【旋转框目标检测】基于YOLO11/v8深度学习的遥感视角船只智能检测系统设计与实现【python源码+Pyqt5界面+数据集+训练代码】
【旋转框目标检测】基于YOLO11//v8/深度学习的遥感视角船只智能检测系统设计与实现【python源码+Pyqt5界面+数据集+训练代码】
《------往期经典推荐------》
二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
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】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~
《------正文------》
基本功能演示
【旋转框目标检测】基于YOLO11//v8/深度学习的遥感视角船只智能检测系统设计与实现【python源码+Pyqt5界面+数据集+训练代码】
摘要：随着全球经济一体化的加深，海上运输作为国际贸易的重要纽带，其安全性和效率变得尤为重要。然而，传统的船只监测方法依赖于人工观测或有限的自动化系统，这些方法在面对复杂多变的海洋环境时显得力不从心。本文基于
YOLOv11/v8的深度学习框架，通过12616张实际场景中遥感视角船只的相关图片，训练了可进行遥感视角船只目标检测的模型，并且采用了最新的旋转框目标检测技术,其相对于传统的水平框检测，结果更加精准可靠。同时全面对比分析了YOLOv8n-obb、YOLO11n-obb这2种模型在验证集上的评估性能表现。最终基于训练好的模型制作了一款带UI界面的遥感视角船只智能检测系统，更便于进行功能的展示。该系统是基于python与PyQT5开发的，支持图片、视频以及摄像头进行目标检测，并保存检测结果。本文提供了完整的Python代码和使用教程，给感兴趣的小伙伴参考学习，完整的代码资源文件获取方式见文末。
文章目录
研究背景
随着全球经济一体化的加深，海上运输作为国际贸易的重要纽带，其安全性和效率变得尤为重要。然而，传统的船只监测方法依赖于人工观测或有限的自动化系统，这些方法在面对复杂多变的海洋环境时显得力不从心。
基于YOLO深度学习框架开发的遥感视角船只检测系统，利用先进的计算机视觉技术，能够对卫星图像、无人机拍摄的画面或地面监控摄像头捕捉到的影像进行高效分析，实现对水面船只的自动识别与定位，并且采用旋转框检测模型能够检测船只的长宽、角度等信息。这项技术不仅提升了监测的准确性和实时性，还为应对各种海洋活动提供了强有力的数据支持，对于提升海上交通安全、优化航运管理以及加强海洋环境保护等方面具有不可替代的重要性。
旋转框检测优势
本文采用的是旋转框目标检测模型，为什么采用旋转框检测而不采用传统的水平框检测呢？因为其相较于传统水平框的目标框（Axis-Aligned Bounding Box, AABB）具有以下优势：
1. 更紧密的物体包围
示例：图中蓝色框为传统水平框检测结果，红色为旋转框检测结果
问题：传统框是水平和垂直的矩形，无法贴合倾斜或长宽比悬殊的物体（如车辆、船只、文本等），导致框内包含大量无关背景区域。
优势：旋转框通过引入角度参数（如旋转角或方向角），能更精确地贴合物体轮廓，减少冗余背景，提升检测的语义准确性。
示例：
遥感图像中的船舶、自然场景中的倾斜文本，用旋转框可避免传统框的“空洞”区域。
2. 减少密集场景中的重叠问题
示例：左图为传统水平框检测结果，右图为旋转框检测结果
问题：传统框在物体密集或排列不规则时，检测框容易大面积重叠，导致非极大值抑制（NMS）误删正确检测。
优势：旋转框通过角度对齐物体，降低框之间的重叠率，缓解NMS的误判问题，提升召回率。
示例：
仓储物流中堆叠的货箱、交通场景中密集停放的车辆。
3. 提升倾斜物体的检测精度
问题：传统框对倾斜物体的标注会引入大量背景噪声，导致分类置信度下降或定位误差增大。
优势：旋转框通过方向感知建模，更适应物体的几何特性，尤其适合处理具有显著方向性的目标（如飞机、风力发电机叶片）。
示例：
航拍图像中不同朝向的飞机、医学影像中倾斜的器官结构。
4. 支持更复杂的下游任务
优势：旋转框提供的角度和形状信息可直接用于后续任务，如：
实例分割：更精准的物体掩膜生成。
姿态估计：结合角度信息推断物体朝向。
运动预测（如自动驾驶）：通过方向角预判车辆行驶轨迹。
5. 特定领域的必要需求
遥感图像：建筑物、农田等目标通常具有任意方向，传统框难以满足检测需求。
文档分析：倾斜或弯曲的文本行需要旋转框准确定位。
工业检测：机械零件、PCB板元件的方向对缺陷检测至关重要。
6. 更严格的评估指标
传统IoU（交并比）对旋转框不敏感，旋转框通常使用 旋转IoU（Rotated IoU） 或 方向敏感损失函数，能更真实反映模型性能。
局限性
尽管旋转框有上述优势，但也面临挑战：
标注成本高：需要标注角度，工具和人工成本更高。
模型复杂度：需设计角度回归分支，可能增加训练难度。
计算开销：旋转框的IoU计算复杂度高于传统框。
总的来说，旋转框在密集场景、倾斜物体、方向敏感任务中优势显著，但其适用性需结合具体场景权衡。传统框因简单高效，仍是通用场景的主流选择，而旋转框是特定领域（如遥感、文本检测）的重要补充。
系统应用场景
海上交通管理： 通过实时监控特定海域内的船只动态，帮助海事管理部门优化航线规划，减少碰撞风险，提高航道利用率。
边境安全监控： 用于国家边界的海域监控，增强对非法越境行为的预警能力，维护国家安全。
渔业资源保护： 协助渔业监管机构监控禁渔区和限制捕捞区域，有效打击非法捕鱼活动，保护海洋生态平衡。
灾害响应与搜救行动： 在发生海上事故时，快速定位遇险船只的位置，为救援队伍提供关键信息，加快救援速度。
环境保护与污染控制： 监控油轮及其他可能造成环境污染的船只航行情况，及时发现并处理潜在的污染源，保护海洋环境。
科学研究： 为海洋学研究提供数据支持，如船只流量统计、海洋生物迁徙模式探索等，增进对海洋生态系统理解。
主要工作内容
本文的主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遥感视角船只的相关数据图片，并进行相应的数据处理，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/v8目标检测技术训练旋转框目标检测模型，实现对需要检测的对象进行有效检测的功能；模型性能对比：对训练出的2种模型在验证集上进行了充分的结果评估和对比分析，主要目的是为了揭示每个模型在关键指标（如Precision、Recall、mAP50和mAP50-95等指标）上的优劣势。这不仅帮助我们在实际应用中选择最适合特定需求的模型，还能够指导后续模型优化和调优工作，以期获得更高的检测准确率和速度。最终，通过这种系统化的对比和分析，我们能更好地理解模型的鲁棒性、泛化能力以及在不同类别上的检测表现，为开发更高效的计算机视觉系统提供坚实的基础。可视化系统制作：基于训练出的目标检测模型，搭配Pyqt5制作的UI界面，用python开发了一款界面简洁的软件系统，可支持图片、视频以及摄像头检测，同时可以将图片或者视频检测结果进行保存。其目的是为检测系统提供一个用户友好的操作平台，使用户能够便捷、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：
注：右侧窗口中上面窗口为原始图片，下方窗口为图片检测结果。
一、软件核心功能介绍及效果演示
软件主要功能
1. 可用于实际场景中的遥感视角船只检测，只有1个检测类别：['船只'];
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. 界面可实时显示目标位置、目标总数、置信度、用时等信息;
4. 支持图片或者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;
界面参数设置说明
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，结果才会显示；
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】；
检测结果说明
显示标签名称与置信度：表示是否在检测图片上标签名称与置信度，显示默认勾选，如果不勾选则不会在检测图片上显示标签名称与置信度；总目标数：表示画面中检测出的目标数目；目标选择：可选择单个目标进行位置信息、置信度等信息查看。
旋转框相关信息：中心点坐标：表示旋转矩形框的中心点位置坐标；旋转角度（°）：表示矩形框长边与水平线之间小于90°的夹角;旋转框长：表示旋转框的长边长度（px像素单位）；旋转框宽：表示旋转框的宽长度（px像素单位）；
主要功能说明
功能视频演示见文章开头，以下是简要的操作描述。
（1）图片检测说明
点击打开图片按钮，选择需要检测的图片，或者点击打开文件夹按钮，选择需要批量检测图片所在的文件夹，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显示。
点击保存按钮，会对检测结果进行保存，存储路径为：save_data目录下,同时会将图片检测信息保存csv文件。注：1.右侧目标位置默认显示置信度最大一个目标位置，可用下拉框进行目标切换。所有检测结果均在左下方表格中显示。
（2）视频检测说明
点击视频按钮，打开选择需要检测的视频，就会自动显示检测结果，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目录下。
（3）摄像头检测说明
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说明
点击保存按钮后，会将当前选择的图片【含批量图片】或者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使用。检测的图片与视频结果会存储在save_data目录下。
【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、目标类别、置信度、中心点坐标、旋转框长、旋转框宽、旋转角度。
二、YOLOv5/v8/v10/11介绍
关于YOLOv5/v8/v10/v11模型的详细介绍可以参考之前分享的博客文章《YOLOv5/v8/v10/v11详细介绍：网络结构，创新点》，地址：
https://a-xu-ai.blog.csdn.net/article/details/143272589
二、模型训练、评估与推理
本文主要基于YOLOv8n-obb、YOLO11n-obb这2种旋转框检测模型进行模型的训练，训练完成后对2种模型在验证集上的表现进行全面的性能评估及对比分析。模型训练和评估流程基本一致，包括：数据集准备、模型训练、模型评估。下面主要以最新的YOLO11为例进行训练过程的详细讲解，YOLOv8的训练过程类似。
1. 数据集准备与训练
通过网络上搜集关于实际场景中水面垃圾的相关图片，并使用roLabelImg标注工具对每张图片进行标注，分1个检测类别：['船']。
最终数据集一共包含12616张图片，其中训练集包含9583张图片，验证集包含3033张图片。
部分数据集图像及标注如下图所示：
数据集各类别数目分布情况如下：
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录中。在项目目录中新建datasets目录，同时将检测的图片分为训练集与验证集放入Data目录下。
自定义数据集格式
数据集格式
YOLO OBB格式通过其四个角点指定边界框，坐标在0和1之间归一化。它遵循以下格式：
class_index, x1, y1, x2, y2, x3, y3, x4, y4
在内部，YOLO以xywhr格式处理损失和输出，该格式表示边界框的中心点（xy）、宽度、高度和旋转。
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类别。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\7.ObbDetection\ShipObbDetection_v11\datasets\Data\images\train
val: D:\2MyCVProgram\7.ObbDetection\ShipObbDetection_v11\datasets\Data\images\val
nc: 1
names: ['ship']
注：train与val后面表示需要训练图片的路径，建议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-obb.yaml"
#数据集配置文件
data_yaml_path = 'datasets/Data/data.yaml'
#预训练模型
pre_model_name = 'yolo11n-obb.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
模型常用训练超参数参数说明：YOLO11 模型的训练设置包括训练过程中使用的各种超参数和配置。这些设置会影响模型的性能、速度和准确性。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、损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说明：
| 参数名 | 默认值 | 说明 |
|---|---|---|
model |
None |
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。对于定义模型结构或初始化权重至关重要。 |
data |
None |
数据集配置文件的路径（例如 coco8.yaml).该文件包含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。 |
epochs |
100 |
训练总轮数。每个epoch代表对整个数据集进行一次完整的训练。调整该值会影响训练时间和模型性能。 |
patience |
100 |
在验证指标没有改善的情况下，提前停止训练所需的epoch数。当性能趋于平稳时停止训练，有助于防止过度拟合。 |
batch |
16 |
批量大小，有三种模式:设置为整数(例如，’ 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 ')。 |
imgsz |
640 |
用于训练的目标图像尺寸。所有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。 |
device |
None |
指定用于训练的计算设备：单个 GPU (device=0）、多个 GPU (device=0,1)、CPU (device=cpu)，或苹果芯片的 MPS (device=mps). |
workers |
8 |
加载数据的工作线程数（每 RANK 多 GPU 训练）。影响数据预处理和输入模型的速度，尤其适用于多 GPU 设置。 |
name |
None |
训练运行的名称。用于在项目文件夹内创建一个子目录，用于存储训练日志和输出结果。 |
pretrained |
True |
决定是否从预处理模型开始训练。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。提高训练效率和模型性能。 |
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。影响收敛速度和稳定性 |
lr0 |
0.01 |
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。 |
lrf |
0.01 |
最终学习率占初始学习率的百分比 = (lr0 * lrf)，与调度程序结合使用，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，我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv11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：
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。
本文训练结果如下：
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，可以看到本文模型目标检测的mAP@0.5值为0.9，对于小目标检测来说，检测结果还是十分错的。
模型在验证集上的评估结果如下：
4. 使用模型进行推理
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目录下。我们可以使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/P1929__1024__309___0.jpg"
# 加载预训练模型
# conf 0.25 置信度阈值
# iou 0.7 iou阈值
model = YOLO(path, task='obb')
# model = YOLO(path, task='obb',conf=0.5)
# 检测图片
results = model(img_path)
res = results[0].plot(labels=False)
# res = cv2.resize(res,dsize=None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR)
cv2.imshow("Result", res)
# cv2.imwrite("result.jpg", res)
cv2.waitKey(0)
执行上述代码后，会将执行的结果直接标注在图片上，结果如下：
更多检测结果示例如下：
三、YOLOv8/11性能对比分析
本文在介绍的数据集上分别训练了YOLOv8n-obb、YOLO11n-obb这4种模型用于对比分析，训练轮数为150个epoch。主要分析这2种模型的训练结果在Precision（精确度）、Recall（召回率）、mAP50、mAP50-95、F1-score等性能指标上的表现，以选出更适合本数据集的最优模型。
1.常用评估参数介绍
-
Precision（精确度）:
-
精确度是针对预测结果的准确性进行衡量的一个指标，它定义为预测为正例（即预测为目标存在）中真正正例的比例。
-
公式：
-
其中，TP（True Positives）是正确预测为正例的数量，FP（False Positives）是错误预测为正例的数量。
-
-
Recall（召回率）:
-
召回率衡量的是模型检测到所有实际正例的能力，即预测为正例的样本占所有实际正例的比例。
-
公式：
-
其中，FN（False Negatives）是错误预测为负例（即漏检）的数量。
-
-
mAP50（平均精度，Mean Average Precision at Intersection over Union 0.5）:
- mAP50是目标检测中一个非常重要的指标，它衡量的是模型在IoU（交并比）阈值为0.5时的平均精度。IoU是一个衡量预测边界框与真实边界框重叠程度的指标。
- mAP50通常在多个类别上计算，然后取平均值，得到整体的平均精度。
- 计算方法：对于每个类别，首先计算在IoU阈值为0.5时的精度-召回率曲线（Precision-Recall Curve），然后计算曲线下的面积（AUC），最后对所有类别的AUC取平均值。
这三个指标共同提供了对目标检测模型性能的全面评估：
- 精确度（Box_P）关注预测的准确性，即减少误检（FP）。
- 召回率（Box_R）关注检测的完整性，即减少漏检（FN）。
- mAP50提供了一个平衡精确度和召回率的指标，同时考虑了模型在不同类别上的表现。
在实际应用中，根据具体需求，可能会更侧重于精确度或召回率，例如在需要减少误报的场合，可能会更重视精确度；而在需要确保所有目标都被检测到的场合，可能会更重视召回率。mAP50作为一个综合指标，能够帮助研究者和开发者平衡这两个方面，选择最合适的模型。
- mAP50-95:
- 这是衡量目标检测模型在不同IoU阈值下性能的指标。IoU是预测的边界框与真实边界框之间的重叠程度，mAP50-95计算了从IoU为0.5到0.95的范围内，模型的平均精度。
- 精度-召回率曲线在不同的IoU阈值上绘制，然后计算曲线下的面积（AUC），最后取这些AUC的平均值，得到mAP50-95。
- 这个指标反映了模型在不同匹配严格度下的性能，对于评估模型在实际应用中的泛化能力非常重要。
- F1分数:
-
这是精确度和召回率的调和平均数，能够平衡两者的影响，是一个综合考虑精确度和召回率的指标。
-
公式：
-
当精确度和召回率差距较大时，F1分数能够提供一个更全面的模型性能评估。
-
2. 模型训练过程对比
YOLOv8n-obb、YOLO11n-obb这4种模型的训练过程损失曲线与性能曲线如下。
训练过程的损失曲线对比如下：
训练过程中的精确度（Precision）、召回率（Recall）、平均精确度（Mean Average Precision, mAP）等参数的对比如下：
直观的从曲线上看，2种模型在模型精度上看，差别不是很大。下面对具体的性能数值进行详细分析。
3.各模型性能评估
在YOLOv8n、YOLO11n这3种模型训练完成后，我们可以通过验证集对各个模型分别进行性能评估。
YOLOv8n模型在验证集上的性能评估结果如下：
表格列说明：
Class:表示模型的检测类别名称；
Images:表示验证集图片数目；
Instances:表示在所有图片中目标数；
P:表示精确度Precison;
R:表示召回率Recall;
mAP50：表示IoU（交并比）阈值为0.5时的平均精度。
mAP50-95：表示从IoU为0.5到0.95的范围内【间隔0.05】，模型的平均精度。
表格行说明：
第一行all，除Instances是
所有类别目标数之和，其他参数表示所有类别对应列参数的平均值；
其他行，表示每一个类别对应参数的值。
YOLO11模型在验证集上的性能评估结果如下：
4.模型总体性能对比
下面我们从总体的平均指标上对YOLOv5n、YOLOv8n、YOLOv10n、YOLO11n这4种模型进行对比分析。
下表是YOLOv5n、YOLOv8n、YOLOv10n、YOLO11n这4不同模型目标检测结果的整体性能平均指标对比情况：
| Model | Precision | Recall | mAP50 | mAP50-95 | F1-score |
|---|---|---|---|---|---|
| YOLOv8n | 91.90 | 85.40 | 90.20 | 72.90 | 88.50 |
| YOLO11n | 91.90 | 84.80 | 90.00 | 72.90 | 88.20 |
为了方便更加直观的查看与对比各个结果，同样我们将表格绘制成图表的形式进行分析。
从上述对比数据中，我们可以看出：
从各项性能评估指标上看，YOLOv8n-obb与YOLOv11n-obb相差不大。YOLOv8n-obb在召回率Recall、mAP50与F1-score指标上略优于YOLOv11n-obb。
四、可视化系统制作
基于上述训练出的目标检测模型，为了给此检测系统提供一个用户友好的操作平台，使用户能够便捷、高效地进行检测任务。博主基于Pyqt5开发了一个可视化的系统界面，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，无需掌握复杂的编程技能即可操作系统。【系统详细展示见第一部分内容】
Pyqt5详细介绍
关于Pyqt5的详细介绍可以参考之前的博客文章：《Python中的Pyqt5详细介绍：基本机构、部件、布局管理、信号与槽、跨平台》，地址：
https://a-xu-ai.blog.csdn.net/article/details/143273797
系统制作
博主基于Pyqt5框架开发了此款遥感视角船只智能检测系统，即文中第一部分的演示内容，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，无需掌握复杂的编程技能即可操作系统。这不仅提升了系统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、综合的检测工作环境，促进智能检测技术的广泛应用。
关于该系统涉及到的完整源码、UI界面代码、数据集、训练代码、训练好的模型、测试图片视频等相关文件，均已打包上传，感兴趣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VX，发送【源码】获取下载方式
本文涉及到的完整全部程序文件：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：
注意：该代码基于Python3.9开发，运行界面的主程序为
MainProgram.py，其他测试脚本说明见上图。为确保程序顺利运行，请按照程序运行说明文档txt配置软件运行所需环境。
DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐
59
0- 0
已为社区贡献42条内容
所有评论(0)