基于深度学习YOLOv12的汽车损坏识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

 一、项目介绍

本项目基于前沿的目标检测算法YOLOv12，开发了一套高性能的汽车损坏自动识别与检测系统。该系统以单类别（nc: 1）‘Car-Damage’为检测目标，能够精准地定位并识别车辆图像中的损坏区域，如剐蹭、凹陷、破裂等。系统核心在于将先进的YOLO架构与大规模、高质量的专项数据集相结合，通过端到端的训练，实现了对汽车损坏的快速、准确判断。该技术可广泛应用于保险定损、二手车评估、汽车维修智能导流等多个商业场景，旨在通过自动化检测替代传统依赖人工经验的流程，显著提升行业效率与评估的客观性，降低运营成本，是人工智能赋能传统垂直领域的典型实践。

本项目的成功高度依赖于一个大规模、高质量的专用汽车损坏数据集。该数据集经过精心收集与标注，具体情况如下：

• 检测目标与类别：数据集为单类别检测任务，仅包含一个类别：Car-Damage（汽车损坏）。所有图像中的损坏区域（包括但不限于钣金凹陷、漆面划痕、保险杠破裂等）均被精确的边界框（Bounding Box）标注出来。

• 数据规模与划分：数据集总图像数量为 11,675 张。为遵循机器学习的最佳实践，保证模型训练不发生过拟合并能准确评估其泛化能力，数据集被划分为三个独立部分：

  • 训练集：10,218 张图像。用于模型的主训练过程，让YOLOv12算法学习如何从像素中识别和定位“汽车损坏”的特征。

  • 验证集：971 张图像。在训练过程中用于调整超参数、进行早停（Early Stopping）等操作，以监控模型的训练状态并选择最佳 epoch 的权重。

  • 测试集：486 张图像。作为完全未参与训练的隐藏数据集，用于最终评估模型训练完毕后的真实性能（如mAP、Precision、Recall等指标），模拟模型在现实世界中遇到新数据时的表现。

• 数据特点与价值：数据集中的图像涵盖了多种现实环境条件（如不同光照、天气、拍摄角度）、多种车型以及各种类型和严重程度的损坏，具有很高的多样性和复杂性。这种多样性确保了训练出的模型具备强大的泛化能力，能够适应真实应用场景中的各种挑战。该数据集的规模在同类任务中属于较为庞大的，为训练深度神经网络模型提供了坚实的数据基础，是本项目取得成功的关键要素之一。

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的汽车损坏识别检测系统（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的汽车损坏识别检测系统（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

本项目的成功高度依赖于一个大规模、高质量的专用汽车损坏数据集。该数据集经过精心收集与标注，具体情况如下：

• 检测目标与类别：数据集为单类别检测任务，仅包含一个类别：Car-Damage（汽车损坏）。所有图像中的损坏区域（包括但不限于钣金凹陷、漆面划痕、保险杠破裂等）均被精确的边界框（Bounding Box）标注出来。

• 数据规模与划分：数据集总图像数量为 11,675 张。为遵循机器学习的最佳实践，保证模型训练不发生过拟合并能准确评估其泛化能力，数据集被划分为三个独立部分：

  • 训练集：10,218 张图像。用于模型的主训练过程，让YOLOv12算法学习如何从像素中识别和定位“汽车损坏”的特征。

  • 验证集：971 张图像。在训练过程中用于调整超参数、进行早停（Early Stopping）等操作，以监控模型的训练状态并选择最佳 epoch 的权重。

  • 测试集：486 张图像。作为完全未参与训练的隐藏数据集，用于最终评估模型训练完毕后的真实性能（如mAP、Precision、Recall等指标），模拟模型在现实世界中遇到新数据时的表现。

• 数据特点与价值：数据集中的图像涵盖了多种现实环境条件（如不同光照、天气、拍摄角度）、多种车型以及各种类型和严重程度的损坏，具有很高的多样性和复杂性。这种多样性确保了训练出的模型具备强大的泛化能力，能够适应真实应用场景中的各种挑战。该数据集的规模在同类任务中属于较为庞大的，为训练深度神经网络模型提供了坚实的数据基础，是本项目取得成功的关键要素之一。

数据集配置文件

数据集采用标准化YOLO格式组织：

train: F:\汽车损坏识别检测数据集\train\images
val: F:\汽车损坏识别检测数据集\valid\images
test: F:\汽车损坏识别检测数据集\test\images

nc: 1
names: ['Car-Damage']

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的汽车损坏识别检测系统（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的汽车损坏识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）