size(now_img)
                resize_cvimg = cv2.resize(now_img, (self.img_width, self.img_height))
                pix_img = tools.cvimg_to_qpiximg(resize_cvimg)
                self.ui.label_show.setPixmap(pix_img)
                self.ui.label_show.setAlignment(Qt.AlignCenter)
                # 设置路径显示
                self.ui.PiclineEdit.setText(img_path)

                # 目标数目
                target_nums = len(self.cls_list)
                self.ui.label_nums.setText(str(target_nums))

                # 设置目标选择下拉框
                choose_list = ['全部']
                target_names = [Config.names[id] + '_' + str(index) for index, id in enumerate(self.cls_list)]
                choose_list = choose_list + target_names

                self.ui.comboBox.clear()
                self.ui.comboBox.addItems(choose_list)

                if target_nums >= 1:
                    self.ui.type_lb.setText(Config.CH_names[self.cls_list[0]])
                    self.ui.label_conf.setText(str(self.conf_list[0]))
                    self.ui.label_xmin.setText(str(self.location_list[0][0]))
                    self.ui.label_ymin.setText(str(self.location_list[0][1]))
                    self.ui.label_xmax.setText(str(self.location_list[0][2]))
                    self.ui.label_ymax.setText(str(self.location_list[0][3]))
                else:
                    self.ui.type_lb.setText('')
                    self.ui.label_conf.setText('')
                    self.ui.label_xmin.setText('')
                    self.ui.label_ymin.setText('')
                    self.ui.label_xmax.setText('')
                    self.ui.label_ymax.setText('')

                # # 删除表格所有行
                self.tabel_info_show(self.location_list, self.cls_list, self.conf_list, path=img_path)
                self.ui.tableWidget.scrollToBottom()
                QApplication.processEvents()  #刷新页面

    def draw_rect_and_tabel(self, results, img):
        now_img = img.copy()
        location_list = results.boxes.xyxy.tolist()
        self.location_list = [list(map(int, e)) for e in location_list]
        cls_list = results.boxes.cls.tolist()
        self.cls_list = [int(i) for i in cls_list]
        self.conf_list = results.boxes.conf.tolist()
        self.conf_list = ['%.2f %%' % (each * 100) for each in self.conf_list]

        for loacation, type_id, conf in zip(self.location_list, self.cls_list, self.conf_list):
            type_id = int(type_id)
            color = self.colors(int(type_id), True)
            # cv2.rectangle(now_img, (int(x1), int(y1)), (int(x2), int(y2)), colors(int(type_id), True), 3)
            now_img = tools.drawRectBox(now_img, loacation, Config.CH_names[type_id], self.fontC, color)

        # 获取缩放后的图片尺寸
        self.img_width, self.img_height = self.get_resize_size(now_img)
        resize_cvimg = cv2.resize(now_img, (self.img_width, self.img_height))
        pix_img = tools.cvimg_to_qpiximg(resize_cvimg)
        self.ui.label_show.setPixmap(pix_img)
        self.ui.label_show.setAlignment(Qt.AlignCenter)
        # 设置路径显示
        self.ui.PiclineEdit.setText(self.org_path)

        # 目标数目
        target_nums = len(self.cls_list)
        self.ui.label_nums.setText(str(target_nums))
        if target_nums >= 1:
            self.ui.type_lb.setText(Config.CH_names[self.cls_list[0]])
            self.ui.label_conf.setText(str(self.conf_list[0]))
            self.ui.label_xmin.setText(str(self.location_list[0][0]))
            self.ui.label_ymin.setText(str(self.location_list[0][1]))
            self.ui.label_xmax.setText(str(self.location_list[0][2]))
            self.ui.label_ymax.setText(str(self.location_list[0][3]))
        else:
            self.ui.type_lb.setText('')
            self.ui.label_conf.setText('')
            self.ui.label_xmin.setText('')
            self.ui.label_ymin.setText('')
            self.ui.label_xmax.setText('')
            self.ui.label_ymax.setText('')

        # 删除表格所有行
        self.ui.tableWidget.setRowCount(0)
        self.ui.tableWidget.clearContents()
        self.tabel_info_show(self.location_list, self.cls_list, self.conf_list, path=self.org_path)
        return now_img

    def combox_change(self):
        com_text = self.ui.comboBox.currentText()
        if com_text == '全部':
            cur_box = self.location_list
            cur_img = self.results.plot()
            self.ui.type_lb.setText(Config.CH_names[self.cls_list[0]])
            self.ui.label_conf.setText(str(self.conf_list[0]))
        else:
            index = int(com_text.split('_')[-1])
            cur_box = [self.location_list[index]]
            cur_img = self.results[index].plot()
            self.ui.type_lb.setText(Config.CH_names[self.cls_list[index]])
            self.ui.label_conf.setText(str(self.conf_list[index]))

        # 设置坐标位置值
        self.ui.label_xmin.setText(str(cur_box[0][0]))
        self.ui.label_ymin.setText(str(cur_box[0][1]))
        self.ui.label_xmax.setText(str(cur_box[0][2]))
        self.ui.label_ymax.setText(str(cur_box[0][3]))

        resize_cvimg = cv2.resize(cur_img, (self.img_width, self.img_height))
        pix_img = tools.cvimg_to_qpiximg(resize_cvimg)
        self.ui.label_show.clear()
        self.ui.label_show.setPixmap(pix_img)
        self.ui.label_show.setAlignment(Qt.AlignCenter)


    def get_video_path(self):
        file_path, _ = QFileDialog.getOpenFileName(None, '打开视频', './', "Image files (*.avi *.mp4 *.jepg *.png)")
        if not file_path:
            return None
        self.org_path = file_path
        self.ui.VideolineEdit.setText(file_path)
        return file_path

    def video_start(self):
        # 删除表格所有行
        self.ui.tableWidget.setRowCount(0)
        self.ui.tableWidget.clearContents()

        # 清空下拉框
        self.ui.comboBox.clear()

        # 定时器开启，每隔一段时间，读取一帧
        self.timer_camera.start(1)
        self.timer_camera.timeout.connect(self.open_frame)

    def tabel_info_show(self, locations, clses, confs, path=None):
        path = path
        for location, cls, conf in zip(locations, clses, confs):
            row_count = self.ui.tableWidget.rowCount()  # 返回当前行数(尾部)
            self.ui.tableWidget.insertRow(row_count)  # 尾部插入一行
            item_id = QTableWidgetItem(str(row_count+1))  # 序号
            item_id.setTextAlignment(Qt.AlignHCenter | Qt.AlignVCenter)  # 设置文本居中
            item_path = QTableWidgetItem(str(path))  # 路径
            # item_path.setTextAlignment(Qt.AlignHCenter | Qt.AlignVCenter)

            item_cls = QTableWidgetItem(str(Config.CH_names[cls]))
            item_cls.setTextAlignment(Qt.AlignHCenter | Qt.AlignVCenter)  # 设置文本居中

            item_conf = QTableWidgetItem(str(conf))
            item_conf.setTextAlignment(Qt.AlignHCenter | Qt.AlignVCenter)  # 设置文本居中

            item_location = QTableWidgetItem(str(location)) # 目标框位置
            # item_location.setTextAlignment(Qt.AlignHCenter | Qt.AlignVCenter)  # 设置文本居中

            self.ui.tableWidget.setItem(row_count, 0, item_id)
            self.ui.tableWidget.setItem(row_count, 1, item_path)
            self.ui.tableWidget.setItem(row_count, 2, item_cls)
            self.ui.tableWidget.setItem(row_count, 3, item_conf)
            self.ui.tableWidget.setItem(row_count, 4, item_location)
        self.ui.tableWidget.scrollToBottom()

    def video_stop(self):
        self.cap.release()
        self.timer_camera.stop()
        # self.timer_info.stop()

    def open_frame(self):
        ret, now_img = self.cap.read()
        if ret:
            # 目标检测
            t1 = time.time()
            results = self.model(now_img)[0]
            t2 = time.time()
            take_time_str = '{:.3f} s'.format(t2 - t1)
            self.ui.time_lb.setText(take_time_str)

            location_list = results.boxes.xyxy.tolist()
            self.location_list = [list(map(int, e)) for e in location_list]
            cls_list = results.boxes.cls.tolist()
            self.cls_list = [int(i) for i in cls_list]
            self.conf_list = results.boxes.conf.tolist()
            self.conf_list = ['%.2f %%' % (each * 100) for each in self.conf_list]

            total_nums = len(location_list)
            cls_percents = []
            for i in range(1):
                if total_nums!= 0 :
                    res = self.cls_list.count(i) / total_nums
                else :
                    res=0
                cls_percents.append(res)
            self.set_percent(cls_percents)

            now_img = results.plot()

            # 获取缩放后的图片尺寸
            self.img_width, self.img_height = self.get_resize_size(now_img)
            resize_cvimg = cv2.resize(now_img, (self.img_width, self.img_height))
            pix_img = tools.cvimg_to_qpiximg(resize_cvimg)
            self.ui.label_show.setPixmap(pix_img)
            self.ui.label_show.setAlignment(Qt.AlignCenter)

            # 目标数目
            target_nums = len(self.cls_list)
            self.ui.label_nums.setText(str(target_nums))

            # 设置目标选择下拉框
            choose_list = ['全部']
            target_names = [Config.names[id] + '_' + str(index) for index, id in enumerate(self.cls_list)]

            choose_list = choose_list + target_names

            self.ui.comboBox.clear()
            self.ui.comboBox.addItems(choose_list)

            if target_nums >= 1:
                self.ui.type_lb.setText(Config.CH_names[self.cls_list[0]])
                self.ui.label_conf.setText(str(self.conf_list[0]))
                self.ui.label_xmin.setText(str(self.location_list[0][0]))
                self.ui.label_ymin.setText(str(self.location_list[0][1]))
                self.ui.label_xmax.setText(str(self.location_list[0][2]))
                self.ui.label_ymax.setText(str(self.location_list[0][3]))
            else:
                self.ui.type_lb.setText('')
                self.ui.label_conf.setText('')
                self.ui.label_xmin.setText('')
                self.ui.label_ymin.setText('')
                self.ui.label_xmax.setText('')
                self.ui.label_ymax.setText('')

            self.tabel_info_show(self.location_list, self.cls_list, self.conf_list, path=self.org_path)

        else:
            self.cap.release()
            self.timer_camera.stop()

    def vedio_show(self):
        if self.is_camera_open:
            self.is_camera_open = False
            self.ui.CaplineEdit.setText('摄像头未开启')

        video_path = self.get_video_path()
        if not video_path:
            return None
        self.cap = cv2.VideoCapture(video_path)
        self.video_start()
        self.ui.comboBox.setDisabled(True)

    def camera_show(self):
        self.is_camera_open = not self.is_camera_open
        if self.is_camera_open:
            self.ui.CaplineEdit.setText('摄像头开启')
            self.cap = cv2.VideoCapture(0)
            self.video_start()
            self.ui.comboBox.setDisabled(True)
        else:
            self.ui.CaplineEdit.setText('摄像头未开启')
            self.ui.label_show.setText('')
            if self.cap:
                self.cap.release()
                cv2.destroyAllWindows()
            self.ui.label_show.clear()

    def get_resize_size(self, img):
        _img = img.copy()
        img_height, img_width , depth= _img.shape
        ratio = img_width / img_height
        if ratio >= self.show_width / self.show_height:
            self.img_width = self.show_width
            self.img_height = int(self.img_width / ratio)
        else:
            self.img_height = self.show_height
            self.img_width = int(self.img_height * ratio)
        return self.img_width, self.img_height

    def save_detect_video(self):
        if self.cap is None and not self.org_path:
            QMessageBox.about(self, '提示', '当前没有可保存信息，请先打开图片或视频！')
            return

        if self.is_camera_open:
            QMessageBox.about(self, '提示', '摄像头视频无法保存!')
            return

        if self.cap:
            res = QMessageBox.information(self, '提示', '保存视频检测结果可能需要较长时间，请确认是否继续保存？',QMessageBox.Yes | QMessageBox.No ,  QMessageBox.Yes)
            if res == QMessageBox.Yes:
                self.video_stop()
                com_text = self.ui.comboBox.currentText()
                self.btn2Thread_object = btn2Thread(self.org_path, self.model, com_text)
                self.btn2Thread_object.start()
                self.btn2Thread_object.update_ui_signal.connect(self.update_process_bar)
            else:
                return
        else:
            if os.path.isfile(self.org_path):
                fileName = os.path.basename(self.org_path)
                name , end_name= fileName.rsplit(".",1)
                save_name = name + '_detect_result.' + end_name
                save_img_path = os.path.join(Config.save_path, save_name)
                # 保存图片
                cv2.imwrite(save_img_path, self.draw_img)
                QMessageBox.about(self, '提示', '图片保存成功!\n文件路径:{}'.format(save_img_path))
            else:
                img_suffix = ['jpg', 'png', 'jpeg', 'bmp']
                for file_name in os.listdir(self.org_path):
                    full_path = os.path.join(self.org_path, file_name)
                    if os.path.isfile(full_path) and file_name.split('.')[-1].lower() in img_suffix:
                        name, end_name = file_name.rsplit(".",1)
                        save_name = name + '_detect_result.' + end_name
                        save_img_path = os.path.join(Config.save_path, save_name)
                        results = self.model(full_path)[0]
                        now_img = results.plot()
                        # 保存图片
                        cv2.imwrite(save_img_path, now_img)

                QMessageBox.about(self, '提示', '图片保存成功!\n文件路径:{}'.format(Config.save_path))


    def update_process_bar(self,cur_num, total):
        if cur_num == 1:
            self.progress_bar = ProgressBar(self)
            self.progress_bar.show()
        if cur_num >= total:
            self.progress_bar.close()
            QMessageBox.about(self, '提示', '视频保存成功!\n文件在{}目录下'.format(Config.save_path))
            return
        if self.progress_bar.isVisible() is False:
            # 点击取消保存时，终止进程
            self.btn2Thread_object.stop()
            return
        value = int(cur_num / total *100)
        self.progress_bar.setValue(cur_num, total, value)
        QApplication.processEvents()

    def set_percent(self, probs):
        pass


class btn2Thread(QThread):
    update_ui_signal = pyqtSignal(int,int)

    def __init__(self, path, model, com_text):
        super(btn2Thread, self).__init__()
        self.org_path = path
        self.model = model
        self.com_text = com_text
        # 用于绘制不同颜色矩形框
        self.colors = tools.Colors()
        self.is_running = True  # 标志位，表示线程是否正在运行

    def run(self):
        # VideoCapture方法是cv2库提供的读取视频方法
        cap = cv2.VideoCapture(self.org_path)
        # 设置需要保存视频的格式“xvid”
        # 该参数是MPEG-4编码类型，文件名后缀为.avi
        fourcc = cv2.VideoWriter_fourcc(*'XVID')
        # 设置视频帧频
        fps = cap.get(cv2.CAP_PROP_FPS)
        # 设置视频大小
        size = (int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)), int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)))
        # VideoWriter方法是cv2库提供的保存视频方法
        # 按照设置的格式来out输出
        fileName = os.path.basename(self.org_path)
        name, end_name = fileName.split('.')
        save_name = name + '_detect_result.avi'
        save_video_path = os.path.join(Config.save_path, save_name)
        out = cv2.VideoWriter(save_video_path, fourcc, fps, size)

        prop = cv2.CAP_PROP_FRAME_COUNT
        total = int(cap.get(prop))
        print("[INFO] 视频总帧数：{}".format(total))
        cur_num = 0

        # 确定视频打开并循环读取
        while (cap.isOpened() and self.is_running):
            cur_num += 1
            print('当前第{}帧，总帧数{}'.format(cur_num, total))

            ret, frame = cap.read()
            if ret == True:
                # 检测
                results = self.model(frame)[0]
                frame = results.plot()
                out.write(frame)
                self.update_ui_signal.emit(cur_num, total)
            else:
                break
        # 释放资源
        cap.release()
        out.release()

    def stop(self):
        self.is_running = False


if __name__ == "__main__":
    app = QApplication(sys.argv)
    win = MainWindow()
    win.show()
    sys.exit(app.exec_())

七、项目源码下载链接

视频下方简介内有项目源码和数据集下载链接

    项目视频演示

https://www.bilibili.com/video/BV1z51pB3E2z/?spm_id_from=333.1387.homepage.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764

 项目视频演示https://www.bilibili.com/video/BV1z51pB3E2z/?spm_id_from=333.1387.homepage.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764

通过网盘分享的文件：项目源码.docx 链接: https://pan.baidu.com/s/1FU69VfNKpEY4PB4zQ1i0Ig?pwd=am7s 提取码: am7s 

您可能感兴趣的与本文相关的镜像

Yolo-v5

Yolo-v5

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎

基于YOLOv10的宫颈癌细胞分类系统：深度学习在医学图像分析中的应用
YOLO
04-08 599
为了训练YOLOv10模型进行宫颈癌细胞分类，我们需要使用一个合适的、标注清晰的数据集。在这里，我们选择。
基于深度学习YOLOv10的生活垃圾检测与分类系统（Python + PySide6界面 + 训练代码）
YOLO
02-18 317
通过本项目，我们实现了一个基于YOLOv10的生活垃圾检测与分类系统，系统包含了数据准备、模型训练、推理以及PySide6图形界面等多个模块。完整的代码和操作流程为实际部署提供了参考。随着深度学习技术的发展，垃圾分类将越来越智能化，为实现可持续发展的绿色城市贡献力量。
基于YOLOv8深度学习的生活垃圾分类目标检测系统【python源码+Pyqt5界面+数据集+训练代码】目标检测
热门推荐
阿旭的博客
11-30 1万+
基于YOLOv8深度学习的生活垃圾分类目标检测系统【python源码+Pyqt5界面+数据集+训练代码】目标检测
基于YOLOv5开源项目实现垃圾分类功能(1)
小嵌同学的博客
03-05 9981
目录一、垃圾分类目标检测数据集---Pascal Voc数据集二、对数据集进行分析三、开发环境搭建 一、垃圾分类目标检测数据集—Pascal Voc数据集 参考学习(必看)：https://blog.youkuaiyun.com/u013832707/article/details/80060327 假设一张图片的宽为1000，高为654： 标记方式一：bbx的左上角坐标，右下角坐标 标记方式二：bbx的中心点坐标以及该点到矩形框底边和侧边的距离 可以用python代码实现两种标记格式的转换: def conve
垃圾分类检测系统YOLO+DeepSeek+Pytorch+SpringBoot+Flask+Vue
初尘屿风的博客
10-13 205
该文介绍了一款基于多技术的智能垃圾分类系统，具备4种垃圾检测分类功能（有害/可回收/厨余/其他）。系统采用YOLO目标检测算法，结合DeepSeek和Qwen大模型提供建议，支持图片/视频/实时摄像头检测。采用前后端分离架构（Vue3+SpringBoot），实现用户分级管理（管理员查看全部/普通用户仅个人记录）。系统提供个性化UI定制（主题/布局/组件），配套交付完整数据集、部署教程、训练权重及注释清晰的源码。技术栈涵盖Pytorch、Flask、MySQL等主流框架，并集成Echarts可视化分析。
基于Yolov5的垃圾分类
code helper
05-10 984
为了帮助人们更方便地进行垃圾分类，开发一款基于 YOLOv5 模型的垃圾分类系统，能够识别图像中的垃圾，并根据其类别进行分类。垃圾分类：系统应根据识别出的垃圾物体进行分类，将其划分为可回收、有害、厨余和其他等类别。结果显示：系统应能够显示识别和分类的结果，包括识别出的垃圾物体和它们的类别。用户界面：系统应具有友好的用户界面，包括图像上传按钮、结果显示窗口等。图像识别：系统应能够对输入的图像进行识别，识别出图像中的垃圾物体。文档：提供系统的使用说明文档，包括安装步骤、运行方法、功能介绍等。
基于深度学习的垃圾分类检测系统（YOLOv8+YOLO数据集+UI界面+Python项目+模型）
斌擎科技
04-24 1178
本项目基于先进的YOLOv8目标检测算法，开发了一套高效准确的垃圾分类智能检测系统。系统针对四种常见垃圾类别（可回收物、有害垃圾、厨余垃圾和其他垃圾）进行识别分类，使用包含2743张图像的数据集（训练集1910张，验证集833张）进行模型训练与验证。该系统能够实时检测图像或视频流中的垃圾物品，并准确分类到相应类别，为智能垃圾分类提供技术支持。项目采用深度学习技术，通过数据增强、模型优化等手段提高了分类准确率，在验证集上达到了较高的识别精度。
基于深度学习的人脸年龄检测识别系统：YOLOv10 + UI界面 + 数据集
YOLO
12-07 811
YOLO（You Only Look Once）是目前最为流行的目标检测算法之一。YOLOv10作为YOLO系列的最新版本，相较于之前的版本，进一步提高了检测精度与速度，尤其是在小物体检测上具有显著提升。YOLOv10不仅能够快速检测物体的边界框，还能够对每个框中的目标进行分类。在我们的系统中，YOLOv10将用于检测视频中的人脸区域。由于YOLOv10是一个目标检测模型，而年龄预测是一个回归问题，因此我们需要在YOLOv10的基础上进一步实现回归模型来预测年龄。
【YOLO 系列】基于YOLOV8的智能花卉分类检测系统【python源码+Pyqt5界面+数据集+训练代码】
牧子川的博客
09-07 3482
花朵作为自然界中的重要组成部分，不仅在生态学上具有重要意义，也在园艺、农业以及艺术领域中占有一席之地。随着图像识别技术的发展，自动化的花朵分类对于植物研究、生物多样性保护以及园艺爱好者来说变得越发重要。为了提高花朵分类的效率和准确性，我们启动了基于YOLO V8的花朵分类智能识别系统项目。该项目利用深度学习技术，通过分析花朵图像，自动识别并分类不同种类的花朵，为用户提供一个高效的花朵识别工具。
基于YOLOv8深度学习的行人跌倒检测系统【python源码+Pyqt5界面+数据集+训练代码】目标检测
zhangjiaofa的专栏
04-21 138
1. 支持图片、视频及摄像头进行跌倒检测，同时支持图片的批量检测；2. 界面可实时显示目标位置目标总数置信度用时等信息;3. 支持图片或者视频的跌倒检测结果保存；
基于YOLOv9的道路状况检测【python源码+UI界面+数据集+模型+语音报警+安装说明】
weixin_43415275的博客
07-08 1304
道路状况检测是无人驾驶技术中的关键组成部分，负责识别和分析道路上的各种障碍物和状况，确保无人驾驶车辆能够安全可靠地行驶。一旦道路状况检测系统出现缺陷，可能导致车辆无法正确识别障碍物或路况变化，进而引发交通事故或其他安全隐患。因此，及时准确地检测和处理道路状况对于无人驾驶技术的实现至关重要。本文介绍了一种基于YOLOv9的道路状况检测系统，该系统在无人驾驶领域中的应用能够显著提升车辆的环境感知能力和行驶安全性。
基于yolov5的垃圾分类识别
04-06
本项目是使用yolov5结合python语言进行四类垃圾（可回收垃圾、有害垃圾、厨余垃圾和其他垃圾）的模型训练以及准确识别，下载本项目解压使用pycharm打开，测试图片可放入data下的images文件夹，运行dect.py(本项目已经在google colab上炼成丹)进行识别，识别结果存放于runs-dect-exp+数字文件夹下，可进行查看识别结果。 特别说明：本项目由于时间有限训练垃圾识别模型时所使用的数据集量比较小，所以四类垃圾中仅限瓶子、报纸；电池；剩饭；碎瓷片。有兴趣同学可采用大量数据集进行翻墙在云端进行训练。
基于深度学习的鸡检测系统（YOLOv10+YOLO数据集+UI界面+Python项目+模型）
斌擎科技
04-27 712
rooster（鸡）。该系统旨在实现对鸡的实时检测和跟踪，适用于养殖场管理、行为研究等场景。YOLOv10作为一种高效的目标检测模型，能够在保证高精度的同时实现实时处理。本研究通过构建包含鸡图像的数据集，训练并优化YOLOv10模型，最终在测试集上取得了较高的检测精度。此外，结合跟踪算法（如DeepSORT或ByteTrack），系统能够实现对鸡的连续跟踪，为养殖场自动化管理提供了技术支持。数据集配置文件data.yamlnc: 2。
YOLOv11实战垃圾分类
weixin_40280870的博客
11-14 5706
本文采用YOLOv11作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv11以其高效的特征提取能力，在多个图像分类任务中展现出卓越性能。本研究针对4种垃圾数据集进行训练和优化，该数据集包含丰富的垃圾图像样本，为模型的准确性和泛化能力提供了有力保障。通过深度学习技术，模型能够自动提取垃圾的特征并进行分类识别。PyQt5界面设计简洁直观，便于用户操作和实时查看检测结果。本研究不仅提高了垃圾的分类自动化水平，具有重要的理论应用价值。
基于yolov8算法的垃圾分类检测识别系统02-带UI界面-包配置
卧龙文化工作室的博客
10-31 1337
基于yolov8算法的垃圾分类检测识别系统02-带UI界面-包配置
【详细教程】如何使用YOLOv10进行图片与视频的目标检测
阿旭的博客
06-25 1万+
【详细教程】如何使用YOLOv10进行图片与视频的目标检测
基于YOLOv5开源项目实现垃圾分类功能(2)
小嵌同学的博客
03-07 8678
目录前言一、基本概念1、什么是权重文件？2、GPU与CPU的区别3、深度学习框架4、PyTorch二、下载和安装nvidia显卡驱动三、训练自己的模型并分析 前言   在上篇文章中，我们已经了解并学会如何使用yolov5这个开源项目，在这篇文章中，我们将会进行模型训练，使用自己训练出的权重文件实现我们的垃圾分类功能。 一、基本概念 1、什么是权重文件？   权重文件保存的就是训练好的网络各层的权值，也就是通过训练集训练出来的。训练好之后，应用时只要加载权值就可以，不再需要训练集了. 2、GPU与CPU的区别
基于深度学习的垃圾分类识别系统
weixin_57130167的博客
09-07 9444
基于深度学习的垃圾分类识别系统
YOLOv5实战垃圾分类目标检测
bai666ai的博客
06-14 7724
使用YOLOv5完成垃圾分类的目标检测 课程链接：https://edu.youkuaiyun.com/course/detail/35284
【基于深度学习YOLOv11的森林火灾烟雾识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型） - 优快云 App】https://blog.youkuaiyun.com/m0_68036862/article/details/150426178?sharetype=blogdetail&shareId=150426178&sharerefer=APP&sharesource=weixin_42856889&sharefrom=link这个链接项目可以配合解决我的课设吗
最新发布
11-29
我们正在评估基于YOLOv11的森林火灾烟雾识别检测系统项目（含数据集、UI界面、登录注册、源码和模型）是否适合解决课设问题。课设通常要求有完整的系统实现、技术深度和实践性。以下是分析： 1. **项目完整性**： ...
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