如何使用YOLOv12v11v8v5模型和Pyqt5界面开发航拍视角羊群检测系统并训练代码及数据集？

视频演示 基于深度学习的航拍视角下的羊群检测系统 1. 前言​ 在智慧畜牧与无人机航拍技术快速融合的当下，传统人工统计羊群数量存在效率低、误差大、耗时费力等问题，已难以满足规模化养殖的管理需求。为实现航拍视角下羊群数量的精准、高效、自动化统计，本次带来基于 YOLO 算法的航拍视角下的羊群数量统计系统。该系统依托先进的 YOLO 系列目标检测算法，结合可视化交互界面，集成图片、视频、批量文件夹、实时摄像头流等多载体检测功能，支持模型切换、参数调节、结果可视化、数据保存与导出及用户登录管理等完整业务流程，兼顾检测精度、操作便捷性与实用性，可为畜牧养殖智能化监测、牧场统计管理提供稳定可靠的技术解决方案。 2. 项目演示 2.1用户登录界面 登录界面布局简洁清晰，左侧展示系统主题，用户需输入用户名、密码及验证码完成身份验证后登录系统。 2.2新用户注册 注册时可自定义用户名与密码，支持上传个人头像；如未上传，系统将自动使用默认头像完成账号创建。 2.3主界面布局 主界面采用三栏结构，左侧为功能操作区，中间用于展示检测画面，右侧呈现目标详细信息，布局合理，交互流畅。 2.4个人信息管理 用户可在此模块中修改密码或更换头像，个人信息支持随时更新与保存。 2.5多模态检测展示 系统支持图片、视频及摄像头实时画面的目标检测。识别结果将在画面中标注显示，并且带有语音播报提醒，并在下方列表中逐项列出。点击具体目标可查看其类别、置信度及位置坐标等详细信息。 2.6 检测结果保存 可以将检测后的图片、视频进行保存，生成新的图片和视频，新生成的图片和视频中会带有检测结果的标注信息，并且还可以将所有检测结果的数据信息保存到excel中进行，方便查看检测结果。 2.7多模型切换 系统内置多种已训练模型，用户可根据实际需求灵活切换，以适应不同检测场景或对比识别效果。 3.模型训练核心代码 本脚本是YOLO模型批量训练工具，可自动修正数据集路径为绝对路径，从pretrained文件夹加载预训练模型，按设定参数（100轮/640尺寸/批次8）一键批量训练YOLOv5nu/v8n/v11n/v12n模型。 # -*- coding: utf-8 -*- """ 该脚本用于执行YOLO模型的训练。 它会自动处理以下任务： 1. 动态修改数据集配置文件 (data.yaml)，将相对路径更新为绝对路径，以确保训练时能正确找到数据。 2. 从 'pretrained' 文件夹加载指定的预训练模型。 3. 使用预设的参数（如epochs, imgsz, batch）启动训练过程。 要开始训练，只需直接运行此脚本。 """ import os import yaml from pathlib import Path from ultralytics import YOLO def main(): """ 主训练函数。 该函数负责执行YOLO模型的训练流程，包括： 1. 配置预训练模型。 2. 动态修改数据集的YAML配置文件，确保路径为绝对路径。 3. 加载预训练模型。 4. 使用指定参数开始训练。 """ # --- 1. 配置模型和路径 --- # 要训练的模型列表 models_to_train = [ {'name': 'yolov5nu.pt', 'train_name': 'train_yolov5nu'}, {'name': 'yolov8n.pt', 'train_name': 'train_yolov8n'}, {'name': 'yolo11n.pt', 'train_name': 'train_yolo11n'}, {'name': 'yolo12n.pt', 'train_name': 'train_yolo12n'} ] # 获取当前工作目录的绝对路径，以避免相对路径带来的问题 current_dir = os.path.abspath(os.getcwd()) # --- 2. 动态配置数据集YAML文件 --- # 构建数据集yaml文件的绝对路径 data_yaml_path = os.path.join(current_dir, 'train_data', 'data.yaml') # 读取原始yaml文件内容 with open(data_yaml_path, 'r', encoding='utf-8') as f: data_config = yaml.safe_load(f) # 将yaml文件中的 'path' 字段修改为数据集目录的绝对路径 # 这是为了确保ultralytics库能正确定位到训练、验证和测试集 data_config['path'] = os.path.join(current_dir, 'train_data') # 将修改后的配置写回yaml文件 with open(data_yaml_path, 'w', encoding='utf-8') as f: yaml.dump(data_config, f, default_flow_style=False, allow_unicode=True) # --- 3. 循环训练每个模型 --- for model_info in models_to_train: model_name = model_info['name'] train_name = model_info['train_name'] print(f"\n{'='*60}") print(f"开始训练模型: {model_name}") print(f"训练名称: {train_name}") print(f"{'='*60}") # 构建预训练模型的完整路径 pretrained_model_path = os.path.join(current_dir, 'pretrained', model_name) if not os.path.exists(pretrained_model_path): print(f"警告: 预训练模型文件不存在: {pretrained_model_path}") print(f"跳过模型 {model_name} 的训练") continue try: # 加载指定的预训练模型 model = YOLO(pretrained_model_path) # --- 4. 开始训练 --- print(f"开始训练 {model_name}...") # 调用train方法开始训练 model.train( data=data_yaml_path, # 数据集配置文件 epochs=100, # 训练轮次 imgsz=640, # 输入图像尺寸 batch=8, # 每批次的图像数量 name=train_name, # 模型名称 ) print(f"{model_name} 训练完成！") except Exception as e: print(f"训练 {model_name} 时出现错误: {str(e)}") print(f"跳过模型 {model_name}，继续训练下一个模型") continue print(f"\n{'='*60}") print("所有模型训练完成！") print(f"{'='*60}") if __name__ == "__main__": # 当该脚本被直接执行时，调用main函数 main() 4. 技术栈 语言：Python 3.10 前端界面：PyQt5 数据库：SQLite（存储用户信息） 模型：YOLOv5、YOLOv8、YOLOv11、YOLOv12 5. YOLO模型对比与识别效果解析 5.1 YOLOv5/YOLOv8/YOLOv11/YOLOv12模型对比 基于Ultralytics官方COCO数据集训练结果： 模型 尺寸(像素) mAPval 50-95 速度(CPU ONNX/毫秒) 参数(M) FLOPs(B) YOLO12n 640 40.6 - 2.6 6.5 YOLO11n 640 39.5 56.1 ± 0.8 2.6 6.5 YOLOv8n 640 37.3 80.4 3.2 8.7 YOLOv5nu 640 34.3 73.6 2.6 7.7 关键结论： 精度最高：YOLO12n（mAP 40.6%），显著领先其他模型（较YOLOv5nu高约6.3个百分点）； 速度最优：YOLO11n（CPU推理56.1ms），比YOLOv8n快42%，适合实时轻量部署； 效率均衡：YOLO12n/YOLO11n/YOLOv8n/YOLOv5nu参数量均为2.6M，FLOPs较低（YOLO12n/11n仅6.5B）；YOLOv8n参数量（3.2M）与计算量（8.7B）最高，但精度优势不明显。 综合推荐： 追求高精度：优先选YOLO12n（精度与效率兼顾）； 需高速低耗：选YOLO11n（速度最快且精度接近YOLO12n）； YOLOv5nu/YOLOv8n因性能劣势，无特殊需求时不建议首选。 5.2数据集分析 数据集中训练集和验证集一共3900+张图片，数据集目标类别1种:羊，数据集配置代码如下： train: ../train/images val: ../valid/images test: ../test/images nc: 1 names: ['sheep'] 上面的图片就是部分样本集训练中经过数据增强后的效果标注。 5.3 训练结果 混淆矩阵显示中识别精准度显示是一条对角线，矩阵显示该模型羊的识别率是：97%。 F1指数（F1 Score）是统计学和机器学习中用于评估分类模型性能的核心指标，综合了模型的精确率（Precision）和召回率（Recall），通过调和平均数平衡两者的表现。 当置信度为0.519时，所有类别的综合F1值0.96（蓝色曲线）。 mAP@0.5：是目标检测任务中常用的评估指标，表示在交并比（IoU）阈值为0.5时计算的平均精度均值（mAP）。其核心含义是：只有当预测框与真实框的重叠面积（IoU）≥50%时，才认为检测结果正确。 图中可以看到综合mAP@0.5值0.976（97.6%）。 6. 源码获取方式 源码获取方式：https://www.bilibili.com/video/BV1t96nBME7F