《------往期经典推荐------》
一、AI应用软件开辟实战专栏【链接】
项目名称项目名称1.【人脸辨认与管理体系开辟】2.【车牌辨认与自动收费管理体系开辟】3.【手势辨认体系开辟】4.【人脸面部活体检测体系开辟】5.【图片风格快速迁移软件开辟】6.【人脸表表情辨认体系】7.【YOLOv8多目标辨认与自动标注软件开辟】8.【基于YOLOv8深度学习的行人跌倒检测体系】9.【基于YOLOv8深度学习的PCB板缺陷检测体系】10.【基于YOLOv8深度学习的生活垃圾分类目标检测体系】11.【基于YOLOv8深度学习的安全帽目标检测体系】12.【基于YOLOv8深度学习的120种犬类检测与辨认体系】13.【基于YOLOv8深度学习的路面坑洞检测体系】14.【基于YOLOv8深度学习的火焰烟雾检测体系】15.【基于YOLOv8深度学习的钢材表面缺陷检测体系】16.【基于YOLOv8深度学习的舰船目标分类检测体系】17.【基于YOLOv8深度学习的西红柿成熟度检测体系】18.【基于YOLOv8深度学习的血细胞检测与计数体系】19.【基于YOLOv8深度学习的吸烟/吸烟行为检测体系】20.【基于YOLOv8深度学习的水稻害虫检测与辨认体系】21.【基于YOLOv8深度学习的高精度车辆行人检测与计数体系】22.【基于YOLOv8深度学习的路面标志线检测与辨认体系】23.【基于YOLOv8深度学习的智能小麦害虫检测辨认体系】24.【基于YOLOv8深度学习的智能玉米害虫检测辨认体系】25.【基于YOLOv8深度学习的200种鸟类智能检测与辨认体系】26.【基于YOLOv8深度学习的45种交通标志智能检测与辨认体系】27.【基于YOLOv8深度学习的人脸面部表情辨认体系】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断体系】29.【基于YOLOv8深度学习的智能肺炎诊断体系】30.【基于YOLOv8深度学习的葡萄簇目标检测体系】31.【基于YOLOv8深度学习的100种中草药智能辨认体系】32.【基于YOLOv8深度学习的102种花草智能辨认体系】33.【基于YOLOv8深度学习的100种蝴蝶智能辨认体系】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断体系】35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪体系】36.【基于YOLOv8深度学习的智能草莓病害检测与分割体系】37.【基于YOLOv8深度学习的复杂场景下船舶目标检测体系】38.【基于YOLOv8深度学习的农作物幼苗与杂草检测体系】39.【基于YOLOv8深度学习的智能门路缝隙检测与分析体系】40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治体系】41.【基于YOLOv8深度学习的遥感地理空间物体检测体系】42.【基于YOLOv8深度学习的无人机视角地面物体检测体系】43.【基于YOLOv8深度学习的木薯病害智能诊断与防治体系】44.【基于YOLOv8深度学习的野外火焰烟雾检测体系】45.【基于YOLOv8深度学习的脑肿瘤智能检测体系】46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治体系】47.【基于YOLOv8深度学习的橙子病害智能诊断与防治体系】48.【基于深度学习的车辆检测追踪与流量计数体系】49.【基于深度学习的行人检测追踪与双向流量计数体系】50.【基于深度学习的反光衣检测与预警体系】51.【基于深度学习的危险区域职员突入检测与报警体系】52.【基于深度学习的高密度人脸智能检测与统计体系】53.【基于深度学习的CT扫描图像肾结石智能检测体系】54.【基于深度学习的水果智能检测体系】55.【基于深度学习的水果质量优劣智能检测体系】56.【基于深度学习的蔬菜目标检测与辨认体系】57.【基于深度学习的非机动车驾驶员头盔检测体系】58.【太基于深度学习的阳能电池板检测与分析体系】59.【基于深度学习的工业螺栓螺母检测】60.【基于深度学习的金属焊缝缺陷检测体系】61.【基于深度学习的链条缺陷检测与辨认体系】62.【基于深度学习的交通信号灯检测辨认】63.【基于深度学习的草莓成熟度检测与辨认体系】64.【基于深度学习的水下海生物检测辨认体系】65.【基于深度学习的门路交通事故检测辨认体系】66.【基于深度学习的安检X光危险品检测与辨认体系】67.【基于深度学习的农作物种别检测与辨认体系】68.【基于深度学习的危险驾驶行为检测辨认体系】69.【基于深度学习的维修工具检测辨认体系】70.【基于深度学习的维修工具检测辨认体系】71.【基于深度学习的修建墙面损伤检测体系】72.【基于深度学习的煤矿传送带异物检测体系】73.【基于深度学习的老鼠智能检测体系】74.【基于深度学习的水面垃圾智能检测辨认体系】75.【基于深度学习的遥感视角船只智能检测体系】76.【基于深度学习的胃肠道息肉智能检测分割与诊断体系】77.【基于深度学习的心脏超声图像间隔壁检测分割与分析体系】78.【基于深度学习的心脏超声图像间隔壁检测分割与分析体系】79.【基于深度学习的果园苹果检测与计数体系】80.【基于深度学习的半导体芯片缺陷检测体系】81.【基于深度学习的糖尿病视网膜病变检测与诊断体系】 二、机器学习实战专栏【链接】,已更新31期,接待关注,连续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】,连续更新中~~
六、YOLO性能对比专栏【链接】,连续更新中~
《------正文------》
根本功能演示
基于YOLO11深度学习的活动鞋品牌检测与辨认体系【python源码+Pyqt5界面+数据集+训练代码】
[color=‘’]摘要:活动文化普及和体育用品市场扩大使活动鞋品牌和格局增多,快速正确辨认品牌信息对消耗者、零售商和品牌方至关重要。但传统的人工查抄和条形码扫描服从低、易堕落。本文基于YOLO11的深度学习框架,通过6060张实际场景中不同活动鞋品牌的相干图片,训练了可进行活动鞋品牌检测的模型,可以很好的检测并辨认实际场景中不同活动鞋。终极基于训练好的模型制作了一款带UI界面的活动鞋品牌检测与辨认体系,更便于进行功能的展示。该体系是基于python与PyQT5开辟的,支持图片、视频以及摄像头进行目标检测,并保存检测结果。本文提供了完备的Python代码和利用教程,给感爱好的小伙伴参考学习,完备的代码资源文件获取方式见文末。
点击跳转至文末《完备相干文件及源码》获取
研究配景
随着活动文化的普及和体育用品市场的不停扩大,市场上活动鞋的品牌和格局日益多样化。对于消耗者、零售商以及品牌方来说,正确快速地辨认活动鞋的品牌信息变得越来越重要。然而,传统的辨认方法依靠于人工查抄或条形码扫描等方式,这些方法在处置惩罚大量商品时服从低下且容易堕落。基于YOLO深度学习框架开辟的活动鞋品牌检测辨认体系,能够实时自动辨认图像中的活动鞋位置及其具体品牌名称,极大地提高了辨认服从和正确性。该体系的应用不但优化了库存管理和顾客服务流程,也为市场分析和品牌保护提供了新的工具。
应用场景
零售管理:帮助零售商实现自动化库存盘点,通过摄像头监控店内商品,快速获取货架上各类活动鞋的品牌信息,提高库存管理服从。
智能购物体验:为实体店肆提供智能导购服务,顾客可以通过手机应用程序拍摄感爱好的活动鞋,体系即时表现品牌及相干信息,增强购物体验。
电子商务平台:在线销售平台上利用该体系对上传的商品图片进行自动标注,确保产品信息的正确性和同等性,提升用户体验。
市场研究与趋势分析:收集不同地区、时间段内各种品牌活动鞋的出现频率数据,为企业制定市场营销策略提供依据。
重要工作内容
本文的重要内容包括以下几个方面:
- 搜集与整理数据集:搜集整理实际场景中不同品牌活动鞋的相干数据图片,并进行相应的数据标注与处置惩罚,为模型训练提供训练数据集;
- 训练模型:基于整理的数据集,根据最前沿的YOLOv11目标检测技术训练目标检测模型,实现对需要检测的对象进行有效检测的功能;
- 模型性能评估:对训练出的模型在验证集上进行了充分的结果评估和对比分析,重要目标是为了展现模型在关键指标(如Precision、Recall、mAP50和mAP50-95等指标)上的表现情况。
- 可视化体系制作:基于训练出的目标检测模型,搭配Pyqt5制作的UI界面,用python开辟了一款界面简洁的软件体系,可支持图片、视频以及摄像头检测,同时可以将图片大概视频检测结果进行保存。其目标是为检测体系提供一个用户友好的操作平台,利用户能够便捷、高效地进行检测任务。
软件初始界面如下图所示:
检测结果界面如下:
一、软件焦点功能先容及结果演示
软件重要功能
1. 可用于实际场景中的活动鞋检测,并辨认不同品牌,分6个检测种别:['阿迪达斯','斐乐','新百伦','耐克','彪马','安德玛'];
2. 支持图片、视频及摄像头进行检测,同时支持图片的批量检测;
3. 界面可实时表现目标位置、目标总数、置信度、用时、检测结果等信息;
4. 支持图片大概视频的检测结果保存;
5. 支持将图片的检测结果保存为csv文件;
界面参数设置分析
置信度阈值:也就是目标检测时的conf参数,只有检测出的目标框置信度大于该值,结果才会表现;
交并比阈值:也就是目标检测时的iou参数,对检测框重叠比例iou大于该阈值的目标框进行过滤【也就是说假如两检测框iou大于该值的话,会过滤掉其中一个,该值越小,重叠框会越少】;
检测结果分析
表现标签名称与置信度:表示是否在检测图片上标签名称与置信度,表现默认勾选,如果不勾选则不会在检测图片上表现标签名称与置信度;
总目标数:表示画面中检测出的目标数量;
目标选择:可选择单个目标进行位置信息、置信度查看。
目标位置:表示所选择目标的检测框,左上角与右下角的坐标位置。默认表现的是置信度最大的一个目标信息;
重要功能分析
功能视频演示见文章开头,以下是简要的操作形貌。
(1)图片检测分析
点击打开图片按钮,选择需要检测的图片,大概点击打开文件夹按钮,选择需要批量检测图片地点的文件夹,操作演示如下:
点击目标下拉框后,可以选定指定目标的结果信息进行表现。
点击保存按钮,会对检测结果进行保存,存储路径为:save_data目次下,同时会将图片检测信息保存csv文件。
注:1.右侧目标位置默认表现置信度最大一个目标位置,可用下拉框进行目标切换。全部检测结果均在左下方表格中表现。
(2)视频检测分析
点击视频按钮,打开选择需要检测的视频,就会自动表现检测结果,再次点击可以关闭视频。
点击保存按钮,会对视频检测结果进行保存,存储路径为:save_data目次下。
(3)摄像头检测分析
点击打开摄像头按钮,可以打开摄像头,可以实时进行检测,再次点击,可关闭摄像头。
(4)保存图片与视频检测分析
点击保存按钮后,会将当前选择的图片【含批量图片】大概视频的检测结果进行保存,对于图片图片检测还会保存检测结果为csv文件,方便进行查看与后续利用。检测的图片与视频结果会存储在save_data目次下。
【注:暂不支持视频文件的检测结果保存为csv文件格式。】
保存的检测结果文件如下:
图片文件保存的csv文件内容如下,包括图片路径、目标在图片中的编号、目标种别、置信度、目标坐标位置。
注:其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。
二、YOLO11简介
YOLO11源码地点:https://github.com/ultralytics/ultralytics
Ultralytics YOLO11是一款前沿的、开始进的模型,它在之前YOLO版本乐成的基础上进行了构建,并引入了新功能和改进,以进一步提升性能和灵活性。YOLO11设计快速、正确且易于利用,使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。
YOLO11创新点如下:
YOLO 11重要改进包括:
增强的特征提取:YOLO 11接纳了改进的骨干和颈部架构,增强了特征提取功能,以实现更准确的目标检测。
优化的服从和速度:优化的架构设计和优化的训练管道提供更快的处置惩罚速度,同时保持正确性和性能之间的平衡。
更高的精度,更少的参数:YOLO11m在COCO数据集上实现了更高的平均精度(mAP),参数比YOLOv8m少22%,使其在不影响精度的情况下提高了计算服从。
跨情况的顺应性:YOLO 11可以部署在各种情况中,包括边缘装备、云平台和支持NVIDIA GPU的体系。
广泛的支持任务:YOLO 11支持各种计算机视觉任务,如对象检测、实例分割、图像分类、姿态估计和面向对象检测(OBB)。
三、模型训练、评估与推理
本文重要基于YOLO11n模型进行模型训练,训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。总体流程包括:数据集准备、模型训练、模型评估。
1. 数据集准备与训练
通过网络上搜集关于实际场景中不同品牌活动鞋的相干图片,并利用Labelimg标注工具对每张图片进行标注,分6个检测种别:['阿迪达斯','斐乐','新百伦','耐克','彪马','安德玛']。
数据增强:
通过随机旋转、缩放、裁剪、翻转等方式进行图片数据增强,以扩充数据集。
终极数据集一共包罗6060张图片,其中训练集包罗5304张图片,验证集包罗504张图片,测试集包罗252张图片。
部门图像及标注如下图所示:
数据集各种别数量分布情况如下:
2.模型训练
准备好数据集后,将图片数据以如下格式放置在项目目次中。在项目目次中新建datasets目次,同时将检测的图片分为训练集与验证集放入Data目次下。
同时我们需要新建一个data.yaml文件,用于存储训练数据的路径及模型需要进行检测的种别。YOLOv11在进行模型训练时,会读取该文件的信息,用于进行模型的训练与验证。data.yaml的具体内容如下:
- train: D:\2MyCVProgram\2DetectProgram\SneakerBrandDetetction_v11\datasets\Data/train/images
- val: D:\2MyCVProgram\2DetectProgram\SneakerBrandDetetction_v11\datasets\Data/valid/images
- test: D:\2MyCVProgram\2DetectProgram\SneakerBrandDetetction_v11\datasets\Data/test/images
- nc: 6
- names: ['adidas', 'fila', 'new_balance', 'nike', 'puma', 'under_armour']
复制代码 注:train与val背面表示需要训练图片的路径,发起直接写自己文件的绝对路径。
数据准备完成后,通过调用train.py文件进行模型训练,epochs参数用于调整训练的轮数,batch参数用于调整训练的批次大小【根据内存大小调整,最小为1】,optimizer设定的优化器为SGD,训练代码如下:
- #coding:utf-8
- from ultralytics import YOLO
- import matplotlib
- matplotlib.use('TkAgg')
- # 模型配置文件
- model_yaml_path = "ultralytics/cfg/models/11/yolo11.yaml"
- #数据集配置文件
- data_yaml_path = 'datasets/Data/data.yaml'
- #预训练模型
- pre_model_name = 'yolo11n.pt'
- if __name__ == '__main__':
- #加载预训练模型
- model = YOLO(model_yaml_path).load(pre_model_name)
- #训练模型
- results = model.train(data=data_yaml_path,
- epochs=150, # 训练轮数
- batch=4, # batch大小
- name='train_v11', # 保存结果的文件夹名称
- optimizer='SGD') # 优化器
复制代码 模型常用训练超参数参数分析:
YOLO11 模型的训练设置包括训练过程中利用的各种超参数和配置。这些设置会影响模型的性能、速度和正确性。关键的训练设置包括批量大小、学习率、动量和权重衰减。此外,优化器、丧失函数和训练数据集组成的选择也会影响训练过程。对这些设置进行仔细的调整和实验对于优化性能至关重要。
以下是一些常用的模型训练参数和分析:
参数名默认值分析modelNone指定用于训练的模型文件。接受指向 .pt 预训练模型或 .yaml 配置文件。对于界说模型结构或初始化权重至关重要。dataNone数据集配置文件的路径(比方 coco8.yaml).该文件包罗特定于数据集的参数,包括训练数据和验证数据的路径、类名和类数。epochs100训练总轮数。每个epoch代表对整个数据集进行一次完备的训练。调整该值会影响训练时间和模型性能。patience100在验证指标没有改善的情况下,提前停止训练所需的epoch数。当性能趋于安稳时停止训练,有助于防止过度拟合。batch16批量大小,有三种模式:设置为整数(比方,’ Batch =16 ‘), 60% GPU内存利用率的自动模式(’ Batch =-1 ‘),或指定利用率分数的自动模式(’ Batch =0.70 ')。imgsz640用于训练的目标图像尺寸。全部图像在输入模型前都会被调整到这一尺寸。影响模型精度和计算复杂度。deviceNone指定用于训练的计算装备:单个 GPU (device=0)、多个 GPU (device=0,1)、CPU (device=cpu),或苹果芯片的 MPS (device=mps).workers8加载数据的工作线程数(每 RANK 多 GPU 训练)。影响数据预处置惩罚和输入模型的速度,尤其适用于多 GPU 设置。nameNone训练运行的名称。用于在项目文件夹内创建一个子目次,用于存储训练日志和输出结果。pretrainedTrue决定是否从预处置惩罚模型开始训练。可以是布尔值,也可以是加载权重的特定模型的字符串路径。提高训练服从和模型性能。optimizer'auto'为训练模型选择优化器。选项包括 SGD, Adam, AdamW, NAdam, RAdam, RMSProp 等,或 auto 用于根据模型配置进行自动选择。影响收敛速度和稳固性lr00.01初始学习率(即 SGD=1E-2, Adam=1E-3) .调整这个值对优化过程至关重要,会影响模型权重的更新速度。lrf0.01终极学习率占初始学习率的百分比 = (lr0 * lrf),与调度程序结合利用,随着时间的推移调整学习率。 3. 训练结果评估
在深度学习中,我们通常用丧失函数降落的曲线来观察模型训练的情况。YOLOv11在训练时重要包罗三个方面的丧失:定位丧失(box_loss)、分类丧失(cls_loss)和动态特征丧失(dfl_loss),在训练竣事后,可以在runs/目次下找到训练过程及结果文件,如下所示:
各丧失函数作用分析:
定位丧失box_loss:猜测框与标定框之间的误差(GIoU),越小定位得越准;
分类丧失cls_loss:计算锚框与对应的标定分类是否正确,越小分类得越准;
动态特征丧失(dfl_loss):DFLLoss是一种用于回归猜测框与目标框之间距离的丧失函数。在计算丧失时,目标框需要缩放到特征图尺度,即除以相应的stride,并与猜测的界限框计算Ciou Loss,同时与猜测的anchors中央点到各边的距离计算回归DFLLoss。
本文训练结果如下:
我们通常用PR曲线来表现准确率和召回率的关系,本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积,m表示平均,@背面的数表示判断iou为正负样本的阈值。mAP@.5:表示阈值大于0.5的平均mAP,可以看到本文模型目标检测的mAP@0.5值为0.636,结果还是可以的。
4. 利用模型进行推理
模型训练完成后,我们可以得到一个最佳的训练结果模型best.pt文件,在runs/train/weights目次下。我们可以利用该文件进行后续的推理检测。
图片检测代码如下:
- #coding:utf-8
- from ultralytics import YOLO
- import cv2
- # 所需加载的模型目录
- path = 'models/best.pt'
- # 需要检测的图片地址
- img_path = "TestFiles/5-151-_jpg.rf.3c8bc33847c19c4186bda2ea93e58016.jpg"
- # 加载预训练模型
- model = YOLO(path, task='detect')
- # 检测图片
- results = model(img_path)
- res = results[0].plot()
- # res = cv2.resize(res,dsize=None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR)
- cv2.imshow("Detection Result", res)
- cv2.waitKey(0)
复制代码 实行上述代码后,会将实行的结果直接标注在图片上,结果如下:
更多检测结果示比方下:
四、可视化体系制作
基于上述训练出的目标检测模型,为了给此检测体系提供一个用户友好的操作平台,利用户能够便捷、高效地进行检测任务。博主基于Pyqt5开辟了一个可视化的体系界面,通过图形用户界面(GUI),用户可以轻松地在图片、视频和摄像头实时检测之间切换,无需把握复杂的编程技能即可操作体系。【体系具体展示见第一部门内容】
Pyqt5具体先容
关于Pyqt5的具体先容可以参考之前的博客文章:《Python中的Pyqt5具体先容:根本机构、部件、布局管理、信号与槽、跨平台》,地点:
https://a-xu-ai.blog.csdn.net/article/details/143273797
体系制作
博主基于Pyqt5框架开辟了此款活动鞋品牌检测与辨认体系,即文中第一部门的演示内容,能够很好的支持图片、视频及摄像头进行检测,同时支持检测结果的保存。
通过图形用户界面(GUI),用户可以轻松地在图片、视频和摄像头实时检测之间切换,无需把握复杂的编程技能即可操作体系。这不但提升了体系的可用性和用户体验,还使得检测过程更加直观透明,便于结果的实时观察和分析。此外,GUI还可以集成其他功能,如检测结果的保存与导出、检测参数的调整,从而为用户提供一个全面、综合的检测工作情况,促进智能检测技术的广泛应用。
关于该体系涉及到的完备源码、UI界面代码、数据集、训练代码、训练好的模型、测试图片视频等相干文件,均已打包上传,感爱好的小伙伴可以通过下载链接自行获取。
【获取方式】
关注末尾名片GZH【阿旭算法与机器学习】,发送【源码】获取下载方式
本文涉及到的完备全部程序文件:包括python源码、数据集、训练好的结果文件、训练代码、UI源码、测试图片视频等(见下图),获取方式见文末:
留意:该代码基于Python3.9开辟,运行界面的主程序为MainProgram.py,其他测试脚本分析见上图。为确保程序顺遂运行,请按照程序运行分析文档txt配置软件运行所需情况。
好了,这篇文章就先容到这里,喜欢的小伙伴感谢给点个赞和关注,更多精彩内容连续更新~~
关于本篇文章大家有任何发起或意见,接待在批评区留言交换!
免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作!更多信息从访问主页:qidao123.com:ToB企服之家,中国第一个企服评测及商务社交产业平台。 |