摘要：基于YOLOv8模型的老虎目標檢測系統(tǒng)可用于日常生活中檢測與定位老虎目標，利用深度學習算法可實現(xiàn)圖片、視頻、攝像頭等方式的目標檢測，另外本系統(tǒng)還支持圖片、視頻等格式的結果可視化與結果導出。本系統(tǒng)采用YOLOv8目標檢測算法訓練數(shù)據(jù)集，使用Pysdie6庫來搭建前端頁面展示系統(tǒng)。另外本系統(tǒng)支持的功能還包括訓練模型的導入、初始化；檢測置信分與檢測后處理IOU閾值的調(diào)節(jié)；圖像的上傳、檢測、可視化結果展示與檢測結果導出；視頻的上傳、檢測、可視化結果展示與檢測結果導出；攝像頭的圖像輸入、檢測與可視化結果展示；已檢測目標個數(shù)與列表、位置信息；前向推理用時等功能。本博文提供了完整的Python代碼與安裝和使用教程，適合新入門的朋友參考，部分重要代碼部分都有注釋，完整代碼資源文件請轉至文末的鏈接。

需要源碼的朋友在后臺私信博主獲取下載鏈接

基本介紹

近年來，機器學習和深度學習取得了較大的發(fā)展，深度學習方法在檢測精度和速度方面與傳統(tǒng)方法相比表現(xiàn)出更良好的性能。YOLOv8 是 Ultralytics 公司繼?YOLOv5?算法之后開發(fā)的下一代算法模型，目前支持圖像分類、物體檢測和實例分割任務。YOLOv8 是一個 SOTA模型，它建立在之前YOLO?系列模型的成功基礎上，并引入了新的功能和改進，以進一步提升性能和靈活性。具體創(chuàng)新包括：一個新的骨干網(wǎng)絡、一個新的 Ancher-Free 檢測頭和一個新的損失函數(shù)，可以在從 CPU 到 GPU 的各種硬件平臺上運行。因此本博文利用YOLOv8目標檢測算法實現(xiàn)一種老虎目標檢測模型，再使用Pyside6庫搭建出界面系統(tǒng)，完成目標檢測頁面的開發(fā)。本博主之前發(fā)布過關于YOLOv5算法的相關模型與界面，需要的朋友可從我之前發(fā)布的博客查看。另外本博主計劃將YOLOv5、YOLOv6、YOLOv7和YOLOv8一起聯(lián)合發(fā)布，需要的朋友可以持續(xù)關注，歡迎朋友們關注收藏。

環(huán)境搭建

（1）打開項目目錄，在搜索框內(nèi)輸入cmd打開終端

（2）新建一個虛擬環(huán)境（conda create -n yolo8 python=3.8）

3）激活環(huán)境，安裝ultralytics庫（yolov8官方庫），pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

（4）注意到這種安裝方式只會安裝cpu版torch，如需安裝gpu版torch，需在安裝包之前先安裝torch：pip install torch==2.0.1+cu118 torchvision==0.15.2+cu118 -f https://download.pytorch.org/whl/torch_stable.html；再，pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

（5）安裝圖形化界面庫pyside6：pip install pyside6 -i https://pypi.tuna.tsinghua.edu.cn/simple

界面及功能展示

下面給出本博文設計的軟件界面，整體界面簡潔大方，大體功能包括訓練模型的導入、初始化；置信分與IOU閾值的調(diào)節(jié)、圖像上傳、檢測、可視化結果展示、結果導出與結束檢測；視頻的上傳、檢測、可視化結果展示、結果導出與結束檢測；已檢測目標列表、位置信息；前向推理用時。初始界面如下圖：

?

模型選擇與初始化

用戶可以點擊模型權重選擇按鈕上傳訓練好的模型權重，訓練權重格式可為.pt、.onnx以及engine等，之后再點擊模型權重初始化按鈕可實現(xiàn)已選擇模型初始化的配置。

?

置信分與IOU的改變

在Confidence或IOU下方的輸入框中改變值即可同步改變滑動條的進度，同時改變滑動條的進度值也可同步改變輸入框的值；Confidence或IOU值的改變將同步到模型里的配置，將改變檢測置信度閾值與IOU閾值。

圖像選擇、檢測與導出

用戶可以點擊選擇圖像按鈕上傳單張圖像進行檢測與識別，上傳成功后系統(tǒng)界面會同步顯示輸入圖像。

再點擊圖像檢測按鈕可完成輸入圖像的目標檢測功能，之后系統(tǒng)會在用時一欄輸出檢測用時，在目標數(shù)量一欄輸出已檢測到的目標數(shù)量，在下拉框可選擇已檢測目標，對應于目標位置（即xmin、ymin、xmax以及ymax）標簽值的改變。

再點擊檢測結果展示按鈕可在系統(tǒng)左下方顯示輸入圖像檢測的結果，系統(tǒng)將顯示識別出圖片中的目標的類別、位置和置信度信息。

點擊圖像檢測結果導出按鈕即可導出檢測后的圖像，在保存欄里輸入保存的圖片名稱及后綴即可實現(xiàn)檢測結果圖像的保存。

點擊結束圖像檢測按鈕即可完成系統(tǒng)界面的刷新，將所有輸出信息清空，之后再點擊選擇圖像或選擇視頻按鈕來上傳圖像或視頻，或者點擊打開攝像頭按鈕來開啟攝像頭。

?

視頻選擇、檢測與導出

用戶點擊選擇視頻按鈕上傳視頻進行檢測與識別，之后系統(tǒng)會將視頻的第一幀輸入到系統(tǒng)界面中顯示。

再點擊視頻檢測按鈕可完成輸入視頻的目標檢測功能，之后系統(tǒng)會在用時一欄輸出檢測用時，在目標數(shù)量一欄輸出已檢測到的目標數(shù)量，在下拉框可選擇已檢測目標，對應于目標位置（即xmin、ymin、xmax以及ymax）標簽值的改變。

點擊暫停視頻檢測按鈕即可實現(xiàn)輸入視頻的暫停，此時按鈕變?yōu)槔^續(xù)視頻檢測，輸入視頻幀與幀檢測結果會保留在系統(tǒng)界面，可點擊下拉目標框選擇已檢測目標的坐標位置信息，再點擊繼續(xù)視頻檢測按鈕即可實現(xiàn)輸入視頻的檢測。

點擊視頻檢測結果導出按鈕即可導出檢測后的視頻，在保存欄里輸入保存的圖片名稱及后綴即可實現(xiàn)檢測結果視頻的保存。

點擊結束視頻檢測按鈕即可完成系統(tǒng)界面的刷新，將所有輸出信息清空，之后再點擊選擇圖像或選擇視頻按鈕來上傳圖像或視頻，或者點擊打開攝像頭按鈕來開啟攝像頭。

攝像頭打開、檢測與結束

用戶可以點擊打開攝像頭按鈕來打開攝像頭設備進行檢測與識別，之后系統(tǒng)會將攝像頭圖像輸入到系統(tǒng)界面中顯示。

再點擊攝像頭檢測按鈕可完成輸入攝像頭的目標檢測功能，之后系統(tǒng)會在用時一欄輸出檢測用時，在目標數(shù)量一欄輸出已檢測到的目標數(shù)量，在下拉框可選擇已檢測目標，對應于目標位置（即xmin、ymin、xmax以及ymax）標簽值的改變。

點擊結束視頻檢測按鈕即可完成系統(tǒng)界面的刷新，將所有輸出信息清空，之后再點擊選擇圖像或選擇視頻按鈕來上傳圖像或視頻，或者點擊打開攝像頭按鈕來開啟攝像頭。

?

算法原理介紹

本系統(tǒng)采用了基于深度學習的單階段目標檢測算法YOLOv8，相較于之前的YOLO系列目標檢測算法，YOLOv8目標檢測算法具有如下的幾點優(yōu)勢：（1）更友好的安裝/運行方式；（2）速度更快、準確率更高；（3）新的backbone，將YOLOv5中的C3更換為C2F；（4）YOLO系列第一次嘗試使用anchor-free；（5）新的損失函數(shù)。YOLOv8模型的整體結構如下圖所示，原圖見mmyolo的官方倉庫。

YOLOv8與YOLOv5模型最明顯的差異是使用C2F模塊替換了原來的C3模塊，兩個模塊的結構如下圖所示，原圖見mmyolo的官方倉庫。

另外Head 部分變化最大，從原先的耦合頭變成了解耦頭，并且從 YOLOv5 的 Anchor-Based 變成了 Anchor-Free。其結構對比如下圖所示。

數(shù)據(jù)集介紹

本系統(tǒng)使用的老虎數(shù)據(jù)集手動標注了老虎這一個類別，數(shù)據(jù)集總計4414張圖片。該數(shù)據(jù)集中類別都有大量的旋轉和不同的光照條件，有助于訓練出更加魯棒的檢測模型。本文實驗的老虎檢測識別數(shù)據(jù)集包含訓練集2306張圖片，驗證集456張圖片，測試集1652張圖片，選取部分數(shù)據(jù)部分樣本數(shù)據(jù)集如下圖所示。此外，為了增強模型的泛化能力和魯棒性，我們還使用了數(shù)據(jù)增強技術，包括隨機旋轉、縮放、裁剪和顏色變換等，以擴充數(shù)據(jù)集并減少過擬合風險。

關鍵代碼解析

在訓練階段，我們使用了預訓練模型作為初始模型進行訓練，然后通過多次迭代優(yōu)化網(wǎng)絡參數(shù)，以達到更好的檢測性能。在訓練過程中，我們采用了學習率衰減和數(shù)據(jù)增強等技術，以增強模型的泛化能力和魯棒性。一個簡單的單卡模型訓練命令如下。

在訓練時也可指定更多的參數(shù)，大部分重要的參數(shù)如下所示：

在測試階段，我們使用了訓練好的模型來對新的圖片和視頻進行檢測。通過設置閾值，將置信度低于閾值的檢測框過濾掉，最終得到檢測結果。同時，我們還可以將檢測結果保存為圖片或視頻格式，以便進行后續(xù)分析和應用。本系統(tǒng)基于YOLOv8算法，使用PyTorch實現(xiàn)。代碼中用到的主要庫包括PyTorch、NumPy、OpenCV、Pyside6等。

?

Pyside6界面設計

PySide是一個Python的圖形化界面（GUI）庫，由C++版的Qt開發(fā)而來，在用法上基本與C++版沒有特別大的差異。相對于其他Python GUI庫來說，PySide開發(fā)較快，功能更完善，而且文檔支持更好。在本博文中，我們使用Pyside6庫創(chuàng)建一個圖形化界面，為用戶提供簡單易用的交互界面，實現(xiàn)用戶選擇圖片、視頻進行目標檢測。

我們使用Qt Designer設計圖形界面，然后使用Pyside6將設計好的UI文件轉換為Python代碼。圖形界面中包含多個UI控件，例如：標簽、按鈕、文本框、多選框等。通過Pyside6中的信號槽機制，可以使得UI控件與程序邏輯代碼相互連接。

實驗結果與分析

在實驗結果與分析部分，我們使用精度和召回率等指標來評估模型的性能，還通過損失曲線和PR曲線來分析訓練過程。在訓練階段，我們使用了前面介紹的數(shù)據(jù)集進行訓練，使用了YOLOv8算法對數(shù)據(jù)集訓練，總計訓練了100個epochs。在訓練過程中，我們使用tensorboard記錄了模型在訓練集和驗證集上的損失曲線。從下圖可以看出，隨著訓練次數(shù)的增加，模型的訓練損失和驗證損失都逐漸降低，說明模型不斷地學習到更加精準的特征。在訓練結束后，我們使用模型在數(shù)據(jù)集的驗證集上進行了評估，得到了以下結果。

下圖展示了我們訓練的YOLOv8模型在驗證集上的PR曲線，從圖中可以看出，模型取得了較高的召回率和精確率，整體表現(xiàn)良好。

下圖展示了本博文在使用YOLOv8模型對數(shù)據(jù)集進行訓練時候的Mosaic數(shù)據(jù)增強圖像。

綜上，本博文訓練得到的YOLOv8模型在數(shù)據(jù)集上表現(xiàn)良好，具有較高的檢測精度和魯棒性，可以在實際場景中應用。另外本博主對整個系統(tǒng)進行了詳細測試，最終開發(fā)出一版流暢的高精度目標檢測系統(tǒng)界面，就是本博文演示部分的展示，完整的UI界面、測試圖片視頻、代碼文件等均已打包上傳，感興趣的朋友可以關注我私信獲取。另外本博文的PDF與更多的目標檢測識別系統(tǒng)請關注筆者的微信公眾號 BestSongC

其他基于深度學習的目標檢測系統(tǒng)如西紅柿、貓狗、山羊、野生目標、煙頭、二維碼、頭盔、交警、野生動物、野外煙霧、人體摔倒識別、紅外行人、家禽豬、蘋果、推土機、蜜蜂、打電話、鴿子、足球、奶牛、人臉口罩、安全背心、煙霧檢測系統(tǒng)等有需要的朋友關注我，從博主其他視頻中獲取下載鏈接。

完整項目目錄如下所示

?