《博主簡介》

小伙伴們好，我是阿旭。專注于人工智能、AIGC、python、計算機視覺相關(guān)分享研究。
?更多學(xué)習(xí)資源，可關(guān)注公-仲-hao:【阿旭算法與機器學(xué)習(xí)】，共同學(xué)習(xí)交流~
??感謝小伙伴們點贊、關(guān)注！

《------往期經(jīng)典推薦------》

一、AI應(yīng)用軟件開發(fā)實戰(zhàn)專欄【鏈接】

二、機器學(xué)習(xí)實戰(zhàn)專欄【鏈接】，已更新31期，歡迎關(guān)注，持續(xù)更新中~~
三、深度學(xué)習(xí)【Pytorch】專欄【鏈接】
四、【Stable Diffusion繪畫系列】專欄【鏈接】
五、YOLOv8改進專欄【鏈接】，持續(xù)更新中~~

《------正文------》

基本功能演示

摘要：無人機視角物體檢測系統(tǒng)是一項先進的目標(biāo)檢測技術(shù)，它具有實時、高效和自動識別地面物體的能力。當(dāng)無人機搭載此系統(tǒng)時，可以在空中執(zhí)行復(fù)雜的監(jiān)視和分析任務(wù)，捕獲廣角視野下的動態(tài)情況。本文基于YOLOv8深度學(xué)習(xí)框架，通過7019張圖片，訓(xùn)練了一個進行無人機視角下物體的目標(biāo)檢測模型,可進行10種類型的物體檢測。并基于此模型開發(fā)了一款帶UI界面的無人機視角物體檢測系統(tǒng)，可用于實時檢測無人機拍攝的地面物體，也更方便進行功能的展示。該系統(tǒng)是基于python與PyQT5開發(fā)的，支持圖片、視頻以及攝像頭進行目標(biāo)檢測，并保存檢測結(jié)果。本文提供了完整的Python代碼和使用教程，給感興趣的小伙伴參考學(xué)習(xí)，完整的代碼資源文件獲取方式見文末。

點擊跳轉(zhuǎn)至文末《完整相關(guān)文件及源碼》獲取

前言

基于YOLOv8的無人機視角物體檢測系統(tǒng)是一項先進的技術(shù)，它具有實時、高效和自動識別地面物體的能力。當(dāng)無人機搭載此系統(tǒng)時，可以在空中執(zhí)行復(fù)雜的監(jiān)視和分析任務(wù)，捕獲廣角視野下的動態(tài)情況。這對于增強多種領(lǐng)域的安全監(jiān)控、交通監(jiān)管、人群管理和災(zāi)害響應(yīng)等方面均有重要意義。系統(tǒng)能夠?qū)\動或靜止的目標(biāo)進行識別，實現(xiàn)從高空進行準(zhǔn)確觀察的需求，相對于傳統(tǒng)的地面監(jiān)視，無人機視角提供了更大范圍的監(jiān)控能力和更靈活的視角。

無人機視角物體檢測系統(tǒng)的應(yīng)用場景包括：
交通監(jiān)控：監(jiān)測和分析道路上的交通流量，包含汽車、公交車、卡車等不同類型的車輛。
搜索與救援：在遇難者搜尋過程中，快速識別受困人員或者事故現(xiàn)場的行人，提高搜救效率。
安全巡邏：使用無人機監(jiān)控私有或公共區(qū)域，檢測非法行為，如非法占用公共道路的攤販。
災(zāi)害評估：自然災(zāi)害發(fā)生后，評估受損交通工具、道路堵塞情況和人員分布。
人群監(jiān)管：在大型公共活動或聚集地點，對人群流動進行監(jiān)測，保障公共安全。
城市規(guī)劃與管理：分析城市中車輛和行人的流量和分布，為城市規(guī)劃提供數(shù)據(jù)支持。
農(nóng)村地區(qū)交通統(tǒng)計：在缺乏傳統(tǒng)監(jiān)控基礎(chǔ)設(shè)施的偏遠地區(qū)，無人機可以監(jiān)控和統(tǒng)計交通情況。
執(zhí)法記錄：記錄交通違規(guī)行為，作為事故分析或執(zhí)法的證據(jù)。

總結(jié)來說，基于YOLOv8的無人機視角物體檢測系統(tǒng)為現(xiàn)代監(jiān)控帶來了革命性的改進，可實現(xiàn)高效、精確且廣泛的應(yīng)用。該系統(tǒng)不僅為實時監(jiān)測提供支持，而且有助于緊急情況下的快速響應(yīng)，最終為我們構(gòu)建一個更加安全、更可管理的環(huán)境。隨著無人機技術(shù)和人工智能的進步，我們可以期待這些系統(tǒng)在未來發(fā)揮更大的作用，實現(xiàn)更廣泛的應(yīng)用。

博主通過搜集實際場景中的無人機視角相關(guān)數(shù)據(jù)圖片，根據(jù)YOLOv8的目標(biāo)檢測技術(shù)，基于python與Pyqt5開發(fā)了一款界面簡潔的無人機視角物體檢測系統(tǒng)，可支持圖片、視頻以及攝像頭檢測，同時可以將圖片或者視頻檢測結(jié)果進行保存。

軟件初始界面如下圖所示：

檢測結(jié)果界面如下：

一、軟件核心功能介紹及效果演示

軟件主要功能

1. 可用于實時無人機視角下的物體檢測，可檢測10個類別，分別是：['行人','人','汽車','面包車','公交車','卡車','摩托車','自行車','帶蓬三輪車','三路車'];
2. 支持圖片、視頻及攝像頭進行檢測，同時支持圖片的批量檢測；
3. 界面可實時顯示目標(biāo)位置、目標(biāo)總數(shù)、置信度、用時等信息;
4. 支持圖片或者視頻的檢測結(jié)果保存；

界面參數(shù)設(shè)置說明

置信度閾值：也就是目標(biāo)檢測時的conf參數(shù)，只有檢測出的目標(biāo)置信度大于該值，結(jié)果才會顯示；
交并比閾值：也就是目標(biāo)檢測時的iou參數(shù)，只有目標(biāo)檢測框的交并比大于該值，結(jié)果才會顯示；

IoU：全稱為Intersection over
Union，表示交并比。在目標(biāo)檢測中，它用于衡量模型生成的候選框與原標(biāo)記框之間的重疊程度。IoU值越大，表示兩個框之間的相似性越高。通常，當(dāng)IoU值大于0.5時，認(rèn)為可以檢測到目標(biāo)物體。這個指標(biāo)常用于評估模型在特定數(shù)據(jù)集上的檢測準(zhǔn)確度。

（1）圖片檢測演示

點擊打開圖片按鈕，選擇需要檢測的圖片，或者點擊打開文件夾按鈕，選擇需要批量檢測圖片所在的文件夾，操作演示如下：
點擊目標(biāo)下拉框后，可以選定指定目標(biāo)的結(jié)果信息進行顯示。
點擊保存按鈕，會對檢測結(jié)果進行保存，存儲路徑為：save_data目錄下。
注：1.右側(cè)目標(biāo)位置默認(rèn)顯示置信度最大一個目標(biāo)位置，可用下拉框進行目標(biāo)切換。所有檢測結(jié)果均在左下方表格中顯示。
單個圖片檢測操作如下：

批量圖片檢測操作如下：

（2）視頻檢測演示

點擊視頻按鈕，打開選擇需要檢測的視頻，就會自動顯示檢測結(jié)果，再次點擊可以關(guān)閉視頻。
點擊保存按鈕，會對視頻檢測結(jié)果進行保存，存儲路徑為：save_data目錄下。

（3）攝像頭檢測演示

點擊打開攝像頭按鈕，可以打開攝像頭，可以實時進行檢測，再次點擊，可關(guān)閉攝像頭。

（4）保存圖片與視頻檢測結(jié)果

點擊保存按鈕后，會將當(dāng)前選擇的圖片【含批量圖片】或者視頻的檢測結(jié)果進行保存。檢測的圖片與視頻結(jié)果會存儲在save_data目錄下。
視頻檢測保存演示如下：

保存的檢測結(jié)果文件如下：

二、模型的訓(xùn)練、評估與推理

1.YOLOv8的基本原理

YOLOv8是一種前沿的目標(biāo)檢測技術(shù)，它基于先前YOLO版本在目標(biāo)檢測任務(wù)上的成功，進一步提升了性能和靈活性，在精度和速度方面都具有尖端性能。在之前YOLO 版本的基礎(chǔ)上，YOLOv8 引入了新的功能和優(yōu)化，使其成為廣泛應(yīng)用中各種物體檢測任務(wù)的理想選擇。主要的創(chuàng)新點包括一個新的骨干網(wǎng)絡(luò)、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。
YOLO各版本性能對比：

YOLOv8網(wǎng)絡(luò)結(jié)構(gòu)如下：

2. 數(shù)據(jù)集準(zhǔn)備與訓(xùn)練

本文使用的數(shù)據(jù)集為無人機視角拍攝的物體相關(guān)圖片，并使用Labelimg標(biāo)注工具對每張圖片中的目標(biāo)邊框（Bounding Box）及類別進行標(biāo)注，共10個類別，分別是：['行人','人','汽車','面包車','公交車','卡車','摩托車','自行車','帶蓬三輪車','三路車']。一共包含7019張圖片，其中訓(xùn)練集包含6471張圖片，驗證集包含548張圖片。
部分圖像及標(biāo)注如下圖所示：


圖片數(shù)據(jù)的存放格式如下，在項目目錄中新建datasets目錄，同時將檢測的圖片分為訓(xùn)練集與驗證集放入Data目錄下。

同時我們需要新建一個data.yaml文件，用于存儲訓(xùn)練數(shù)據(jù)的路徑及模型需要進行檢測的類別。YOLOv8在進行模型訓(xùn)練時，會讀取該文件的信息，用于進行模型的訓(xùn)練與驗證。data.yaml的具體內(nèi)容如下：

train: D:\2MyCVProgram\2DetectProgram\DroneViewDetection_v8\datasets\Data\train
val: D:\2MyCVProgram\2DetectProgram\DroneViewDetection_v8\datasets\Data\val

nc: 10
names: ['pedestrian', 'person', 'car', 'van', 'bus', 'truck', 'motor', 'bicycle', 'awning-tricycle', 'tricycle']

注：train與val后面表示需要訓(xùn)練圖片的路徑，建議直接寫自己文件的絕對路徑。
數(shù)據(jù)準(zhǔn)備完成后，通過調(diào)用train.py文件進行模型訓(xùn)練，epochs參數(shù)用于調(diào)整訓(xùn)練的輪數(shù)，batch參數(shù)用于調(diào)整訓(xùn)練的批次大小【根據(jù)內(nèi)存大小調(diào)整，最小為1】，代碼如下：

#coding:utf-8
from ultralytics import YOLO
# 模型配置文件
model_yaml_path = "ultralytics/cfg/models/v8/yolov8.yaml"
#數(shù)據(jù)集配置文件
data_yaml_path = 'datasets/Data/data.yaml'
#預(yù)訓(xùn)練模型
pre_model_name = 'yolov8n.pt'

if __name__ == '__main__':
    #加載預(yù)訓(xùn)練模型
    model = YOLO(model_yaml_path).load(pre_model_name)
    #訓(xùn)練模型
    results = model.train(data=data_yaml_path,
                          epochs=150,
                          batch=4,
                          name='train_v8')

3. 訓(xùn)練結(jié)果評估

在深度學(xué)習(xí)中，我們通常用損失函數(shù)下降的曲線來觀察模型訓(xùn)練的情況。YOLOv8在訓(xùn)練時主要包含三個方面的損失：定位損失(box_loss)、分類損失(cls_loss)和動態(tài)特征損失（dfl_loss），在訓(xùn)練結(jié)束后，可以在runs/目錄下找到訓(xùn)練過程及結(jié)果文件，如下所示：

各損失函數(shù)作用說明：
定位損失box_loss：預(yù)測框與標(biāo)定框之間的誤差（GIoU），越小定位得越準(zhǔn)；
分類損失cls_loss：計算錨框與對應(yīng)的標(biāo)定分類是否正確，越小分類得越準(zhǔn)；
動態(tài)特征損失（dfl_loss）：DFLLoss是一種用于回歸預(yù)測框與目標(biāo)框之間距離的損失函數(shù)。在計算損失時，目標(biāo)框需要縮放到特征圖尺度，即除以相應(yīng)的stride，并與預(yù)測的邊界框計算Ciou Loss，同時與預(yù)測的anchors中心點到各邊的距離計算回歸DFLLoss。這個過程是YOLOv8訓(xùn)練流程中的一部分，通過計算DFLLoss可以更準(zhǔn)確地調(diào)整預(yù)測框的位置，提高目標(biāo)檢測的準(zhǔn)確性。
本文訓(xùn)練結(jié)果如下：

我們通常用PR曲線來體現(xiàn)精確率和召回率的關(guān)系，本文訓(xùn)練結(jié)果的PR曲線如下。mAP表示Precision和Recall作為兩軸作圖后圍成的面積，m表示平均，@后面的數(shù)表示判定iou為正負(fù)樣本的閾值。mAP@.5：表示閾值大于0.5的平均mAP，可以看到本文模型目標(biāo)檢測的mAP@0.5值為0.344，結(jié)果有進一步提升空間。

4. 檢測結(jié)果識別

模型訓(xùn)練完成后，我們可以得到一個最佳的訓(xùn)練結(jié)果模型best.pt文件，在runs/train/weights目錄下。我們可以使用該文件進行后續(xù)的推理檢測。
圖片檢測代碼如下：

#coding:utf-8
from ultralytics import YOLO
import cv2

# 所需加載的模型目錄
path = 'models/best_v8.pt'
# 需要檢測的圖片地址
img_path = "TestFiles/0000140_02277_d_0000005.jpg"

# 加載預(yù)訓(xùn)練模型
# conf	0.25	object confidence threshold for detection
# iou	0.7	intersection over union (IoU) threshold for NMS
model = YOLO(path, task='detect')
# model = YOLO(path, task='detect',conf=0.5)


# 檢測圖片
results = model(img_path)
print(results)
res = results[0].plot()
res = cv2.resize(res,dsize=None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR)
cv2.imshow("YOLOv8 Detection", res)
cv2.waitKey(0)

執(zhí)行上述代碼后，會將執(zhí)行的結(jié)果直接標(biāo)注在圖片上，結(jié)果如下：

以上便是關(guān)于此款無人機視角物體檢測系統(tǒng)的原理與代碼介紹?；诖四Ｐ?，博主用python與Pyqt5開發(fā)了一個帶界面的軟件系統(tǒng)，即文中第二部分的演示內(nèi)容，能夠很好的支持圖片、視頻及攝像頭進行檢測，同時支持檢測結(jié)果的保存。

關(guān)于該系統(tǒng)涉及到的完整源碼、UI界面代碼、數(shù)據(jù)集、訓(xùn)練代碼、測試圖片視頻等相關(guān)文件，均已打包上傳，感興趣的小伙伴可以通過下載鏈接自行獲取。

【獲取方式】

關(guān)注下方名片G-Z-H：【阿旭算法與機器學(xué)習(xí)】，并發(fā)送【源碼】即可獲取下載方式

本文涉及到的完整全部程序文件：包括python源碼、數(shù)據(jù)集、訓(xùn)練好的結(jié)果文件、訓(xùn)練代碼、UI源碼、測試圖片視頻等（見下圖），獲取方式見文末：

注意：該代碼基于Python3.9開發(fā)，運行界面的主程序為MainProgram.py，其他測試腳本說明見上圖。為確保程序順利運行，請按照程序運行說明文檔txt配置軟件運行所需環(huán)境。

關(guān)注下方名片GZH:【阿旭算法與機器學(xué)習(xí)】，并發(fā)送【源碼】即可獲取下載方式

結(jié)束語

以上便是博主開發(fā)的基于YOLOv8深度學(xué)習(xí)的無人機視角物體檢測系統(tǒng)的全部內(nèi)容，由于博主能力有限，難免有疏漏之處，希望小伙伴能批評指正。
關(guān)于本篇文章大家有任何建議或意見，歡迎在評論區(qū)留言交流！

覺得不錯的小伙伴，感謝點贊、關(guān)注加收藏哦！文章來源地址http://www.zghlxwxcb.cn/news/detail-842173.html

到了這里，關(guān)于基于YOLOv8深度學(xué)習(xí)的無人機視角地面物體檢測系統(tǒng)【python源碼+Pyqt5界面+數(shù)據(jù)集+訓(xùn)練代碼】深度學(xué)習(xí)實戰(zhàn)、目標(biāo)檢測的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！