基于YOLOV8+Pyqt5光伏太阳能电池板目标检测系统

在这里插入图片描述

1、YOLOV8算法

YOLOv8 是当前效果较好的目标检测算法，它的核心网络来源于 DarkNet-53，该网络初次在 YOLOv3[11] 中被引入，并深受 ResNet[12] 的影响。DarkNet-53 使用了残差机制，并连续添加了卷积模块来加强其功能性。这 53 层的构造使其在性能上与 ResNet-152 相当，但其处理速度加快了一倍。基于 DarkNet-53 ，YOLOv8 做了进一步的调整，融入了 C2f 组件，从而进一步加强了性能并减少了模型的大小。
本文选用轻量级的 YOLOv8n 。 YOLOv8n 是从 YOLOv8 算法派生的轻量级参数结构。它包括骨干网、颈网和预测输出头。骨干网络利用卷积操作从 RGB 图像中提取各种尺度的特征。同时，颈部网络的作用是合并骨干网络提取的特征。特征金字塔结构（特征金字塔网络，FPN[13]）通常被实现以将低级特征聚合成高级表示。头部层负责预测目标类别，并利用三组不同大小的检测检测器来选择和检测图像内容。

2、数据集

高质量太阳能光伏电池板可见光图像数据集，标签包含鸟粪，清洁，脏污，电气损坏，物理损坏，积雪覆盖六类。用于目标检测，缺陷检测，异物检测。
训练集有大量数据增强图片，包含14478张图片，14478个yolo格式的标签。
nc: 6
names: [‘bird-drop’, ‘clean’, ‘dusty’, ‘electrical-damage’, ‘physical-damage’, ‘snow-covered’]
已分为测试集训练集验证集，可直接训练。

软件开发环境:python3.9
系统界面开发：pyqt5

---------项目文件说明---------

环境配置步骤【共两步】：
【注意：软件存放路径最好不要有中文。】

---------【第一步：安装python3.9】---------
方法一【推荐】：
先安装ananconda软件，官网地址：https://www.anaconda.com/download
安装完成后，在conda命令窗口，使用命令"conda create -n py39 python=3.9"创建3.9的虚拟环境
然后激活虚拟环境“conda activate py39”,然后再进行第二步依赖库的安装。
方法二：
直接在python官网下载pyhon3.9的exe文件，安装即可。

---------【第二步：安装软件所需的依赖库】---------
（注意：输入命令前，命令行需先进入项目目录的路径下，不然会提示找不到文件）
方法一：【推荐】
直接运行installPackages.py一键安装第三方库的脚本。命令为：python installPackages.py
方法二: 运行下方命令
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

---------【运行程序】---------
按照以上两步环境配置完成后，直接运行MainProgram.py文件即可打开程序。
命令为：python MainProgram.py


---------【模型训练】---------
将文件【datasets//data.yaml】中train,val数据集的绝对路径改为自己项目数据集的绝对路径
train: E:\MyCVProgram\FireSmokeDetection\datasets\train
val: E:\MyCVProgram\FireSmokeDetection\datasets\valid
test: E:\MyCVProgram\FireSmokeDetection\datasets\test

然后运行train.py文件即可开始进行模型训练,训练结果会默认保存在runs目录中。

3、训练效果展示

在这里插入图片描述

4、训练结果评估

在深度学习中，我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv8在训练时主要包含三个方面的损失：定位损失(box_loss)、分类损失(cls_loss)和动态特征损失（dfl_loss），在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下所示：
在这里插入图片描述
各损失函数作用说明：定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；分类损失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；动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分，通过计算DFLLoss可以更准确地调整预测框的位置，提高目标检测的准确性。本文训练结果如下：
在这里插入图片描述
我们通常用PR曲线来体现精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，@后面的数表示判定iou为正负样本的阈值。mAP@.5：表示阈值大于0.5的平均mAP，可以看到本文模型两类目标检测的mAP@0.5已经达到了0.87以上，平均值为0.89，结果还是很不错的。
在这里插入图片描述