《------往期經(jīng)典推薦------》

一、AI應(yīng)用軟件開(kāi)發(fā)實(shí)戰(zhàn)專欄【鏈接】

項(xiàng)目名稱	項(xiàng)目名稱
1.【人臉識(shí)別與管理系統(tǒng)開(kāi)發(fā)】	2.【車牌識(shí)別與自動(dòng)收費(fèi)管理系統(tǒng)開(kāi)發(fā)】
3.【手勢(shì)識(shí)別系統(tǒng)開(kāi)發(fā)】	4.【人臉面部活體檢測(cè)系統(tǒng)開(kāi)發(fā)】
5.【圖片風(fēng)格快速遷移軟件開(kāi)發(fā)】	6.【人臉表表情識(shí)別系統(tǒng)】
7.【YOLOv8多目標(biāo)識(shí)別與自動(dòng)標(biāo)注軟件開(kāi)發(fā)】	8.【基于深度學(xué)習(xí)的行人跌倒檢測(cè)系統(tǒng)】
9.【基于深度學(xué)習(xí)的PCB板缺陷檢測(cè)系統(tǒng)】	10.【基于深度學(xué)習(xí)的生活垃圾分類目標(biāo)檢測(cè)系統(tǒng)】
11.【基于深度學(xué)習(xí)的安全帽目標(biāo)檢測(cè)系統(tǒng)】	12.【基于深度學(xué)習(xí)的120種犬類檢測(cè)與識(shí)別系統(tǒng)】
13.【基于深度學(xué)習(xí)的路面坑洞檢測(cè)系統(tǒng)】	14.【基于深度學(xué)習(xí)的火焰煙霧檢測(cè)系統(tǒng)】
15.【基于深度學(xué)習(xí)的鋼材表面缺陷檢測(cè)系統(tǒng)】	16.【基于深度學(xué)習(xí)的艦船目標(biāo)分類檢測(cè)系統(tǒng)】
17.【基于深度學(xué)習(xí)的西紅柿成熟度檢測(cè)系統(tǒng)】	18.【基于深度學(xué)習(xí)的血細(xì)胞檢測(cè)與計(jì)數(shù)系統(tǒng)】
19.【基于深度學(xué)習(xí)的吸煙/抽煙行為檢測(cè)系統(tǒng)】	20.【基于深度學(xué)習(xí)的水稻害蟲(chóng)檢測(cè)與識(shí)別系統(tǒng)】
21.【基于深度學(xué)習(xí)的高精度車輛行人檢測(cè)與計(jì)數(shù)系統(tǒng)】	22.【基于深度學(xué)習(xí)的路面標(biāo)志線檢測(cè)與識(shí)別系統(tǒng)】
23.【基于深度學(xué)習(xí)的智能小麥害蟲(chóng)檢測(cè)識(shí)別系統(tǒng)】	24.【基于深度學(xué)習(xí)的智能玉米害蟲(chóng)檢測(cè)識(shí)別系統(tǒng)】
25.【基于深度學(xué)習(xí)的200種鳥(niǎo)類智能檢測(cè)與識(shí)別系統(tǒng)】	26.【基于深度學(xué)習(xí)的45種交通標(biāo)志智能檢測(cè)與識(shí)別系統(tǒng)】
27.【基于深度學(xué)習(xí)的人臉面部表情識(shí)別系統(tǒng)】	28.【基于深度學(xué)習(xí)的蘋(píng)果葉片病害智能診斷系統(tǒng)】
29.【基于深度學(xué)習(xí)的智能肺炎診斷系統(tǒng)】	30.【基于深度學(xué)習(xí)的葡萄簇目標(biāo)檢測(cè)系統(tǒng)】
31.【基于深度學(xué)習(xí)的100種中草藥智能識(shí)別系統(tǒng)】	32.【基于深度學(xué)習(xí)的102種花卉智能識(shí)別系統(tǒng)】
33.【基于深度學(xué)習(xí)的100種蝴蝶智能識(shí)別系統(tǒng)】	34.【基于深度學(xué)習(xí)的水稻葉片病害智能診斷系統(tǒng)】
35.【基于與ByteTrack的車輛行人多目標(biāo)檢測(cè)與追蹤系統(tǒng)】	36.【基于深度學(xué)習(xí)的智能草莓病害檢測(cè)與分割系統(tǒng)】
37.【基于深度學(xué)習(xí)的復(fù)雜場(chǎng)景下船舶目標(biāo)檢測(cè)系統(tǒng)】	38.【基于深度學(xué)習(xí)的農(nóng)作物幼苗與雜草檢測(cè)系統(tǒng)】
39.【基于深度學(xué)習(xí)的智能道路裂縫檢測(cè)與分析系統(tǒng)】	40.【基于深度學(xué)習(xí)的葡萄病害智能診斷與防治系統(tǒng)】
41.【基于深度學(xué)習(xí)的遙感地理空間物體檢測(cè)系統(tǒng)】	42.【基于深度學(xué)習(xí)的無(wú)人機(jī)視角地面物體檢測(cè)系統(tǒng)】
43.【基于深度學(xué)習(xí)的木薯病害智能診斷與防治系統(tǒng)】	44.【基于深度學(xué)習(xí)的野外火焰煙霧檢測(cè)系統(tǒng)】
45.【基于深度學(xué)習(xí)的腦腫瘤智能檢測(cè)系統(tǒng)】	46.【基于深度學(xué)習(xí)的玉米葉片病害智能診斷與防治系統(tǒng)】
47.【基于深度學(xué)習(xí)的橙子病害智能診斷與防治系統(tǒng)】	48.【基于深度學(xué)習(xí)的車輛檢測(cè)追蹤與流量計(jì)數(shù)系統(tǒng)】
49.【基于深度學(xué)習(xí)的行人檢測(cè)追蹤與雙向流量計(jì)數(shù)系統(tǒng)】	50.【基于深度學(xué)習(xí)的反光衣檢測(cè)與預(yù)警系統(tǒng)】
51.【基于深度學(xué)習(xí)的危險(xiǎn)區(qū)域人員闖入檢測(cè)與報(bào)警系統(tǒng)】	52.【基于深度學(xué)習(xí)的高密度人臉智能檢測(cè)與統(tǒng)計(jì)系統(tǒng)】
53.【基于深度學(xué)習(xí)的CT掃描圖像腎結(jié)石智能檢測(cè)系統(tǒng)】	54.【基于深度學(xué)習(xí)的水果智能檢測(cè)系統(tǒng)】
55.【基于深度學(xué)習(xí)的水果質(zhì)量好壞智能檢測(cè)系統(tǒng)】	56.【基于深度學(xué)習(xí)的蔬菜目標(biāo)檢測(cè)與識(shí)別系統(tǒng)】
57.【基于深度學(xué)習(xí)的非機(jī)動(dòng)車駕駛員頭盔檢測(cè)系統(tǒng)】	58.【太基于深度學(xué)習(xí)的陽(yáng)能電池板檢測(cè)與分析系統(tǒng)】
59.【基于深度學(xué)習(xí)的工業(yè)螺栓螺母檢測(cè)】	60.【基于深度學(xué)習(xí)的金屬焊縫缺陷檢測(cè)系統(tǒng)】
61.【基于深度學(xué)習(xí)的鏈條缺陷檢測(cè)與識(shí)別系統(tǒng)】	62.【基于深度學(xué)習(xí)的交通信號(hào)燈檢測(cè)識(shí)別】
63.【基于深度學(xué)習(xí)的草莓成熟度檢測(cè)與識(shí)別系統(tǒng)】	64.【基于深度學(xué)習(xí)的水下海生物檢測(cè)識(shí)別系統(tǒng)】
65.【基于深度學(xué)習(xí)的道路交通事故檢測(cè)識(shí)別系統(tǒng)】	66.【基于深度學(xué)習(xí)的安檢X光危險(xiǎn)品檢測(cè)與識(shí)別系統(tǒng)】
67.【基于深度學(xué)習(xí)的農(nóng)作物類別檢測(cè)與識(shí)別系統(tǒng)】	68.【基于深度學(xué)習(xí)的危險(xiǎn)駕駛行為檢測(cè)識(shí)別系統(tǒng)】
69.【基于深度學(xué)習(xí)的維修工具檢測(cè)識(shí)別系統(tǒng)】	70.【基于深度學(xué)習(xí)的維修工具檢測(cè)識(shí)別系統(tǒng)】
71.【基于深度學(xué)習(xí)的建筑墻面損傷檢測(cè)系統(tǒng)】	72.【基于深度學(xué)習(xí)的煤礦傳送帶異物檢測(cè)系統(tǒng)】
73.【基于深度學(xué)習(xí)的老鼠智能檢測(cè)系統(tǒng)】	74.【基于深度學(xué)習(xí)的水面垃圾智能檢測(cè)識(shí)別系統(tǒng)】
75.【基于深度學(xué)習(xí)的遙感視角船只智能檢測(cè)系統(tǒng)】	76.【基于深度學(xué)習(xí)的胃腸道息肉智能檢測(cè)分割與診斷系統(tǒng)】
77.【基于深度學(xué)習(xí)的心臟超聲圖像間隔壁檢測(cè)分割與分析系統(tǒng)】	78.【基于深度學(xué)習(xí)的心臟超聲圖像間隔壁檢測(cè)分割與分析系統(tǒng)】
79.【基于深度學(xué)習(xí)的果園蘋(píng)果檢測(cè)與計(jì)數(shù)系統(tǒng)】	80.【基于深度學(xué)習(xí)的半導(dǎo)體芯片缺陷檢測(cè)系統(tǒng)】
81.【基于深度學(xué)習(xí)的糖尿病視網(wǎng)膜病變檢測(cè)與診斷系統(tǒng)】	82.【基于深度學(xué)習(xí)的運(yùn)動(dòng)鞋品牌檢測(cè)與識(shí)別系統(tǒng)】
83.【基于深度學(xué)習(xí)的蘋(píng)果葉片病害檢測(cè)識(shí)別系統(tǒng)】	84.【基于深度學(xué)習(xí)的醫(yī)學(xué)X光骨折檢測(cè)與語(yǔ)音提示系統(tǒng)】
85.【基于深度學(xué)習(xí)的遙感視角農(nóng)田檢測(cè)與分割系統(tǒng)】

二、機(jī)器學(xué)習(xí)實(shí)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(huà)系列】專欄【鏈接】
五、YOLOv8改進(jìn)專欄【鏈接】，持續(xù)更新中~~
六、YOLO性能對(duì)比專欄【鏈接】，持續(xù)更新中~

《------正文------》

基本功能演示

摘要：在全球化、數(shù)字化時(shí)代，品牌識(shí)別對(duì)市場(chǎng)營(yíng)銷、消費(fèi)者行為分析和知識(shí)產(chǎn)權(quán)保護(hù)很重要。在體育用品行業(yè)，運(yùn)動(dòng)品牌LOGO是品牌身份和價(jià)值的關(guān)鍵。傳統(tǒng)LOGO檢測(cè)方法依賴人工或簡(jiǎn)單圖像匹配，效率低且準(zhǔn)確性有限。本文基于YOLO11的深度學(xué)習(xí)框架，通過(guò)2002張實(shí)際場(chǎng)景中不同運(yùn)動(dòng)品牌LOGO的相關(guān)圖片，訓(xùn)練了可進(jìn)行運(yùn)動(dòng)品牌LOGO檢測(cè)與識(shí)別的模型，可以很好的檢測(cè)并識(shí)別實(shí)際場(chǎng)景中不運(yùn)動(dòng)品牌LOGO。最終基于訓(xùn)練好的模型制作了一款帶UI界面的運(yùn)動(dòng)品牌LOGO檢測(cè)與識(shí)別系統(tǒng)，更便于進(jìn)行功能的展示。該系統(tǒng)是基于python與PyQT5開(kāi)發(fā)的，支持圖片、視頻以及攝像頭進(jìn)行目標(biāo)檢測(cè)，并保存檢測(cè)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(jiàn)文末。

點(diǎn)擊跳轉(zhuǎn)至文末《完整相關(guān)文件及源碼》獲取

---

研究背景

在當(dāng)今全球化和數(shù)字化的時(shí)代背景下，品牌識(shí)別對(duì)于市場(chǎng)營(yíng)銷、消費(fèi)者行為分析以及知識(shí)產(chǎn)權(quán)保護(hù)等方面具有重要意義。特別是在體育用品行業(yè)，運(yùn)動(dòng)品牌的LOGO不僅是品牌身份的重要標(biāo)識(shí)，也是品牌價(jià)值傳遞的關(guān)鍵元素。傳統(tǒng)的品牌LOGO檢測(cè)方法通常依賴于人工檢查或簡(jiǎn)單的圖像匹配技術(shù)，這些方法在處理大量數(shù)據(jù)時(shí)效率低下且準(zhǔn)確性有限。基于YOLO深度學(xué)習(xí)框架開(kāi)發(fā)的運(yùn)動(dòng)品牌LOGO檢測(cè)與識(shí)別系統(tǒng)，能夠?qū)崟r(shí)自動(dòng)識(shí)別并定位畫(huà)面中的運(yùn)動(dòng)品牌LOGO及其類別，極大地提高了識(shí)別效率和準(zhǔn)確性，為品牌管理和市場(chǎng)研究提供了強(qiáng)有力的技術(shù)支持。

應(yīng)用場(chǎng)景

零售管理：幫助零售商通過(guò)攝像頭監(jiān)控店內(nèi)商品展示情況，自動(dòng)識(shí)別貨架上的運(yùn)動(dòng)品牌LOGO，優(yōu)化庫(kù)存管理和商品陳列策略。
廣告監(jiān)測(cè)：用于評(píng)估廣告投放效果，通過(guò)分析電視節(jié)目、社交媒體或戶外廣告中出現(xiàn)的品牌LOGO頻率和曝光度，提供精準(zhǔn)的數(shù)據(jù)支持。
賽事贊助分析：在大型體育賽事直播或錄像中，快速識(shí)別運(yùn)動(dòng)員服裝、場(chǎng)地圍欄等位置的品牌LOGO，量化贊助商的投資回報(bào)率（ROI）。
品牌保護(hù)與打假：協(xié)助品牌所有者監(jiān)測(cè)市場(chǎng)上未經(jīng)授權(quán)使用其LOGO的行為，及時(shí)發(fā)現(xiàn)并打擊假冒偽劣產(chǎn)品，維護(hù)品牌形象。
市場(chǎng)調(diào)研：收集不同地區(qū)、時(shí)間段內(nèi)各種運(yùn)動(dòng)品牌LOGO的出現(xiàn)頻率數(shù)據(jù)，為企業(yè)制定市場(chǎng)營(yíng)銷策略提供依據(jù)，了解競(jìng)爭(zhēng)對(duì)手動(dòng)態(tài)。

主要工作內(nèi)容

本文的主要內(nèi)容包括以下幾個(gè)方面：

1. 搜集與整理數(shù)據(jù)集：搜集整理實(shí)際場(chǎng)景中不同運(yùn)動(dòng)品牌LOGO的相關(guān)數(shù)據(jù)圖片，并進(jìn)行相應(yīng)的數(shù)據(jù)標(biāo)注與處理，為模型訓(xùn)練提供訓(xùn)練數(shù)據(jù)集；
2. 訓(xùn)練模型：基于整理的數(shù)據(jù)集，根據(jù)最前沿的YOLOv11目標(biāo)檢測(cè)技術(shù)訓(xùn)練目標(biāo)檢測(cè)模型，實(shí)現(xiàn)對(duì)需要檢測(cè)的對(duì)象進(jìn)行有效檢測(cè)的功能；
3. 模型性能評(píng)估：對(duì)訓(xùn)練出的模型在驗(yàn)證集上進(jìn)行了充分的結(jié)果評(píng)估和對(duì)比分析，主要目的是為了揭示模型在關(guān)鍵指標(biāo)（如Precision、Recall、mAP50和mAP50-95等指標(biāo)）上的表現(xiàn)情況。
4. 可視化系統(tǒng)制作：基于訓(xùn)練出的目標(biāo)檢測(cè)模型，搭配Pyqt5制作的UI界面，用python開(kāi)發(fā)了一款界面簡(jiǎn)潔的軟件系統(tǒng)，可支持圖片、視頻以及攝像頭檢測(cè)，同時(shí)可以將圖片或者視頻檢測(cè)結(jié)果進(jìn)行保存。其目的是為檢測(cè)系統(tǒng)提供一個(gè)用戶友好的操作平臺(tái)，使用戶能夠便捷、高效地進(jìn)行檢測(cè)任務(wù)。

軟件初始界面如下圖所示：

檢測(cè)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(shí)際場(chǎng)景中的運(yùn)動(dòng)品牌LOGO檢測(cè), 并識(shí)別不同品牌，分10個(gè)檢測(cè)類別：['361度','阿迪達(dá)斯','安踏','鴻星爾克','卡帕','李寧','新百倫','耐克','彪馬','特步'];
2. 支持圖片、視頻及攝像頭進(jìn)行檢測(cè)，同時(shí)支持圖片的批量檢測(cè)；
3. 界面可實(shí)時(shí)顯示目標(biāo)位置、目標(biāo)總數(shù)、置信度、用時(shí)、檢測(cè)結(jié)果等信息;
4. 支持圖片或者視頻的檢測(cè)結(jié)果保存；
5. 支持將圖片的檢測(cè)結(jié)果保存為csv文件;

界面參數(shù)設(shè)置說(shuō)明

置信度閾值：也就是目標(biāo)檢測(cè)時(shí)的conf參數(shù)，只有檢測(cè)出的目標(biāo)框置信度大于該值，結(jié)果才會(huì)顯示；
交并比閾值：也就是目標(biāo)檢測(cè)時(shí)的iou參數(shù)，對(duì)檢測(cè)框重疊比例iou大于該閾值的目標(biāo)框進(jìn)行過(guò)濾【也就是說(shuō)假如兩檢測(cè)框iou大于該值的話，會(huì)過(guò)濾掉其中一個(gè)，該值越小，重疊框會(huì)越少】；

檢測(cè)結(jié)果說(shuō)明

顯示標(biāo)簽名稱與置信度：表示是否在檢測(cè)圖片上標(biāo)簽名稱與置信度，顯示默認(rèn)勾選，如果不勾選則不會(huì)在檢測(cè)圖片上顯示標(biāo)簽名稱與置信度；
總目標(biāo)數(shù)：表示畫(huà)面中檢測(cè)出的目標(biāo)數(shù)目；
目標(biāo)選擇：可選擇單個(gè)目標(biāo)進(jìn)行位置信息、置信度查看。
目標(biāo)位置：表示所選擇目標(biāo)的檢測(cè)框，左上角與右下角的坐標(biāo)位置。默認(rèn)顯示的是置信度最大的一個(gè)目標(biāo)信息；

主要功能說(shuō)明

功能視頻演示見(jiàn)文章開(kāi)頭，以下是簡(jiǎn)要的操作描述。

（1）圖片檢測(cè)說(shuō)明

點(diǎn)擊打開(kāi)圖片按鈕，選擇需要檢測(cè)的圖片，或者點(diǎn)擊打開(kāi)文件夾按鈕，選擇需要批量檢測(cè)圖片所在的文件夾，操作演示如下：
點(diǎn)擊目標(biāo)下拉框后，可以選定指定目標(biāo)的結(jié)果信息進(jìn)行顯示。
點(diǎn)擊保存按鈕，會(huì)對(duì)檢測(cè)結(jié)果進(jìn)行保存，存儲(chǔ)路徑為：save_data目錄下,同時(shí)會(huì)將圖片檢測(cè)信息保存csv文件。
注：1.右側(cè)目標(biāo)位置默認(rèn)顯示置信度最大一個(gè)目標(biāo)位置，可用下拉框進(jìn)行目標(biāo)切換。所有檢測(cè)結(jié)果均在左下方表格中顯示。

（2）視頻檢測(cè)說(shuō)明

點(diǎn)擊視頻按鈕，打開(kāi)選擇需要檢測(cè)的視頻，就會(huì)自動(dòng)顯示檢測(cè)結(jié)果，再次點(diǎn)擊可以關(guān)閉視頻。
點(diǎn)擊保存按鈕，會(huì)對(duì)視頻檢測(cè)結(jié)果進(jìn)行保存，存儲(chǔ)路徑為：save_data目錄下。

（3）攝像頭檢測(cè)說(shuō)明

點(diǎn)擊打開(kāi)攝像頭按鈕，可以打開(kāi)攝像頭，可以實(shí)時(shí)進(jìn)行檢測(cè)，再次點(diǎn)擊，可關(guān)閉攝像頭。

（4）保存圖片與視頻檢測(cè)說(shuō)明

點(diǎn)擊保存按鈕后，會(huì)將當(dāng)前選擇的圖片【含批量圖片】或者視頻的檢測(cè)結(jié)果進(jìn)行保存，對(duì)于圖片圖片檢測(cè)還會(huì)保存檢測(cè)結(jié)果為csv文件,方便進(jìn)行查看與后續(xù)使用。檢測(cè)的圖片與視頻結(jié)果會(huì)存儲(chǔ)在save_data目錄下。
【注：暫不支持視頻文件的檢測(cè)結(jié)果保存為csv文件格式。】

保存的檢測(cè)結(jié)果文件如下：

圖片文件保存的csv文件內(nèi)容如下，包括圖片路徑、目標(biāo)在圖片中的編號(hào)、目標(biāo)類別、置信度、目標(biāo)坐標(biāo)位置。
注：其中坐標(biāo)位置是代表檢測(cè)框的左上角與右下角兩個(gè)點(diǎn)的x、y坐標(biāo)。

二、YOLO11簡(jiǎn)介

YOLO11源碼地址：https://github.com/ultralytics/ultralytics

Ultralytics YOLO11是一款前沿的、最先進(jìn)的模型，它在之前YOLO版本成功的基礎(chǔ)上進(jìn)行了構(gòu)建，并引入了新功能和改進(jìn)，以進(jìn)一步提升性能和靈活性。YOLO11設(shè)計(jì)快速、準(zhǔn)確且易于使用，使其成為各種物體檢測(cè)和跟蹤、實(shí)例分割、圖像分類以及姿態(tài)估計(jì)任務(wù)的絕佳選擇。

YOLO11創(chuàng)新點(diǎn)如下:

YOLO 11主要改進(jìn)包括：
增強(qiáng)的特征提取：YOLO 11采用了改進(jìn)的骨干和頸部架構(gòu)，增強(qiáng)了特征提取功能，以實(shí)現(xiàn)更精確的目標(biāo)檢測(cè)。
優(yōu)化的效率和速度：優(yōu)化的架構(gòu)設(shè)計(jì)和優(yōu)化的訓(xùn)練管道提供更快的處理速度，同時(shí)保持準(zhǔn)確性和性能之間的平衡。
更高的精度，更少的參數(shù)：YOLO11m在COCO數(shù)據(jù)集上實(shí)現(xiàn)了更高的平均精度（mAP），參數(shù)比YOLOv8m少22%，使其在不影響精度的情況下提高了計(jì)算效率。
跨環(huán)境的適應(yīng)性：YOLO 11可以部署在各種環(huán)境中，包括邊緣設(shè)備、云平臺(tái)和支持NVIDIA GPU的系統(tǒng)。
廣泛的支持任務(wù)：YOLO 11支持各種計(jì)算機(jī)視覺(jué)任務(wù)，如對(duì)象檢測(cè)、實(shí)例分割、圖像分類、姿態(tài)估計(jì)和面向?qū)ο髾z測(cè)（OBB）。

三、模型訓(xùn)練、評(píng)估與推理

本文主要基于YOLO11n模型進(jìn)行模型訓(xùn)練，訓(xùn)練完成后對(duì)模型在驗(yàn)證集上的表現(xiàn)進(jìn)行全面的性能評(píng)估及對(duì)比分析。總體流程包括：數(shù)據(jù)集準(zhǔn)備、模型訓(xùn)練、模型評(píng)估。

1. 數(shù)據(jù)集準(zhǔn)備與訓(xùn)練

通過(guò)網(wǎng)絡(luò)上搜集關(guān)于實(shí)際場(chǎng)景中不同運(yùn)動(dòng)品牌LOGO的相關(guān)圖片，并使用Labelimg標(biāo)注工具對(duì)每張圖片進(jìn)行標(biāo)注，分10個(gè)檢測(cè)類別：['361度','阿迪達(dá)斯','安踏','鴻星爾克','卡帕','李寧','新百倫','耐克','彪馬','特步']。

最終數(shù)據(jù)集一共包含2002張圖片，其中訓(xùn)練集包含1702張圖片，驗(yàn)證集包含300張圖片。
部分圖像及標(biāo)注如下圖所示：

數(shù)據(jù)集各類別數(shù)目分布情況如下：

2.模型訓(xùn)練

準(zhǔn)備好數(shù)據(jù)集后，將圖片數(shù)據(jù)以如下格式放置在項(xiàng)目目錄中。在項(xiàng)目目錄中新建datasets目錄，同時(shí)將檢測(cè)的圖片分為訓(xùn)練集與驗(yàn)證集放入Data目錄下。

同時(shí)我們需要新建一個(gè)data.yaml文件，用于存儲(chǔ)訓(xùn)練數(shù)據(jù)的路徑及模型需要進(jìn)行檢測(cè)的類別。YOLOv11在進(jìn)行模型訓(xùn)練時(shí)，會(huì)讀取該文件的信息，用于進(jìn)行模型的訓(xùn)練與驗(yàn)證。data.yaml的具體內(nèi)容如下：

train: D:\2MyCVProgram\2DetectProgram\BrandLogoDetection_v11\datasets\Data/train/images
val: D:\2MyCVProgram\2DetectProgram\BrandLogoDetection_v11\datasets\Data/valid/imagesnc: 10
names: ['361', 'adidas', 'anta', 'erke', 'kappa', 'lining', 'nb', 'nike', 'puma', 'xtep']

注：train與val后面表示需要訓(xùn)練圖片的路徑，建議直接寫(xiě)自己文件的絕對(duì)路徑。
數(shù)據(jù)準(zhǔn)備完成后，通過(guò)調(diào)用train.py文件進(jìn)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】，optimizer設(shè)定的優(yōu)化器為SGD，訓(xùn)練代碼如下：

#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.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 = 'yolo11n.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,      # 訓(xùn)練輪數(shù)batch=4,         # batch大小name='train_v11', # 保存結(jié)果的文件夾名稱optimizer='SGD') # 優(yōu)化器

模型常用訓(xùn)練超參數(shù)參數(shù)說(shuō)明：
YOLO11 模型的訓(xùn)練設(shè)置包括訓(xùn)練過(guò)程中使用的各種超參數(shù)和配置。這些設(shè)置會(huì)影響模型的性能、速度和準(zhǔn)確性。關(guān)鍵的訓(xùn)練設(shè)置包括批量大小、學(xué)習(xí)率、動(dòng)量和權(quán)重衰減。此外，優(yōu)化器、損失函數(shù)和訓(xùn)練數(shù)據(jù)集組成的選擇也會(huì)影響訓(xùn)練過(guò)程。對(duì)這些設(shè)置進(jìn)行仔細(xì)的調(diào)整和實(shí)驗(yàn)對(duì)于優(yōu)化性能至關(guān)重要。
以下是一些常用的模型訓(xùn)練參數(shù)和說(shuō)明：

參數(shù)名	默認(rèn)值	說(shuō)明
model	None	指定用于訓(xùn)練的模型文件。接受指向 .pt 預(yù)訓(xùn)練模型或 .yaml 配置文件。對(duì)于定義模型結(jié)構(gòu)或初始化權(quán)重至關(guān)重要。
data	None	數(shù)據(jù)集配置文件的路徑（例如 coco8.yaml).該文件包含特定于數(shù)據(jù)集的參數(shù)，包括訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)的路徑、類名和類數(shù)。
epochs	100	訓(xùn)練總輪數(shù)。每個(gè)epoch代表對(duì)整個(gè)數(shù)據(jù)集進(jìn)行一次完整的訓(xùn)練。調(diào)整該值會(huì)影響訓(xùn)練時(shí)間和模型性能。
patience	100	在驗(yàn)證指標(biāo)沒(méi)有改善的情況下，提前停止訓(xùn)練所需的epoch數(shù)。當(dāng)性能趨于平穩(wěn)時(shí)停止訓(xùn)練，有助于防止過(guò)度擬合。
batch	16	批量大小，有三種模式:設(shè)置為整數(shù)(例如，’ Batch =16 ‘)， 60% GPU內(nèi)存利用率的自動(dòng)模式(’ Batch =-1 ‘)，或指定利用率分?jǐn)?shù)的自動(dòng)模式(’ Batch =0.70 ')。
imgsz	640	用于訓(xùn)練的目標(biāo)圖像尺寸。所有圖像在輸入模型前都會(huì)被調(diào)整到這一尺寸。影響模型精度和計(jì)算復(fù)雜度。
device	None	指定用于訓(xùn)練的計(jì)算設(shè)備：單個(gè) GPU (device=0）、多個(gè) GPU (device=0,1)、CPU (device=cpu)，或蘋(píng)果芯片的 MPS (device=mps).
workers	8	加載數(shù)據(jù)的工作線程數(shù)（每 RANK 多 GPU 訓(xùn)練）。影響數(shù)據(jù)預(yù)處理和輸入模型的速度，尤其適用于多 GPU 設(shè)置。
name	None	訓(xùn)練運(yùn)行的名稱。用于在項(xiàng)目文件夾內(nèi)創(chuàng)建一個(gè)子目錄，用于存儲(chǔ)訓(xùn)練日志和輸出結(jié)果。
pretrained	True	決定是否從預(yù)處理模型開(kāi)始訓(xùn)練?？梢允遣紶栔?#xff0c;也可以是加載權(quán)重的特定模型的字符串路徑。提高訓(xùn)練效率和模型性能。
optimizer	'auto'	為訓(xùn)練模型選擇優(yōu)化器。選項(xiàng)包括 SGD, Adam, AdamW, NAdam, RAdam, RMSProp 等，或 auto 用于根據(jù)模型配置進(jìn)行自動(dòng)選擇。影響收斂速度和穩(wěn)定性
lr0	0.01	初始學(xué)習(xí)率（即 SGD=1E-2, Adam=1E-3) .調(diào)整這個(gè)值對(duì)優(yōu)化過(guò)程至關(guān)重要，會(huì)影響模型權(quán)重的更新速度。
lrf	0.01	最終學(xué)習(xí)率占初始學(xué)習(xí)率的百分比 = (lr0 * lrf)，與調(diào)度程序結(jié)合使用，隨著時(shí)間的推移調(diào)整學(xué)習(xí)率。

3. 訓(xùn)練結(jié)果評(píng)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(lái)觀察模型訓(xùn)練的情況。YOLOv11在訓(xùn)練時(shí)主要包含三個(gè)方面的損失：定位損失(box_loss)、分類損失(cls_loss)和動(dòng)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(guò)程及結(jié)果文件，如下所示：

各損失函數(shù)作用說(shuō)明：
定位損失box_loss：預(yù)測(cè)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(jì)算錨框與對(duì)應(yīng)的標(biāo)定分類是否正確，越小分類得越準(zhǔn)；
動(dòng)態(tài)特征損失（dfl_loss）：DFLLoss是一種用于回歸預(yù)測(cè)框與目標(biāo)框之間距離的損失函數(shù)。在計(jì)算損失時(shí)，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(cè)的邊界框計(jì)算Ciou Loss，同時(shí)與預(yù)測(cè)的anchors中心點(diǎn)到各邊的距離計(jì)算回歸DFLLoss。
本文訓(xùn)練結(jié)果如下：

我們通常用PR曲線來(lái)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(cè)的mAP@0.5值為0.636，結(jié)果還是可以的。

4. 使用模型進(jìn)行推理

模型訓(xùn)練完成后，我們可以得到一個(gè)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(jìn)行后續(xù)的推理檢測(cè)。
圖片檢測(cè)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.pt'
# 需要檢測(cè)的圖片地址
img_path = "TestFiles/361_0_00061_jpg.rf.92d9d13a3dcd76a08cdbf420e55ec6b4.jpg"# 加載預(yù)訓(xùn)練模型
model = YOLO(path, task='detect')# 檢測(cè)圖片
results = model(img_path)
res = results[0].plot()
# res = cv2.resize(res,dsize=None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR)
cv2.imshow("Detection Result", res)
cv2.waitKey(0)

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

更多檢測(cè)結(jié)果示例如下：

四、可視化系統(tǒng)制作

基于上述訓(xùn)練出的目標(biāo)檢測(cè)模型，為了給此檢測(cè)系統(tǒng)提供一個(gè)用戶友好的操作平臺(tái)，使用戶能夠便捷、高效地進(jìn)行檢測(cè)任務(wù)。博主基于Pyqt5開(kāi)發(fā)了一個(gè)可視化的系統(tǒng)界面，通過(guò)圖形用戶界面（GUI），用戶可以輕松地在圖片、視頻和攝像頭實(shí)時(shí)檢測(cè)之間切換，無(wú)需掌握復(fù)雜的編程技能即可操作系統(tǒng)?！鞠到y(tǒng)詳細(xì)展示見(jiàn)第一部分內(nèi)容】

Pyqt5詳細(xì)介紹

關(guān)于Pyqt5的詳細(xì)介紹可以參考之前的博客文章：《Python中的Pyqt5詳細(xì)介紹：基本機(jī)構(gòu)、部件、布局管理、信號(hào)與槽、跨平臺(tái)》，地址：

https://a-xu-ai.blog.csdn.net/article/details/143273797

系統(tǒng)制作

博主基于Pyqt5框架開(kāi)發(fā)了此款運(yùn)動(dòng)品牌LOGO檢測(cè)與識(shí)別系統(tǒng)，即文中第一部分的演示內(nèi)容，能夠很好的支持圖片、視頻及攝像頭進(jìn)行檢測(cè)，同時(shí)支持檢測(cè)結(jié)果的保存。

通過(guò)圖形用戶界面（GUI），用戶可以輕松地在圖片、視頻和攝像頭實(shí)時(shí)檢測(cè)之間切換，無(wú)需掌握復(fù)雜的編程技能即可操作系統(tǒng)。這不僅提升了系統(tǒng)的可用性和用戶體驗(yàn)，還使得檢測(cè)過(guò)程更加直觀透明，便于結(jié)果的實(shí)時(shí)觀察和分析。此外，GUI還可以集成其他功能，如檢測(cè)結(jié)果的保存與導(dǎo)出、檢測(cè)參數(shù)的調(diào)整，從而為用戶提供一個(gè)全面、綜合的檢測(cè)工作環(huán)境，促進(jìn)智能檢測(cè)技術(shù)的廣泛應(yīng)用。

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、訓(xùn)練好的模型、測(cè)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(guò)下載鏈接自行獲取。

---

【獲取方式】

關(guān)注末尾名片GZH【阿旭算法與機(jī)器學(xué)習(xí)】，發(fā)送【源碼】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(cè)試圖片視頻等（見(jiàn)下圖），獲取方式見(jiàn)文末：

注意：該代碼基于Python3.9開(kāi)發(fā)，運(yùn)行界面的主程序?yàn)?code>MainProgram.py，其他測(cè)試腳本說(shuō)明見(jiàn)上圖。為確保程序順利運(yùn)行，請(qǐng)按照程序運(yùn)行說(shuō)明文檔txt配置軟件運(yùn)行所需環(huán)境。

---

好了，這篇文章就介紹到這里，喜歡的小伙伴感謝給點(diǎn)個(gè)贊和關(guān)注，更多精彩內(nèi)容持續(xù)更新~~
關(guān)于本篇文章大家有任何建議或意見(jiàn)，歡迎在評(píng)論區(qū)留言交流！