【大作业-5】火灾目标检测,YOLO+PyQt+MySQL

YOLO11+PyQt+MySQL,火灾目标检测模型

 1. 前言

大家好,这里是宋大水,今天给大家分享的是火灾目标模型,主要用到的技术包括YOLO目标检测模型、MySQL数据库和PyQt的检测界面。

主要的工作量有登录、注册、图片检测、视频检测和摄像头流的检测,四次对比试验(YOLOv5s,YOLOv8s,YOLO11s,YOLO12s)。为了进一步提升模型的性能,还在表现最好的yolo11s模型的基础上进行改进优化,加入了SE注意力机制修改损失函数为WIOU。

2. 项目展示

2.1 五次对比试验

PRmAPmAP50-95参数量(M)
YOLOv5s0.6370.6420.670.34117.6
YOLOv8s0.6820.5850.6480.34221.4
YOLO11s0.7290.6340.6940.3618.3
YOLO12s0.7480.5970.6730.35718.1
YOLO11+SE+WIOU0.7360.6170.7020.36318.3

选择了目前主流的v5,v8,11,12这四个模型进行训练,从表中可以看出YOLO11s的最终表现结果最好。在表现最好的yolo11s模型的基础上进行改进优化,加入了SE注意力机制修改损失函数为WIOU。

2.2 登录界面

这个界面由PyQt设计,具备两个功能,一个是登录功能,一个是注册功能,使用了MySQL数据库,因此我们在登录前首先要配置好数据库,才可以进行注册和登录,登录进去后进行目标检测功能。

2.3 检测界面

这个检测界面也是由PyQt所设计的,因为我们训练了五次,所以可以选择五个检测模型pt文件,分别是v5,v8,v11,v12和v11-se,选择需要检测的资源,例如图片,视频,摄像头和rtsp流,设置好置信度和IOU,选择是否要将检测结果保存到文件夹,然后点击下方的停止按钮即可开始推理检测。

2.4 训练结果部分展示

在这里展示一些表现最好的YOLO11s-se-wiou的重要的训练结果图片(F1曲线、P-R曲线、训练结果和训练图片)。

2.5 资源获取

大家可以点击顶端的B站视频评论区置顶链接获取相关资源。

3. 代码运行

3.1 数据集

火灾数据集_数据集-飞桨AI Studio星河社区

本实验数据集是一个火灾检测数据集,如下图所示。

3.2 python环境配置

本代码运行需要安装一些深度学习包,例如PyTorch,Torchvision,opencv,ultralytics等。

深度学习环境的三种搭建方式(彻底理解安装逻辑和步骤)

大家可以看上面这个视频学习如何安装深度学习环境。

3.3 mysql数据库

因为登录和注册功能使用到了MySQL数据库,所以我们需要安装配置下这个数据库,只需用该文件中的安装包安装mysql8数据库,然后将下面这个sql语句导入到数据库中,并且配置下LoginWindows.py文件的数据库用户名和密码即可使用。

这就是本次给大家分享的目标检测项目,如需更加详细的信息,可以看置顶的B站视频,谢谢。

### 飞桨3.0的相关信息 飞桨(PaddlePaddle)作为百度开源的深度学习框架,持续迭代并引入了许多新特性与优化功能。以下是关于 PaddlePaddle 3.0 的一些关键点: #### 1. 安装指南 飞桨提供了多种安装方式以适应不同用户的需求。用户可以通过 pip 工具直接安装最新版本的飞桨,命令如下: ```bash pip install paddlepaddle==3.0 -i https://pypi.org/simple ``` 对于需要 GPU 支持的用户,可以安装 GPU 版本: ```bash pip install paddlepaddle-gpu==3.0 -i https://pypi.org/simple ``` 此外,飞桨还支持通过源码编译的方式进行安装,适用于特定硬件环境下的定制化需求[^4]。 #### 2. 使用教程 飞桨官方文档中提供了丰富的使用教程,涵盖从入门到高级的各种场景。例如,基于 PaddleNLP 的自然语言处理任务,用户可以轻松实现如信息抽取、情感分析等复杂任务[^1]。以下是一个简单的代码示例,展示如何使用 Adam 优化器训练模型: ```python import paddle from paddle.optimizer import Adam # 定义模型和损失函数 model = paddle.nn.Linear(10, 1) loss_fn = paddle.nn.MSELoss() # 定义优化器 optimizer = Adam(learning_rate=0.001, beta1=0.9, beta2=0.999, parameters=model.parameters()) # 训练过程 x_data = paddle.rand([10, 10], dtype='float32') y_data = paddle.rand([10, 1], dtype='float32') for epoch in range(100): y_pred = model(x_data) loss = loss_fn(y_pred, y_data) loss.backward() optimizer.step() optimizer.clear_grad() ``` #### 3. 新特性介绍 - **自动并行推理**:在最新的版本中,飞桨进一步优化了多卡并行推理的支持。例如,在 DeepSeek-R1 模型的实际部署中,无需显式指定通信策略,仅需配置环境变量与设备列表即可完成 8 卡自动并行推理[^3]。 - **优化器改进**:Adam 优化器在飞桨中得到了增强,支持更灵活的参数调整,包括自定义 `beta1`、`beta2` 和 `epsilon` 等超参数[^2]。 - **统一设计**:飞桨 3.0 引入了推理-训练统一设计的理念,使得一套代码可以全流程复用,降低了开发和维护成本[^3]。 #### 4. 社区与支持 飞桨拥有活跃的开发者社区,用户可以在 GitHub 上找到丰富的模型库和工具支持。例如,PaddleNLP 提供了强大的 NLP 功能,支持从研究到工业应用的广泛任务[^1]。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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