基于yolov26+pyqt5的石榴成熟度检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面

基于 PyQt5 和 YOLO26 的目标检测桌面应用程序支持图片、视频和摄像头实时检测。功能特性图片检测支持图片检测视频检测支持视频文件实时检测与播放摄像头检测支持实时摄像头视频流检测模型切换支持加载不同的 YOLO26 模型.pt 或 .onnx 格式参数调节可调节置信度阈值和 IOU 阈值类别筛选支持按类别筛选检测结果结果导出支持检测结果保存为图片或导出为 JSON/TXT 格式实时统计显示 FPS、目标数量等实时统计信息效果展示训练数据集介绍数据集格式YOLO格式(不包含分割路径的txt文件仅仅包含jpg图片以及对应的yolo格式txt文件)图片数量(jpg文件个数)9953标注数量(txt文件个数)9953训练集数量8196验证集数量1171测试集数量586标注类别数5所在github仓库firc-dataset标注类别名称(注意yolo格式类别顺序不和这个对应而以labels文件夹classes.txt为准):[‘bud’,‘early-fruit’,‘flower’,‘mid-growth’,‘ripe’]每个类别标注的框数bud花芽/幼蕾框数 4132early-fruit幼果期框数 2162flower开花期框数 4786mid-growth中果期/中期生长框数 5077ripe成熟期框数 3259总框数19416图片分辨率640x640使用标注工具labelImg标注规则对类别进行画矩形框重要说明暂无特别声明本数据集不对训练的模型或者权重文件精度作任何保证图片预览标注例子:训练情况介绍模型在训练集8196张1171验证集张图片进行训练得到ClassImagesInstancesPRmAP50mAP50-95all117123200.9170.8560.9230.790bud2904770.9170.7900.8900.697early-fruit2042960.9050.8340.9110.819flower3475320.9190.8650.9370.791mid-growth3336120.8930.8590.9120.781ripe2234030.9480.9330.9630.863算法原理YOLO26 目标检测算法本项目基于YOLO26You Only Look Once v26目标检测算法由 Ultralytics 公司开发。YOLO26 是一种单阶段One-Stage目标检测器具有以下特点1. 网络架构YOLO26 采用先进的骨干网络Backbone和特征融合网络Backbone采用基于PPHGNetV2改进的C3k2_HGBlock结构集成HGBlock密集连接与压缩激励机制搭配LightConv轻量级卷积在降低计算量的同时提升特征提取效率适配边缘设备的轻量化需求[2]Neck采用 PAN-FPNPath Aggregation Network - Feature Pyramid Network结构实现自顶向下和自底向上的特征融合Head解耦头Decoupled Head设计将分类和定位任务分开处理提升检测精度2. 检测流程图像预处理将输入图像调整为模型输入尺寸默认 640x640进行归一化处理特征提取通过 Backbone 网络提取多尺度特征图特征融合Neck 网络融合不同层级的特征增强小目标检测能力预测输出Head 网络输出每个网格的类别概率和边界框坐标后处理无需使用NMS非极大值抑制算法模型采用端到端设计可直接输出最终检测结果简化部署流程并降低推理延迟[3]3. 关键技术Anchor-Free 检测YOLO26 采用无锚框设计直接预测目标中心点和尺寸简化模型结构动态目标分配DTA替代传统Task-Aligned Assigner训练时为每个目标分配唯一正样本网格从根源上避免重复框产生支撑端到端无NMS设计[1]无DFL设计摒弃传统DFLDistribution Focal Loss的复杂分布建模采用轻量化直接坐标回归降低推理负担提升边缘设备运行速度[1]Mosaic 增强训练时采用 Mosaic 数据增强将四张图片拼接提升小目标检测能力端到端无NMS设计YOLO26 摒弃了传统NMS后处理步骤通过优化预测生成和训练过程让模型直接输出最终检测结果无需额外过滤重复框不仅提升了推理速度还简化了多硬件平台的部署流程[3]4. 后处理算法置信度过滤过滤掉置信度低于阈值的检测结果类别筛选支持按指定类别过滤检测结果环境要求硬件要求项目最低配置推荐配置CPUIntel i5 或同等性能Intel i7/i9 或 AMD Ryzen 7/9内存8 GB16 GB 或以上显卡支持 CUDA 的 NVIDIA GPU可选NVIDIA RTX 1660 或以上显存4 GBGPU 推理8 GB 或以上硬盘2 GB 可用空间SSD5 GB 可用空间软件环境操作系统Windows 10/11、Linux、macOSPython3.9 或以上版本CUDA11.8 或以上如需 GPU 加速cuDNN8.6 或以上如需 GPU 加速安装步骤1. 克隆或下载项目# 使用 git 克隆,可以在github仓库firc-projects找到完整源码gitclone项目仓库地址# 或直接下载 ZIP 压缩包并解压2. 创建虚拟环境推荐# 使用 conda 创建conda create-nYOLO26-detpython3.9conda activate YOLO26-det# 或使用 venv 创建python-mvenv venv# Windows:venv\Scripts\activate# Linux/Mac:sourcevenv/bin/activate3. 安装依赖包# 安装 PyTorch根据 CUDA 版本选择# CUDA 11.8 版本pipinstalltorch2.0.1cu118torchvision0.15.2cu118 --extra-index-url https://download.pytorch.org/whl/cu118# CUDA 12.1 版本pipinstalltorch2.0.1cu121torchvision0.15.2cu121 --extra-index-url https://download.pytorch.org/whl/cu121# CPU 版本无显卡pipinstalltorch2.0.1torchvision0.15.2 --extra-index-url https://download.pytorch.org/whl/cpu# 安装其他依赖pipinstallultralytics8.4.31 pipinstallPyQt55.15.9 pipinstallopencv-python4.8.0.74 pipinstallnumpy1.24.34. 准备模型文件将训练好的 YOLO26 模型文件.pt 格式放入weights/目录下weights/ ├── best.pt # 主要模型文件 ├── class_names.txt # 类别名称文件 └── ...运行步骤启动应用程序# 激活虚拟环境后python main.py使用流程加载模型程序启动时会自动加载weights/目录下的默认模型或点击加载模型按钮手动选择模型文件选择检测模式图片检测点击图片检测按钮然后选择选择文件加载图片视频检测点击视频检测按钮选择视频文件摄像头检测点击摄像头检测按钮自动打开默认摄像头设置参数可选调节置信度阈值控制检测结果的置信度下限0.1 - 0.9调节IOU 阈值控制非极大值抑制的重叠度阈值0.1 - 0.9选择类别筛选只显示指定类别的检测结果勾选显示标签与置信度控制是否在图像上显示标签开始检测点击开始检测按钮启动检测检测过程中可点击停止检测终止保存结果点击保存结果保存检测结果图片点击导出结果将检测数据导出为 JSON 或 TXT 格式点击截图保存快速保存当前画面注意事项1. 模型文件确保模型文件.pt与类别名称文件class_names.txt匹配模型文件路径不能包含中文字符建议放在项目根目录的weights/文件夹下支持的模型格式PyTorch (.pt) 和 ONNX (.onnx)2. GPU 加速首次运行时会自动下载 CUDA 相关的预训练权重可能需要等待几分钟如遇到 CUDA 内存不足错误请关闭其他占用显存的程序无 NVIDIA 显卡时程序会自动切换为 CPU 推理速度较慢3. 检测参数置信度阈值建议设置在 0.3 - 0.5 之间过低会产生大量误检过高可能漏检IOU 阈值建议设置在 0.4 - 0.6 之间用于去除重叠的检测框参数调整会实时生效无需重新加载模型4. 摄像头检测确保摄像头设备正常工作且未被其他程序占用默认使用摄像头索引 0如需修改请在代码中调整camera_index参数摄像头检测为实时模式按停止检测或关闭窗口即可退出5. 性能优化视频检测时检测速度取决于视频分辨率和显卡性能如检测卡顿可尝试降低输入视频分辨率或更换更高性能的显卡批量图片检测时会顺序处理建议在处理大量图片前确保磁盘空间充足6. 常见问题问题解决方案模型加载失败检查模型文件路径是否正确确保文件未损坏无法打开摄像头检查摄像头连接确保没有其他程序占用摄像头CUDA out of memory减小 batch size关闭其他程序或使用 CPU 推理检测结果不准确调整置信度和 IOU 阈值或更换更合适的模型界面显示异常确保 PyQt5 正确安装尝试更新显卡驱动文件夹结构YOLO26-det-pyqt5/ # 项目根目录 │ ├── main.py # 主程序入口PyQt5 界面实现 ├── Yolov26Detector.py # YOLO26 检测器核心类 ├── README.md # 项目说明文档 │ ├── weights/ # 模型权重文件夹 │ ├── weights/ # 子文件夹存放 .pt 模型文件 │ │ └── best.pt # 默认模型文件 │ ├── class_names.txt # 类别名称列表 │ ├── args.yaml # 训练参数配置 │ ├── data.yaml # 数据集配置 │ ├── results.csv # 训练结果数据 │ ├── results.png # 训练结果图表 │ ├── confusion_matrix.png # 混淆矩阵 │ ├── BoxF1_curve.png # F1 分数曲线 │ ├── BoxP_curve.png # 精确率曲线 │ ├── BoxR_curve.png # 召回率曲线 │ └── ... # 其他训练和验证可视化结果 │ ├── test_img/ # 测试图片文件夹 │ ├── firc_1000.jpg # 测试图片示例 │ ├── firc_1001.jpg │ └── ... # 更多测试图片 │ └── 数据集地址.xlsx # 数据集信息文档文件说明文件/文件夹说明main.py应用程序主入口包含 PyQt5 GUI 界面、多线程检测逻辑、信号槽处理Yolov26Detector.pyYOLO26 检测核心类封装模型加载、推理、可视化等功能weights/存放模型权重文件和相关配置是检测功能的核心资源目录test_img/提供测试用的示例图片用于快速验证检测功能class_names.txt类别名称定义文件每行一个类别顺序需与模型训练时一致data.yamlYOLO26 数据集配置文件包含类别数、类别名称、数据集路径等技术栈Python 3.9编程语言PyQt5桌面 GUI 框架YOLO26Ultralytics目标检测模型OpenCV图像和视频处理NumPy数值计算PyTorch深度学习框架许可协议本项目仅供学习和研究使用。更新日志v1.0初始版本发布支持图片、视频、摄像头三种检测模式实现参数调节和结果导出功能提供实时 FPS 和统计信息显示