《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。
?更多學習資源，可關(guān)注公-仲-hao:【阿旭算法與機器學習】，共同學習交流~
👍感謝小伙伴們點贊、關(guān)注！

《------往期經(jīng)典推薦------》

一、AI應用軟件開發(fā)實戰(zhàn)專欄【鏈接】

項目名稱	項目名稱
1.【人臉識別與管理系統(tǒng)開發(fā)】	2.【車牌識別與自動收費管理系統(tǒng)開發(fā)】
3.【手勢識別系統(tǒng)開發(fā)】	4.【人臉面部活體檢測系統(tǒng)開發(fā)】
5.【圖片風格快速遷移軟件開發(fā)】	6.【人臉表表情識別系統(tǒng)】
7.【YOLOv8多目標識別與自動標注軟件開發(fā)】	8.【基于YOLOv8深度學習的行人跌倒檢測系統(tǒng)】
9.【基于YOLOv8深度學習的PCB板缺陷檢測系統(tǒng)】	10.【基于YOLOv8深度學習的生活垃圾分類目標檢測系統(tǒng)】
11.【基于YOLOv8深度學習的安全帽目標檢測系統(tǒng)】	12.【基于YOLOv8深度學習的120種犬類檢測與識別系統(tǒng)】
13.【基于YOLOv8深度學習的路面坑洞檢測系統(tǒng)】	14.【基于YOLOv8深度學習的火焰煙霧檢測系統(tǒng)】
15.【基于YOLOv8深度學習的鋼材表面缺陷檢測系統(tǒng)】	16.【基于YOLOv8深度學習的艦船目標分類檢測系統(tǒng)】
17.【基于YOLOv8深度學習的西紅柿成熟度檢測系統(tǒng)】	18.【基于YOLOv8深度學習的血細胞檢測與計數(shù)系統(tǒng)】
19.【基于YOLOv8深度學習的吸煙/抽煙行為檢測系統(tǒng)】	20.【基于YOLOv8深度學習的水稻害蟲檢測與識別系統(tǒng)】
21.【基于YOLOv8深度學習的高精度車輛行人檢測與計數(shù)系統(tǒng)】	22.【基于YOLOv8深度學習的路面標志線檢測與識別系統(tǒng)】
23.【基于YOLOv8深度學習的智能小麥害蟲檢測識別系統(tǒng)】	24.【基于YOLOv8深度學習的智能玉米害蟲檢測識別系統(tǒng)】
25.【基于YOLOv8深度學習的200種鳥類智能檢測與識別系統(tǒng)】	26.【基于YOLOv8深度學習的45種交通標志智能檢測與識別系統(tǒng)】
27.【基于YOLOv8深度學習的人臉面部表情識別系統(tǒng)】	28.【基于YOLOv8深度學習的蘋果葉片病害智能診斷系統(tǒng)】
29.【基于YOLOv8深度學習的智能肺炎診斷系統(tǒng)】	30.【基于YOLOv8深度學習的葡萄簇目標檢測系統(tǒng)】
31.【基于YOLOv8深度學習的100種中草藥智能識別系統(tǒng)】	32.【基于YOLOv8深度學習的102種花卉智能識別系統(tǒng)】
33.【基于YOLOv8深度學習的100種蝴蝶智能識別系統(tǒng)】	34.【基于YOLOv8深度學習的水稻葉片病害智能診斷系統(tǒng)】
35.【基于YOLOv8與ByteTrack的車輛行人多目標檢測與追蹤系統(tǒng)】	36.【基于YOLOv8深度學習的智能草莓病害檢測與分割系統(tǒng)】
37.【基于YOLOv8深度學習的復雜場景下船舶目標檢測系統(tǒng)】	38.【基于YOLOv8深度學習的農(nóng)作物幼苗與雜草檢測系統(tǒng)】
39.【基于YOLOv8深度學習的智能道路裂縫檢測與分析系統(tǒng)】	40.【基于YOLOv8深度學習的葡萄病害智能診斷與防治系統(tǒng)】
41.【基于YOLOv8深度學習的遙感地理空間物體檢測系統(tǒng)】	42.【基于YOLOv8深度學習的無人機視角地面物體檢測系統(tǒng)】
43.【基于YOLOv8深度學習的木薯病害智能診斷與防治系統(tǒng)】	44.【基于YOLOv8深度學習的野外火焰煙霧檢測系統(tǒng)】
45.【基于YOLOv8深度學習的腦腫瘤智能檢測系統(tǒng)】	46.【基于YOLOv8深度學習的玉米葉片病害智能診斷與防治系統(tǒng)】
47.【基于YOLOv8深度學習的橙子病害智能診斷與防治系統(tǒng)】	48.【基于深度學習的車輛檢測追蹤與流量計數(shù)系統(tǒng)】
49.【基于深度學習的行人檢測追蹤與雙向流量計數(shù)系統(tǒng)】	50.【基于深度學習的反光衣檢測與預警系統(tǒng)】
51.【基于深度學習的危險區(qū)域人員闖入檢測與報警系統(tǒng)】	52.【基于深度學習的高密度人臉智能檢測與統(tǒng)計系統(tǒng)】
53.【基于深度學習的CT掃描圖像腎結(jié)石智能檢測系統(tǒng)】	54.【基于深度學習的水果智能檢測系統(tǒng)】
55.【基于深度學習的水果質(zhì)量好壞智能檢測系統(tǒng)】	56.【基于深度學習的蔬菜目標檢測與識別系統(tǒng)】
57.【基于深度學習的非機動車駕駛員頭盔檢測系統(tǒng)】	58.【太基于深度學習的陽能電池板檢測與分析系統(tǒng)】
59.【基于深度學習的工業(yè)螺栓螺母檢測】	60.【基于深度學習的金屬焊縫缺陷檢測系統(tǒng)】
61.【基于深度學習的鏈條缺陷檢測與識別系統(tǒng)】	62.【基于深度學習的交通信號燈檢測識別】
63.【基于深度學習的草莓成熟度檢測與識別系統(tǒng)】	64.【基于深度學習的水下海生物檢測識別系統(tǒng)】

二、機器學習實戰(zhàn)專欄【鏈接】，已更新31期，歡迎關(guān)注，持續(xù)更新中~~
三、深度學習【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~~
六、YOLO性能對比專欄【鏈接】，持續(xù)更新中~

《------正文------》

基本功能演示

摘要：安檢X光危險品檢測與識別系統(tǒng)在維護公共安全、預防恐怖襲擊等方面具有重要意義。該系統(tǒng)能夠?qū)崟r識別并定位危險品，有效提高安檢效率，確保人民群眾生命財產(chǎn)安全。本文基于YOLOv11/v10/v8/v5的深度學習框架，通過8312張安檢X光危險品的相關(guān)圖片，訓練了可進行安檢X光危險品目標檢測的模型,可以分別檢測5種類別：['槍','刀','鉗子','剪刀','扳手']，同時全面對比分析了YOLOv5n、YOLOv8n、YOLOv10n、YOLO11這4種模型在驗證集上的評估性能表現(xiàn)。最終基于訓練好的模型制作了一款帶UI界面的安檢X光危險品檢測與識別系統(tǒng)，更便于進行功能的展示。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習，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

---

研究背景

安檢X光危險品檢測與識別系統(tǒng)的重要性與意義在于它為公共安全提供了強有力的技術(shù)支持，通過高效識別潛在威脅物品，它能夠預防犯罪行為和恐怖襲擊，保障人民的生命財產(chǎn)安全，同時提升安檢工作的準確性和效率。

以下是安檢X光危險品檢測與識別系統(tǒng)的應用場景：
機場安全檢查：系統(tǒng)可自動識別旅客行李中的槍支、刀具等危險品，確保航班安全。
火車站與地鐵站安檢：在人流密集的公共交通站點，系統(tǒng)有助于快速識別危險品，保障乘客安全。
快遞物流安檢：系統(tǒng)可以自動檢測包裹中的違禁物品，防止危險品通過物流渠道傳播。
政府機關(guān)和重要設施安檢：在政府大樓、大使館、核電站等重要場所，系統(tǒng)用于防止危險品帶入，維護場所安全。
大型活動安檢：如體育賽事、音樂會、展覽等，系統(tǒng)可以提高安檢速度，減少排隊時間，同時確?；顒影踩?。
商業(yè)樓宇安全檢查：在寫字樓、商場等商業(yè)環(huán)境中，系統(tǒng)可用于日常安檢，預防安全事件發(fā)生。

總的來說，安檢X光危險品檢測與識別系統(tǒng)是一項關(guān)鍵的技術(shù)創(chuàng)新，它在多個關(guān)鍵領(lǐng)域發(fā)揮著不可或缺的作用。通過實時監(jiān)測和精準識別，該系統(tǒng)不僅提高了安檢的效率和準確性，還顯著增強了公共安全保障能力，為社會的和諧穩(wěn)定提供了有力支撐。

主要工作內(nèi)容

本文的主要內(nèi)容包括以下幾個方面：

1. 搜集與整理數(shù)據(jù)集：搜集整理實際場景中安檢X光危險品的相關(guān)數(shù)據(jù)圖片，并進行相應的數(shù)據(jù)處理，為模型訓練提供訓練數(shù)據(jù)集；
2. 訓練模型：基于整理的數(shù)據(jù)集，根據(jù)最前沿的YOLOv11/v10/v8/v5目標檢測技術(shù)訓練目標檢測模型，實現(xiàn)對需要檢測的對象進行實時檢測功能；
3. 模型性能對比：對訓練出的4種模型在驗證集上進行了充分的結(jié)果評估和對比分析，主要目的是為了揭示每個模型在關(guān)鍵指標（如Precision、Recall、mAP50和mAP50-95等指標）上的優(yōu)劣勢。這不僅幫助我們在實際應用中選擇最適合特定需求的模型，還能夠指導后續(xù)模型優(yōu)化和調(diào)優(yōu)工作，以期獲得更高的檢測準確率和速度。最終，通過這種系統(tǒng)化的對比和分析，我們能更好地理解模型的魯棒性、泛化能力以及在不同類別上的檢測表現(xiàn)，為開發(fā)更高效的計算機視覺系統(tǒng)提供堅實的基礎。
4. 可視化系統(tǒng)制作：基于訓練出的目標檢測模型，搭配Pyqt5制作的UI界面，用python開發(fā)了一款界面簡潔的安檢X光危險品檢測與識別系統(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。其目的是為檢測系統(tǒng)提供一個用戶友好的操作平臺，使用戶能夠便捷、高效地進行檢測任務。

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. 可用于安檢X光危險品檢測與識別，分為5個檢測類別：['槍','刀','鉗子','剪刀','扳手'];
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位置、目標總數(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；
5. 支持將圖片的檢測結(jié)果保存為csv文件;

界面參數(shù)設置說明

置信度閾值：也就是目標檢測時的conf參數(shù)，只有檢測出的目標框置信度大于該值，結(jié)果才會顯示；
交并比閾值：也就是目標檢測時的iou參數(shù)，對檢測框重疊比例iou大于該閾值的目標框進行過濾【也就是說假如兩檢測框iou大于該值的話，會過濾掉其中一個，該值越小，重疊框會越少】；

檢測結(jié)果說明

顯示標簽名稱與置信度：表示是否在檢測圖片上標簽名稱與置信度，顯示默認勾選，如果不勾選則不會在檢測圖片上顯示標簽名稱與置信度；
總目標數(shù)：表示畫面中檢測出的目標數(shù)目；
目標選擇：可選擇單個目標進行位置信息、置信度查看。
目標位置：表示所選擇目標的檢測框，左上角與右下角的坐標位置。默認顯示的是置信度最大的一個目標信息；

主要功能說明

功能視頻演示見文章開頭，以下是簡要的操作描述。

（1）圖片檢測說明

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：
點擊目標下拉框后，可以選定指定目標的結(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,同時會將圖片檢測信息保存csv文件。
注：1.右側(cè)目標位置默認顯示置信度最大一個目標位置，可用下拉框進行目標切換。所有檢測結(jié)果均在左下方表格中顯示。

（2）視頻檢測說明

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）攝像頭檢測說明

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說明

點擊保存按鈕后，會將當前選擇的圖片【含批量圖片】或者視頻的檢測結(jié)果進行保存，對于圖片圖片檢測還會保存檢測結(jié)果為csv文件,方便進行查看與后續(xù)使用。檢測的圖片與視頻結(jié)果會存儲在save_data目錄下。
【注：暫不支持視頻文件的檢測結(jié)果保存為csv文件格式。】

保存的檢測結(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、目標在圖片中的編號、目標類別、置信度、目標坐標位置。
注：其中坐標位置是代表檢測框的左上角與右下角兩個點的x、y坐標。

二、YOLOv5/v8/v10/11簡介

YOLO（You Only Look Once）是一種流行的計算機視覺算法，用于實現(xiàn)實時對象檢測。它由Joseph Redmon等人首次在2015年提出，并隨后進行了多次改進。YOLO的核心思想是將整個圖像劃分為一個固定數(shù)量的格子（grid cells），然后在每個格子內(nèi)同時預測多個邊界框（bounding boxes）和類別概率。

YOLOv5、YOLOv8、YOLOv10是YOLO系列中最經(jīng)典且常用的3個系列版本，他們均是基于先前YOLO版本在目標檢測任務上的成功，對模型結(jié)構(gòu)進行不斷地優(yōu)化改進，從而不斷提升了性能和靈活性，在精度和速度方面都具有尖端性能。下面對這3個系列的模型進行簡要介紹。

YOLOv5簡介

源碼地址：https://github.com/ultralytics/yolov5

YOLOv5算法是目前應用最廣泛的目標檢測算法之一，它基于深度學習技術(shù)，在卷積神經(jīng)網(wǎng)絡的基礎上加入了特征金字塔網(wǎng)絡和SPP結(jié)構(gòu)等模塊，從而實現(xiàn)了高精度和快速檢測速度的平衡。

基本網(wǎng)絡結(jié)構(gòu)如下：

YOLOV5有YOLOv5n, YOLOv5s、YOLOv5m、YOLOv51、YOLOv5x五個版本。這幾個模型的結(jié)構(gòu)基本一樣，不同的是depth_multiple模型深度和width_multiple模型寬度這兩個參數(shù)。對應模型的深度與寬度因子，隨著因子值的增大，模型不斷加深、加寬。

YOLOv5不同模型尺寸信息：
YOLOv5提供了5種不同大小的模型尺寸信息，以及在coco數(shù)據(jù)集上的性能表現(xiàn)如下：

模型	尺寸 （像素）	mAPval 50-95	速度 CPU ONNX （毫秒）	速度 A100 TensorRT （毫秒）	params (M)	FLOPs (B)
yolov5nu.pt	640	34.3	73.6	1.06	2.6	7.7
yolov5su.pt	640	43.0	120.7	1.27	9.1	24.0
yolov5mu.pt	640	49.0	233.9	1.86	25.1	64.2
yolov5lu.pt	640	52.2	408.4	2.50	53.2	135.0
yolov5xu.pt	640	53.2	763.2	3.81	97.2	246.4

YOLOv5算法創(chuàng)新點：

1. Anchor-free設計：傳統(tǒng)目標檢測算法中需要先確定物體位置并給出候選框，但yolov5采用了無錨設計方式，直接預測物體的位置和大小，從而避免了候選框?qū)z測性能的影響。
2. 多尺度檢測：yolov5算法可以精確檢測到不同尺度、各種形狀和姿態(tài)的目標，具有很好的適應性。
3. 目標定位精確：yolov5通過導出中心點坐標來實現(xiàn)目標的精準定位，并且在分類和回歸兩個方面都進行優(yōu)化，從而提高了目標檢測精度。
4. 檢測速度快：采用高效計算方法，并利用GPU等硬件加速技術(shù)，使得yolov5算法在保證高精度的同時，具有非常快的檢測速度。

YOLOv8簡介

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

Yolov8是一個SOTA模型，它建立在Yolo系列歷史版本的基礎上，并引入了新的功能和改進點，以進一步提升性能和靈活性，使其成為實現(xiàn)目標檢測、圖像分割、姿態(tài)估計等任務的最佳選擇。其具體創(chuàng)新點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)，可在CPU到GPU的多種硬件平臺上運行。

YOLOv8網(wǎng)絡結(jié)構(gòu)如下：

YOLOv8創(chuàng)新點：

Yolov8主要借鑒了Yolov5、Yolov6、YoloX等模型的設計優(yōu)點，其本身創(chuàng)新點不多，偏重在工程實踐上，具體創(chuàng)新如下：

• 提供了一個全新的SOTA模型（包括P5 640和P6 1280分辨率的目標檢測網(wǎng)絡和基于YOLACT的實例分割模型）。并且，基于縮放系數(shù)提供了N/S/M/L/X不同尺度的模型，以滿足不同部署平臺和應用場景的需求。
• Backbone：同樣借鑒了CSP模塊思想，不過將Yolov5中的C3模塊替換成了C2f模塊，實現(xiàn)了進一步輕量化，同時沿用Yolov5中的SPPF模塊，并對不同尺度的模型進行精心微調(diào)，不再是無腦式一套參數(shù)用于所有模型，大幅提升了模型性能。
• Neck：繼續(xù)使用PAN的思想，但是通過對比YOLOv5與YOLOv8的結(jié)構(gòu)圖可以看到，YOLOv8移除了1*1降采樣層。
• Head部分相比YOLOv5改動較大，Yolov8換成了目前主流的解耦頭結(jié)構(gòu)(Decoupled-Head)，將分類和檢測頭分離，同時也從Anchor-Based換成了Anchor-Free。
• Loss計算：使用VFL Loss作為分類損失(實際訓練中使用BCE Loss)；使用DFL Loss+CIOU Loss作為回歸損失。
• 標簽分配：Yolov8拋棄了以往的IoU分配或者單邊比例的分配方式，而是采用Task-Aligned Assigner正負樣本分配策略。

YOLOv8不同模型尺寸信息：
YOLOv8提供了5種不同大小的模型尺寸信息，詳情如下：

Model	size (pixels)	mAPval 50-95	params (M)	FLOPs (B)
YOLOv8n	640	37.3	3.2	8.7
YOLOv8s	640	44.9	11.2	28.6
YOLOv8m	640	50.2	25.9	78.9
YOLOv8l	640	52.9	43.7	165.2
YOLOv8x	640	53.9	68.2	257.8

一般來說,選擇模型大小的原則如下:
數(shù)據(jù)集小(幾百張圖片):使用yolov8n或yolov8s。過大模型會過擬合。
數(shù)據(jù)集中等(幾千張圖片):yolov8s或yolov8m。能獲得較高精度,不易過擬合。
數(shù)據(jù)集大(幾萬張圖片):yolov8l或yolov8x。模型容量大,充分擬合大數(shù)據(jù)量,能發(fā)揮模型效果。
超大數(shù)據(jù)集(幾十萬張以上):首選yolov8x。超大模型才能處理海量數(shù)據(jù)并取得最優(yōu)效果。

YOLOv10介紹

論文地址：https://arxiv.org/abs/2405.14458
源碼地址：https://github.com/THU-MIG/yolov10

YOLOv10 的架構(gòu)建立在以前 YOLO 模型的優(yōu)勢之上，通過消除非最大抑制 （NMS） 和優(yōu)化各種模型組件， 實現(xiàn)了最先進的性能，并顯著降低了計算開銷。

模型網(wǎng)絡結(jié)構(gòu)由以下組件組成：
主干網(wǎng)：YOLOv10 中的主干網(wǎng)負責特征提取，使用增強版的 CSPNet（Cross Stage Partial Network）來改善梯度流并減少計算冗余。
頸部：頸部被設計成聚合來自不同尺度的特征，并將它們傳遞到頭部。它包括 PAN（路徑聚合網(wǎng)絡）層，用于有效的多尺度特征融合。
一對多頭：在訓練過程中為每個對象生成多個預測，以提供豐富的監(jiān)督信號，提高學習準確性。
一對一頭：在推理過程中為每個對象生成一個最佳預測，消除對 NMS 的需求，從而減少延遲并提高效率。
YOLOv10創(chuàng)新點如下
無 NMS 訓練：利用一致的雙重分配來消除對 NMS 的需求，從而減少推理延遲。
整體模型設計：從效率和精度兩個角度對各種組件進行全面優(yōu)化，包括輕量級分類頭、空間通道解耦下采樣和秩引導塊設計。
增強的模型功能：整合大核卷積和部分自注意力模塊，可在不增加大量計算成本的情況下提高性能。

YOLOv10不同模型尺寸信息：

YOLOv10 提供6種不同的型號規(guī)模模型，以滿足不同的應用需求：

Model	Input Size	APval	params (M)	FLOPs (G)
YOLOv10-N	640	38.5	2.7	6.7
YOLOv10-S	640	46.3	7.2	21.6
YOLOv10-M	640	51.1	15.4	59.1
YOLOv10-B	640	52.5	19.1	92.0
YOLOv10-L	640	53.2	24.4	120.3
YOLOv10-X	640	54.4	29.5	160.4

YOLOv10-N：Nano 版本，適用于資源極度受限的環(huán)境。
YOLOv10-S：平衡速度和精度的小型版本。
YOLOv10-M：通用的中型版本。
YOLOv10-B：平衡版本，寬度增加，精度更高。
YOLOv10-L：大版本，以增加計算資源為代價，實現(xiàn)更高的精度。
YOLOv10-X：超大版本，可實現(xiàn)最大的精度和性能。

YOLO11簡介

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

Ultralytics YOLO11是一款尖端的、最先進的模型，它在之前YOLO版本成功的基礎上進行了構(gòu)建，并引入了新功能和改進，以進一步提升性能和靈活性。YOLO11設計快速、準確且易于使用，使其成為各種物體檢測和跟蹤、實例分割、圖像分類以及姿態(tài)估計任務的絕佳選擇。

YOLO11創(chuàng)新點如下:

YOLO 11主要改進包括：
增強的特征提取：YOLO 11采用了改進的骨干和頸部架構(gòu)，增強了特征提取功能，以實現(xiàn)更精確的目標檢測。
優(yōu)化的效率和速度：優(yōu)化的架構(gòu)設計和優(yōu)化的訓練管道提供更快的處理速度，同時保持準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算效率。
跨環(huán)境的適應性：YOLO 11可以部署在各種環(huán)境中，包括邊緣設備、云平臺和支持NVIDIA GPU的系統(tǒng)。
廣泛的支持任務：YOLO 11支持各種計算機視覺任務，如對象檢測、實例分割、圖像分類、姿態(tài)估計和面向?qū)ο髾z測（OBB）。

YOLO11不同模型尺寸信息：

YOLO11 提供5種不同的型號規(guī)模模型，以滿足不同的應用需求：

Model	size (pixels)	mAPval 50-95	Speed CPU ONNX (ms)	Speed T4 TensorRT10 (ms)	params (M)	FLOPs (B)
YOLO11n	640	39.5	56.1 ± 0.8	1.5 ± 0.0	2.6	6.5
YOLO11s	640	47.0	90.0 ± 1.2	2.5 ± 0.0	9.4	21.5
YOLO11m	640	51.5	183.2 ± 2.0	4.7 ± 0.1	20.1	68.0
YOLO11l	640	53.4	238.6 ± 1.4	6.2 ± 0.1	25.3	86.9
YOLO11x	640	54.7	462.8 ± 6.7	11.3 ± 0.2	56.9	194.9

二、模型訓練、評估與推理

本文主要基于YOLOv5n、YOLOv8n、YOLOv10n、YOLO11n這4種模型進行模型的訓練，訓練完成后對4種模型在驗證集上的表現(xiàn)進行全面的性能評估及對比分析。模型訓練和評估流程基本一致，包括：數(shù)據(jù)集準備、模型訓練、模型評估。
下面主要以最新的YOLO11為例進行訓練過程的詳細講解，YOLOv5、YOLOv8與YOLOv10的訓練過程類似。

1. 數(shù)據(jù)集準備與訓練

通過網(wǎng)絡上搜集關(guān)于實際場景中安檢X光危險品的相關(guān)圖片，并使用Labelimg標注工具對每張圖片進行標注，分5個檢測類別，分別是['槍','刀','鉗子','剪刀','扳手']。

最終數(shù)據(jù)集一共包含8312張圖片，其中訓練集包含5819張圖片，驗證集包含1662張圖片，測試集包含831張圖片。
部分圖像及標注如下圖所示：

數(shù)據(jù)集各類別數(shù)目分布情況如下：

2.模型訓練

準備好數(shù)據(jù)集后，將圖片數(shù)據(jù)以如下格式放置在項目目錄中。在項目目錄中新建datasets目錄，同時將檢測的圖片分為訓練集與驗證集放入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在進行模型訓練時，會讀取該文件的信息，用于進行模型的訓練與驗證。data.yaml的具體內(nèi)容如下：

train: D:\2MyCVProgram\2DetectProgram\XRayDangerousGoodsDetection_v11\datasets\Data\train
val: D:\2MyCVProgram\2DetectProgram\XRayDangerousGoodsDetection_v11\datasets\Data\valid
test: D:\2MyCVProgram\2DetectProgram\XRayDangerousGoodsDetection_v11\datasets\Data\testnc: 5
names: ['Gun', 'Knife', 'Pliers', 'Scissors', 'Wrench']

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

#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'
#預訓練模型
pre_model_name = 'yolo11n.pt'if __name__ == '__main__':#加載預訓練模型model = YOLO(model_yaml_path).load(pre_model_name)#訓練模型results = model.train(data=data_yaml_path,epochs=150,      # 訓練輪數(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

模型常用訓練超參數(shù)參數(shù)說明：
YOLO11 模型的訓練設置包括訓練過程中使用的各種超參數(shù)和配置。這些設置會影響模型的性能、速度和準確性。關(guān)鍵的訓練設置包括批量大小、學習率、動量和權(quán)重衰減。此外，優(yōu)化器、損失函數(shù)和訓練數(shù)據(jù)集組成的選擇也會影響訓練過程。對這些設置進行仔細的調(diào)整和實驗對于優(yōu)化性能至關(guān)重要。
以下是一些常用的模型訓練參數(shù)和說明：

參數(shù)名	默認值	說明
model	None	指定用于訓練的模型文件。接受指向 .pt 預訓練模型或 .yaml 配置文件。對于定義模型結(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)，包括訓練數(shù)據(jù)和驗證數(shù)據(jù)的路徑、類名和類數(shù)。
epochs	100	訓練總輪數(shù)。每個epoch代表對整個數(shù)據(jù)集進行一次完整的訓練。調(diào)整該值會影響訓練時間和模型性能。
patience	100	在驗證指標沒有改善的情況下，提前停止訓練所需的epoch數(shù)。當性能趨于平穩(wěn)時停止訓練，有助于防止過度擬合。
batch	16	批量大小，有三種模式:設置為整數(shù)(例如，’ Batch =16 ‘)， 60% GPU內(nèi)存利用率的自動模式(’ Batch =-1 ‘)，或指定利用率分數(shù)的自動模式(’ Batch =0.70 ')。
imgsz	640	用于訓練的目標圖像尺寸。所有圖像在輸入模型前都會被調(diào)整到這一尺寸。影響模型精度和計算復雜度。
device	None	指定用于訓練的計算設備：單個 GPU (device=0）、多個 GPU (device=0,1)、CPU (device=cpu)，或蘋果芯片的 MPS (device=mps).
workers	8	加載數(shù)據(jù)的工作線程數(shù)（每 RANK 多 GPU 訓練）。影響數(shù)據(jù)預處理和輸入模型的速度，尤其適用于多 GPU 設置。
name	None	訓練運行的名稱。用于在項目文件夾內(nèi)創(chuàng)建一個子目錄，用于存儲訓練日志和輸出結(jié)果。
pretrained	True	決定是否從預處理模型開始訓練?？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。提高訓練效率和模型性能。
optimizer	'auto'	為訓練模型選擇優(yōu)化器。選項包括 SGD, Adam, AdamW, NAdam, RAdam, RMSProp 等，或 auto 用于根據(jù)模型配置進行自動選擇。影響收斂速度和穩(wěn)定性
lr0	0.01	初始學習率（即 SGD=1E-2, Adam=1E-3) .調(diào)整這個值對優(yōu)化過程至關(guān)重要，會影響模型權(quán)重的更新速度。
lrf	0.01	最終學習率占初始學習率的百分比 = (lr0 * lrf)，與調(diào)度程序結(jié)合使用，隨著時間的推移調(diào)整學習率。

3. 訓練結(jié)果評估

在深度學習中，我們通常用損失函數(shù)下降的曲線來觀察模型訓練的情況。YOLOv8在訓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），在訓練結(jié)束后，可以在runs/目錄下找到訓練過程及結(jié)果文件，如下所示：

各損失函數(shù)作用說明：
定位損失box_loss：預測框與標定框之間的誤差（GIoU），越小定位得越準；
分類損失cls_loss：計算錨框與對應的標定分類是否正確，越小分類得越準；
動態(tài)特征損失（dfl_loss）：DFLLoss是一種用于回歸預測框與目標框之間距離的損失函數(shù)。在計算損失時，目標框需要縮放到特征圖尺度，即除以相應的stride，并與預測的邊界框計算Ciou Loss，同時與預測的anchors中心點到各邊的距離計算回歸DFLLoss。
本文訓練結(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檢測的mAP@0.5值為0.906，結(jié)果還是很不錯的。

模型驗證集上的評估結(jié)果如下：

4. 使用模型進行推理

模型訓練完成后，我們可以得到一個最佳的訓練結(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.pt'
# 需要檢測的圖片地址
img_path = "TestFiles/P00009_jpg.rf.6d9f67060235237afa8ffea5b1d46088.jpg"# 加載預訓練模型
model = YOLO(path, task='detect')# 檢測圖片
results = model(img_path)
print(results)
res = results[0].plot()
# res = cv2.resize(res,dsize=None,fx=2,fy=2,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)果直接標注在圖片上，結(jié)果如下：

更多檢測結(jié)果示例如下：

三、YOLOv5/v8/v10/11性能對比分析

本文在介紹的數(shù)據(jù)集上分別訓練了YOLOv5n、YOLOv8n、YOLOv10n這3種模型用于對比分析，訓練輪數(shù)為150個epoch。主要分析這3種模型的訓練結(jié)果在Precision（精確度）、Recall（召回率）、mAP50、mAP50-95、F1-score等性能指標上的表現(xiàn)，以選出更適合本數(shù)據(jù)集的最優(yōu)模型。
3種模型基本信息如下：

Model	size (pixels)	mAPval 50-95	params (M)	FLOPs (B)
YOLOv5n	640	34.3	2.6	7.7
YOLOv8n	640	37.3	3.2	8.7
YOLOv10n	640	38.5	2.7	6.7

FlOPs(floating point operations)：浮點運算次數(shù)，用于衡量算法/模型的復雜度。
params (M):表示模型的參數(shù)量

這3種模型都是各個YOLO系列種最小尺寸結(jié)構(gòu)的模型，在模型參數(shù)與計算量上都相差不大，屬于同一個級別的模型，因此能夠進行橫向的對比分析。

1.常用評估參數(shù)介紹

1. Precision（精確度）:

   • 精確度是針對預測結(jié)果的準確性進行衡量的一個指標，它定義為預測為正例（即預測為目標存在）中真正正例的比例。

   • 公式：
     

   • 其中，TP（True Positives）是正確預測為正例的數(shù)量，FP（False Positives）是錯誤預測為正例的數(shù)量。

2. Recall（召回率）:

   • 召回率衡量的是模型檢測到所有實際正例的能力，即預測為正例的樣本占所有實際正例的比例。

   • 公式：
     

   • 其中，FN（False Negatives）是錯誤預測為負例（即漏檢）的數(shù)量。

3. mAP50（平均精度，Mean Average Precision at Intersection over Union 0.5）:

   • mAP50是目標檢測中一個非常重要的指標，它衡量的是模型在IoU（交并比）閾值為0.5時的平均精度。IoU是一個衡量預測邊界框與真實邊界框重疊程度的指標。
   • mAP50通常在多個類別上計算，然后取平均值，得到整體的平均精度。
   • 計算方法：對于每個類別，首先計算在IoU閾值為0.5時的精度-召回率曲線（Precision-Recall Curve），然后計算曲線下的面積（AUC），最后對所有類別的AUC取平均值。

這三個指標共同提供了對目標檢測模型性能的全面評估：

• 精確度（Box_P）關(guān)注預測的準確性，即減少誤檢（FP）。
• 召回率（Box_R）關(guān)注檢測的完整性，即減少漏檢（FN）。
• mAP50提供了一個平衡精確度和召回率的指標，同時考慮了模型在不同類別上的表現(xiàn)。

在實際應用中，根據(jù)具體需求，可能會更側(cè)重于精確度或召回率，例如在需要減少誤報的場合，可能會更重視精確度；而在需要確保所有目標都被檢測到的場合，可能會更重視召回率。mAP50作為一個綜合指標，能夠幫助研究者和開發(fā)者平衡這兩個方面，選擇最合適的模型。

4. mAP50-95:

• 這是衡量目標檢測模型在不同IoU閾值下性能的指標。IoU是預測的邊界框與真實邊界框之間的重疊程度，mAP50-95計算了從IoU為0.5到0.95的范圍內(nèi)，模型的平均精度。
• 精度-召回率曲線在不同的IoU閾值上繪制，然后計算曲線下的面積（AUC），最后取這些AUC的平均值，得到mAP50-95。
• 這個指標反映了模型在不同匹配嚴格度下的性能，對于評估模型在實際應用中的泛化能力非常重要。

5. F1分數(shù):

   • 這是精確度和召回率的調(diào)和平均數(shù)，能夠平衡兩者的影響，是一個綜合考慮精確度和召回率的指標。

   • 公式：
     

   • 當精確度和召回率差距較大時，F1分數(shù)能夠提供一個更全面的模型性能評估。

2. 模型訓練過程對比

YOLOv5n、YOLOv8n、YOLOv10n、YOLO11n這3種模型的訓練過程損失曲線與性能曲線如下。
訓練過程的損失曲線對比如下：

訓練過程中的精確度（Precision）、召回率（Recall）、平均精確度（Mean Average Precision, mAP）等參數(shù)的對比如下：

直觀的從曲線上看，4種模型在模型精度上看，差別不是很大。下面對具體的性能數(shù)值進行詳細分析。

3.各模型性能評估

在YOLOv5n、YOLOv8n、YOLOv10n、YOLO11n這3種模型訓練完成后，我們可以通過驗證集對各個模型分別進行性能評估。
YOLOv5n模型在驗證集上的性能評估結(jié)果如下：

表格列說明：

Class:表示模型的檢測類別名稱；
Images:表示驗證集圖片數(shù)目；
Instances:表示在所有圖片中目標數(shù)；
P:表示精確度Precison;
R:表示召回率Recall;
mAP50：表示IoU（交并比）閾值為0.5時的平均精度。
mAP50-95：表示從IoU為0.5到0.95的范圍內(nèi)【間隔0.05】，模型的平均精度。

表格行說明：

第一行all，除Instances是所有類別目標數(shù)之和，其他參數(shù)表示所有類別對應列參數(shù)的平均值；
其他行，表示每一個類別對應參數(shù)的值。

YOLOv8n模型在驗證集上的性能評估結(jié)果如下：

YOLOv10n模型在驗證集上的性能評估結(jié)果如下：

YOLO11模型在驗證集上的性能評估結(jié)果如下：

4.模型總體性能對比

下面我們從總體的平均指標上對YOLOv5n、YOLOv8n、YOLOv10n、YOLO11這3種模型進行對比分析。
下表是YOLOv5n、YOLOv8n、YOLOv10n、YOLO11這4不同模型目標檢測結(jié)果的整體性能平均指標對比情況：

Model	Precision	Recall	mAP50	mAP50-95	F1-score
YOLOv5n	0.926	0.831	0.908	0.662	0.876
YOLOv8n	0.926	0.852	0.914	0.671	0.887
YOLOv10n	0.902	0.833	0.901	0.671	0.866
YOLO11	0.914	0.837	0.908	0.672	0.874

為了方便更加直觀的查看與對比各個結(jié)果，同樣我們將表格繪制成圖表的形式進行分析。

當然，我們除了從整體的平均指標上對比之外，也可以單獨對比相同類別在不同模型上的指標表現(xiàn)。以查看不同模型在各個類別上的優(yōu)劣勢。

6.性能對比總結(jié)

整體來看，幾個模型性能相差并不是特別大。YOLOv8n相較于其他3個版本，在此數(shù)據(jù)集上的性能表現(xiàn)略優(yōu)。

四、可視化系統(tǒng)制作

基于上述訓練出的目標檢測模型，為了給此檢測系統(tǒng)提供一個用戶友好的操作平臺，使用戶能夠便捷、高效地進行檢測任務。博主基于Pyqt5開發(fā)了一個可視化的系統(tǒng)界面，通過圖形用戶界面（GUI），用戶可以輕松地在圖片、視頻和攝像頭實時檢測之間切換，無需掌握復雜的編程技能即可操作系統(tǒng)?！鞠到y(tǒng)詳細展示見第一部分內(nèi)容】

Pyqt5簡介

PyQt5 是用于 Python 編程語言的一個綁定庫，提供了對 Qt 應用程序框架的訪問。它常用于開發(fā)跨平臺的桌面應用程序，具有豐富的功能和廣泛的控件支持。PyQt5 提供了一個功能強大且靈活的框架，可以幫助 Python 開發(fā)者迅速構(gòu)建復雜的桌面應用程序。其事件驅(qū)動編程模型、豐富的控件和布局管理、強大的信號與槽機制以及跨平臺能力，使得 PyQt5 成為開發(fā)桌面應用程序的理想選擇。

下面對PyQt5 的基本原理進行詳細介紹：

1. 基本架構(gòu)

PyQt5 是 Python 和 Qt 庫之間的一層接口，Python 程序員可以通過 PyQt5 訪問 Qt 庫的所有功能。Qt 是由 C++ 編寫的跨平臺軟件開發(fā)框架，PyQt5 使用 SIP（一個用于創(chuàng)建 Python 與 C/C++ 語言之間的綁定工具）將這些功能導出到 Python。

2. 事件驅(qū)動編程

PyQt5 基于事件驅(qū)動編程模型，主要通過信號（signals）和槽（slots）機制實現(xiàn)用戶與應用程序之間的交互。當用戶與 GUI 進行交互（如點擊按鈕、調(diào)整滑塊等）時，會觸發(fā)信號，這些信號可以連接到槽函數(shù)或方法，以執(zhí)行特定操作。

from PyQt5.QtWidgets import QApplication, QPushButtondef on_click():print("Button clicked!")app = QApplication([])
button = QPushButton('Click Me')
button.clicked.connect(on_click)
button.show()
app.exec_()

3. Qt 對象模型

PyQt5 的核心是 Qt 對象模型，所有的控件和窗口部件都是從 QObject 類派生而來的。它們擁有復雜的父子關(guān)系，確保父對象在銷毀時自動銷毀所有子對象，避免內(nèi)存泄漏。

4. 部件（Widgets）

PyQt5 提供了豐富的內(nèi)置部件，如按鈕、標簽、文本框、表格、樹、標簽頁等，幾乎涵蓋了所有常見的 GUI 控件。這些部件可以直接使用，也可以通過繼承進行自定義。

from PyQt5.QtWidgets import QApplication, QWidget, QLabel, QVBoxLayoutapp = QApplication([])window = QWidget()
layout = QVBoxLayout()label = QLabel('Hello, PyQt5!')
layout.addWidget(label)window.setLayout(layout)
window.show()
app.exec_()

5. 布局管理

PyQt5 提供了強大的布局管理功能，可以通過 QLayout 和其子類（如 QHBoxLayout, QVBoxLayout, QGridLayout）來控制部件在窗口內(nèi)的擺放方式。這使得界面的設計變得靈活且易于維護。

6. 資源管理

PyQt5 支持資源文件管理，可以將圖像、圖標、樣式表等資源打包進應用程序中。資源文件通常以 .qrc 格式存儲，并通過資源管理器集成到應用程序中。

7. 信號與槽機制

信號與槽機制是 Qt 框架的核心特性之一，它允許對象之間進行松耦合通信。通過信號可以觸發(fā)槽函數(shù)來處理各種事件，使代碼邏輯更加清晰和模塊化。

8. 跨平臺性

PyQt5 是跨平臺的，支持 Windows、Mac 和 Linux 等操作系統(tǒng)，編寫一次代碼即可運行在多個平臺上。

系統(tǒng)制作

博主基于Pyqt5框架開發(fā)了此款安檢X光危險品檢測與識別系統(tǒng)，即文中第一部分的演示內(nèi)容，能夠很好的支持圖片、視頻及攝像頭進行檢測，同時支持檢測結(jié)果的保存。

通過圖形用戶界面（GUI），用戶可以輕松地在圖片、視頻和攝像頭實時檢測之間切換，無需掌握復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，還使得檢測過程更加直觀透明，便于結(jié)果的實時觀察和分析。此外，GUI還可以集成其他功能，如檢測結(jié)果的保存與導出、檢測參數(shù)的調(diào)整，從而為用戶提供一個全面、綜合的檢測工作環(huán)境，促進智能檢測技術(shù)的廣泛應用。

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、訓練代碼、訓練好的模型、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：【阿旭算法與機器學習】，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、訓練好的結(jié)果文件、訓練代碼、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:【阿旭算法與機器學習】，并發(fā)送【源碼】即可獲取下載方式