基于深度学习YOLOv12的船舶类型识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

原创 于 2025-12-19 11:25:15 发布 · 480 阅读 · 12 ·
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 #YOLO #ui #python #人工智能 #计算机视觉 #图像处理

 一、项目介绍

本项目基于先进的YOLOv12目标检测算法，开发了一套高性能的船舶图像分类与检测系统。该系统能够精准地识别和定位图像或视频流中的船舶，并将其自动分类为五大特定类别：集装箱船（Container Ship）、邮轮（Cruise Ship）、军用船舶（Military Ship）、滚装船（RORO） 和 油轮（Tanker）。YOLOv12作为YOLO系列的最新迭代，在检测速度与精度上实现了显著提升，使其非常适合于对实时性要求较高的海事监控、港口管理和航运分析等应用场景。本系统通过在海事领域专用数据集上进行充分训练与验证，展现了出色的分类准确性和目标检测鲁棒性，为智能海事监管提供了可靠的技术工具。

数据集介绍

本系统的性能得益于一个高质量、经过精心标注的船舶图像数据集。该数据集涵盖了多样化的海上场景、光照条件和船舶姿态，确保了模型的泛化能力。

  • 类别定义（nc: 5）：
    数据集共包含5种船舶类别，其名称（names）与定义如下：

    • Container Ship（集装箱船）： 用于运输标准集装箱的货船，特征为甲板上整齐堆叠的集装箱。

    • Cruise Ship（邮轮）： 用于载客旅游的大型客轮，通常拥有多层甲板和高大的上层建筑。

    • Military Ship（军用船舶）： 包括航空母舰、驱逐舰、护卫舰等用于军事目的的船舶，常具备武器系统、雷达和独特的外观设计。

    • RORO（滚装船）： 采用“滚上滚下”方式装卸车辆和货物的轮船，通常拥有巨大的船首或船尾跳板门。

    • Tanker（油轮）： 专门用于运输液体货物（如原油、液化气）的货船，甲板平坦，管线结构明显。

  • 数据规模与划分：
    数据集被严格划分为训练集、验证集和测试集，以进行有效的模型训练、调优和最终评估。

    • 训练集（Training Set）： 3,232张图像。用于模型学习不同类别船舶的特征，是训练深度学习模型权重的主要部分。

    • 验证集（Validation Set）： 339张图像。在训练过程中用于评估模型性能、调整超参数（如学习率）以及进行早停（Early Stopping），防止模型过拟合。

    • 测试集（Test Set）： 150张图像。作为未见过的数据，用于在训练完成后最终、客观地评估模型的泛化能力和真实世界的表现。该集合不参与训练的任何环节，保证了评估结果的公正性。

目录

一、项目介绍

二、项目功能展示

2.1 用户登录系统

2.2 检测功能

2.3 检测结果显示

2.4 参数配置

2.5 其他功能

3. 技术特点

4. 系统流程

三、数据集介绍

数据集配置文件

四、项目环境配置

创建虚拟环境

安装所需要库

五、模型训练

训练代码

训练结果

六、核心代码

🔐登录注册验证

🎯 多重检测模式

🖼️ 沉浸式可视化

⚙️ 参数配置系统

✨ UI美学设计

🔄 智能工作流

七、项目源码(视频简介)

基于深度学习YOLOv12的船舶类型识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili

基于深度学习YOLOv12的船舶类型识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

二、项目功能展示

✅ 用户登录注册：支持密码检测和安全性验证。

✅ 三种检测模式：基于YOLOv12模型，支持图片、视频和实时摄像头三种检测，精准识别目标。

✅ 双画面对比：同屏显示原始画面与检测结果。

✅ 数据可视化：实时表格展示检测目标的类别、置信度及坐标。

✅智能参数调节：提供置信度滑块，动态优化检测精度，适应不同场景需求。

✅科幻风交互界面：深色主题搭配动态光效，减少视觉疲劳，提升操作体验。

✅多线程高性能架构：独立检测线程保障流畅运行，实时状态提示，响应迅速无卡顿。

2.1 用户登录系统

  • 提供用户登录和注册功能

  • 用户名和密码验证

  • 账户信息本地存储(accounts.json)

  • 密码长度至少6位的安全要求

2.2 检测功能

  • 图片检测：支持JPG/JPEG/PNG/BMP格式图片的火焰烟雾检测

  • 视频检测：支持MP4/AVI/MOV格式视频的逐帧检测

  • 摄像头检测：实时摄像头流检测(默认摄像头0)

  • 检测结果保存到"results"目录

2.3 检测结果显示

  • 显示原始图像和检测结果图像

  • 检测结果表格展示，包含：

    • 检测到的类别

    • 置信度分数

    • 物体位置坐标(x,y)、

2.4 参数配置

  • 模型选择

  • 置信度阈值调节(0-1.0)

  • IoU(交并比)阈值调节(0-1.0)

  • 实时同步滑块和数值输入框

2.5 其他功能

  • 检测结果保存功能

  • 视频检测时自动保存结果视频

  • 状态栏显示系统状态和最后更新时间

  • 无边框窗口设计，可拖动和调整大小

3. 技术特点

  • 采用多线程处理检测任务，避免界面卡顿

  • 精美的UI设计，具有科技感的视觉效果：

    • 发光边框和按钮

    • 悬停和按下状态效果

    • 自定义滑块、表格和下拉框样式

  • 检测结果保存机制

  • 响应式布局，适应不同窗口大小

4. 系统流程

  1. 用户登录/注册

  2. 选择检测模式(图片/视频/摄像头)

  3. 调整检测参数(可选)

  4. 开始检测并查看结果

  5. 可选择保存检测结果

  6. 停止检测或切换其他模式

三、数据集介绍

本系统的性能得益于一个高质量、经过精心标注的船舶图像数据集。该数据集涵盖了多样化的海上场景、光照条件和船舶姿态，确保了模型的泛化能力。

  • 类别定义（nc: 5）：
    数据集共包含5种船舶类别，其名称（names）与定义如下：

    • Container Ship（集装箱船）： 用于运输标准集装箱的货船，特征为甲板上整齐堆叠的集装箱。

    • Cruise Ship（邮轮）： 用于载客旅游的大型客轮，通常拥有多层甲板和高大的上层建筑。

    • Military Ship（军用船舶）： 包括航空母舰、驱逐舰、护卫舰等用于军事目的的船舶，常具备武器系统、雷达和独特的外观设计。

    • RORO（滚装船）： 采用“滚上滚下”方式装卸车辆和货物的轮船，通常拥有巨大的船首或船尾跳板门。

    • Tanker（油轮）： 专门用于运输液体货物（如原油、液化气）的货船，甲板平坦，管线结构明显。

  • 数据规模与划分：
    数据集被严格划分为训练集、验证集和测试集，以进行有效的模型训练、调优和最终评估。

    • 训练集（Training Set）： 3,232张图像。用于模型学习不同类别船舶的特征，是训练深度学习模型权重的主要部分。

    • 验证集（Validation Set）： 339张图像。在训练过程中用于评估模型性能、调整超参数（如学习率）以及进行早停（Early Stopping），防止模型过拟合。

    • 测试集（Test Set）： 150张图像。作为未见过的数据，用于在训练完成后最终、客观地评估模型的泛化能力和真实世界的表现。该集合不参与训练的任何环节，保证了评估结果的公正性。

数据集配置文件

数据集采用标准化YOLO格式组织：

train: F:\船舶分类检测数据集\train\images
val: F:\船舶分类检测数据集\valid\images
test: F:\船舶分类检测数据集\test\images

nc: 5
names: ['Container Ship', 'Cruise Ship', 'Military Ship', 'RORO', 'Tanker']

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 yolov12 python==3.9

激活虚拟环境

conda activate yolov12

安装cpu版本pytorch

pip install torch torchvision torchaudio

安装所需要库

pip install -r requirements.txt

pycharm中配置anaconda

五、模型训练

训练代码

from ultralytics import YOLO

model_path = 'yolo12s.pt'
data_path = 'data.yaml'

if __name__ == '__main__':
    model = YOLO(model_path)
    results = model.train(data=data_path,
                          epochs=100,
                          batch=8,
                          device='0',
                          workers=0,
                          project='runs',
                          name='exp',
                          )
根据实际情况更换模型
# yolov12n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。
# yolov12s.yaml (small)：小模型，适合实时任务。
# yolov12m.yaml (medium)：中等大小模型，兼顾速度和精度。
# yolov12b.yaml (base)：基本版模型，适合大部分应用场景。
# yolov12l.yaml (large)：大型模型，适合对精度要求高的任务。
  • --batch 8：每批次8张图像。
  • --epochs 100：训练100轮。
  • --datasets/data.yaml：数据集配置文件。
  • --weights yolov12s.pt：初始化模型权重，yolov12s.pt 是预训练的轻量级YOLO模型。

训练结果

六、核心代码

import sys

import cv2
import numpy as np
from PyQt5.QtWidgets import QApplication, QMessageBox, QFileDialog
from PyQt5.QtCore import QThread, pyqtSignal
from ultralytics import YOLO
from UiMain import UiMainWindow
import time
import os
from PyQt5.QtWidgets import QDialog
from LoginWindow import LoginWindow

class DetectionThread(QThread):
    frame_received = pyqtSignal(np.ndarray, np.ndarray, list)  # 原始帧, 检测帧, 检测结果
    finished_signal = pyqtSignal()  # 线程完成信号

    def __init__(self, model, source, conf, iou, parent=None):
        super().__init__(parent)
        self.model = model
        self.source = source
        self.conf = conf
        self.iou = iou
        self.running = True

    def run(self):
        try:
            if isinstance(self.source, int) or self.source.endswith(('.mp4', '.avi', '.mov')):  # 视频或摄像头
                cap = cv2.VideoCapture(self.source)
                while self.running and cap.isOpened():
                    ret, frame = cap.read()
                    if not ret:
                        break

                    # 保存原始帧
                    original_frame = frame.copy()

                    # 检测
                    results = self.model(frame, conf=self.conf, iou=self.iou)
                    annotated_frame = results[0].plot()

                    # 提取检测结果
                    detections = []
                    for result in results:
                        for box in result.boxes:
                            class_id = int(box.cls)
                            class_name = self.model.names[class_id]
                            confidence = float(box.conf)
                            x, y, w, h = box.xywh[0].tolist()
                            detections.append((class_name, confidence, x, y))

                    # 发送信号
                    self.frame_received.emit(
                        cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),
                        cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),
                        detections
                    )

                    # 控制帧率
                    time.sleep(0.03)  # 约30fps

                cap.release()
            else:  # 图片
                frame = cv2.imread(self.source)
                if frame is not None:
                    original_frame = frame.copy()
                    results = self.model(frame, conf=self.conf, iou=self.iou)
                    annotated_frame = results[0].plot()

                    # 提取检测结果
                    detections = []
                    for result in results:
                        for box in result.boxes:
                            class_id = int(box.cls)
                            class_name = self.model.names[class_id]
                            confidence = float(box.conf)
                            x, y, w, h = box.xywh[0].tolist()
                            detections.append((class_name, confidence, x, y))

                    self.frame_received.emit(
                        cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),
                        cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),
                        detections
                    )

        except Exception as e:
            print(f"Detection error: {e}")
        finally:
            self.finished_signal.emit()

    def stop(self):
        self.running = False


class MainWindow(UiMainWindow):
    def __init__(self):
        super().__init__()

        # 初始化模型
        self.model = None
        self.detection_thread = None
        self.current_image = None
        self.current_result = None
        self.video_writer = None
        self.is_camera_running = False
        self.is_video_running = False
        self.last_detection_result = None  # 新增：保存最后一次检测结果

        # 连接按钮信号
        self.image_btn.clicked.connect(self.detect_image)
        self.video_btn.clicked.connect(self.detect_video)
        self.camera_btn.clicked.connect(self.detect_camera)
        self.stop_btn.clicked.connect(self.stop_detection)
        self.save_btn.clicked.connect(self.save_result)

        # 初始化模型
        self.load_model()

    def load_model(self):
        try:
            model_name = self.model_combo.currentText()
            self.model = YOLO(f"{model_name}.pt")  # 自动下载或加载本地模型
            self.update_status(f"模型 {model_name} 加载成功")
        except Exception as e:
            QMessageBox.critical(self, "错误", f"模型加载失败: {str(e)}")
            self.update_status("模型加载失败")

    def detect_image(self):
        if self.detection_thread and self.detection_thread.isRunning():
            QMessageBox.warning(self, "警告", "请先停止当前检测任务")
            return

        file_path, _ = QFileDialog.getOpenFileName(
            self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)")

        if file_path:
            self.clear_results()
            self.current_image = cv2.imread(file_path)
            self.current_image = cv2.cvtColor(self.current_image, cv2.COLOR_BGR2RGB)
            self.display_image(self.original_image_label, self.current_image)

            # 创建检测线程
            conf = self.confidence_spinbox.value()
            iou = self.iou_spinbox.value()
            self.detection_thread = DetectionThread(self.model, file_path, conf, iou)
            self.detection_thread.frame_received.connect(self.on_frame_received)
            self.detection_thread.finished_signal.connect(self.on_detection_finished)
            self.detection_thread.start()

            self.update_status(f"正在检测图片: {os.path.basename(file_path)}")

    def detect_video(self):
        if self.detection_thread and self.detection_thread.isRunning():
            QMessageBox.warning(self, "警告", "请先停止当前检测任务")
            return

        file_path, _ = QFileDialog.getOpenFileName(
            self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)")

        if file_path:
            self.clear_results()
            self.is_video_running = True

            # 初始化视频写入器
            cap = cv2.VideoCapture(file_path)
            frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
            frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
            fps = cap.get(cv2.CAP_PROP_FPS)
            cap.release()

            # 创建保存路径
            save_dir = "results"
            os.makedirs(save_dir, exist_ok=True)
            timestamp = time.strftime("%Y%m%d_%H%M%S")
            save_path = os.path.join(save_dir, f"result_{timestamp}.mp4")

            fourcc = cv2.VideoWriter_fourcc(*'mp4v')
            self.video_writer = cv2.VideoWriter(save_path, fourcc, fps, (frame_width, frame_height))

            # 创建检测线程
            conf = self.confidence_spinbox.value()
            iou = self.iou_spinbox.value()
            self.detection_thread = DetectionThread(self.model, file_path, conf, iou)
            self.detection_thread.frame_received.connect(self.on_frame_received)
            self.detection_thread.finished_signal.connect(self.on_detection_finished)
            self.detection_thread.start()

            self.update_status(f"正在检测视频: {os.path.basename(file_path)}")

    def detect_camera(self):
        if self.detection_thread and self.detection_thread.isRunning():
            QMessageBox.warning(self, "警告", "请先停止当前检测任务")
            return

        self.clear_results()
        self.is_camera_running = True

        # 创建检测线程 (默认使用摄像头0)
        conf = self.confidence_spinbox.value()
        iou = self.iou_spinbox.value()
        self.detection_thread = DetectionThread(self.model, 0, conf, iou)
        self.detection_thread.frame_received.connect(self.on_frame_received)
        self.detection_thread.finished_signal.connect(self.on_detection_finished)
        self.detection_thread.start()

        self.update_status("正在从摄像头检测...")

🔐登录注册验证

对应文件：LoginWindow.py

# 账户验证核心逻辑
def handle_login(self):
    username = self.username_input.text().strip()
    password = self.password_input.text().strip()
    
    if not username or not password:
        QMessageBox.warning(self, "警告", "用户名和密码不能为空！")
        return
    
    if username in self.accounts and self.accounts[username] == password:
        self.accept()  # 验证通过
    else:
        QMessageBox.warning(self, "错误", "用户名或密码错误！")

# 密码强度检查（注册时）
def handle_register(self):
    if len(password) < 6:  # 密码长度≥6位
        QMessageBox.warning(self, "警告", "密码长度至少为6位！")

🎯 多重检测模式

对应文件：main.py

图片检测

def detect_image(self):
    file_path, _ = QFileDialog.getOpenFileName(
        self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)")
    if file_path:
        self.detection_thread = DetectionThread(self.model, file_path, conf, iou)
        self.detection_thread.start()  # 启动检测线程

视频检测

def detect_video(self):
    file_path, _ = QFileDialog.getOpenFileName(
        self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)")
    if file_path:
        self.video_writer = cv2.VideoWriter()  # 初始化视频写入器
        self.detection_thread = DetectionThread(self.model, file_path, conf, iou)

实时摄像头

def detect_camera(self):
    self.detection_thread = DetectionThread(self.model, 0, conf, iou)  # 摄像头设备号0
    self.detection_thread.start()

🖼️ 沉浸式可视化

对应文件：UiMain.py

双画面显示

def display_image(self, label, image):
    q_img = QImage(image.data, w, h, bytes_per_line, QImage.Format_RGB888)
    pixmap = QPixmap.fromImage(q_img)
    label.setPixmap(pixmap.scaled(label.size(), Qt.KeepAspectRatio))  # 自适应缩放

结果表格

def add_detection_result(self, class_name, confidence, x, y):
    self.results_table.insertRow(row)
    items = [
        QTableWidgetItem(class_name),  # 类别列
        QTableWidgetItem(f"{confidence:.2f}"),  # 置信度
        QTableWidgetItem(f"{x:.1f}"),  # X坐标
        QTableWidgetItem(f"{y:.1f}")   # Y坐标
    ]

⚙️ 参数配置系统

对应文件：UiMain.py

双阈值联动控制

# 置信度阈值同步
def update_confidence(self, value):
    confidence = value / 100.0
    self.confidence_spinbox.setValue(confidence)  # 滑块→数值框
    self.confidence_label.setText(f"置信度阈值: {confidence:.2f}")

# IoU阈值同步  
def update_iou(self, value):
    iou = value / 100.0
    self.iou_spinbox.setValue(iou)

✨ UI美学设计

对应文件：UiMain.py

科幻风格按钮

def create_button(self, text, color):
    return f"""
    QPushButton {{
        border: 1px solid {color};
        color: {color};
        border-radius: 6px;
    }}
    QPushButton:hover {{
        background-color: {self.lighten_color(color, 10)};
        box-shadow: 0 0 10px {color};  # 悬停发光效果
    }}
    """

动态状态栏

def update_status(self, message):
    self.status_bar.showMessage(
        f"状态: {message} | 最后更新: {time.strftime('%H:%M:%S')}"  # 实时时间戳
    )

🔄 智能工作流

对应文件：main.py

线程管理

class DetectionThread(QThread):
    frame_received = pyqtSignal(np.ndarray, np.ndarray, list)  # 信号量通信
    
    def run(self):
        while self.running:  # 多线程检测循环
            results = self.model(frame, conf=self.conf, iou=self.iou)
            self.frame_received.emit(original_frame, result_frame, detections)

七、项目源码(视频简介)

演示与介绍视频：

基于深度学习YOLOv12的船舶类型识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili

基于深度学习YOLOv12的船舶类型识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

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