使用YOLOv8训练老鼠识别数据集（1类，mouse），基于训练好的l老鼠检测数据集的权重建立基于深度学习yolov8老鼠检测系统

使用YOLOv8训练老鼠识别数据集（1类，mouse），基于训练好的权重建立一个完整的检测系统

✅ 一、环境搭建

1. 安装CUDA驱动（可选）

确保你的显卡支持CUDA，并安装对应的NVIDIA驱动。如需GPU加速，请安装与PyTorch兼容的CUDA版本。

2. 安装Anaconda

从 Anaconda官网 下载安装 Anaconda。

3. 创建虚拟环境

conda create -n mouse_detection python=3.9
conda activate mouse_detection

4. 安装依赖项

pip install torch torchvision torchaudio
pip install ultralytics
pip install opencv-python-headless
pip install PyQt5

📁 二、数据集准备与预处理

数据结构要求（YOLO格式）

请将数据组织为以下目录结构：

mouse_dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
└── labels/
    ├── train/
    ├── val/
    └── test/

每个图像文件（.jpg）对应一个 .txt 标注文件，每行表示一个目标：
class_id x_center y_center width height（归一化坐标）

类别信息

• 类别数量：1类
• 类别名称：['mouse']

🧾 三、创建 YOLO 配置文件 data.yaml

在项目根目录下创建 data.yaml 文件，内容如下：

train: ./mouse_dataset/images/train
val: ./mouse_dataset/images/val
test: ./mouse_dataset/images/test

nc: 1
names: ['mouse']

🚀 四、YOLOv8 模型训练

1. 使用预训练模型开始训练

yolo task=detect mode=train model=yolov8s.pt data=data.yaml epochs=100 imgsz=640 batch=16

参数说明：

• model: 使用的模型类型，如 yolov8s.pt（小模型）、yolov8m.pt（中）、yolov8l.pt（大）
• data: 指定数据配置文件
• epochs: 训练轮数
• imgsz: 输入图像尺寸
• batch: 批量大小（根据显存调整）

训练完成后，最佳权重保存路径为：runs/detect/train/weights/best.pt

🔍 五、模型推理与部署

单张图像预测

from ultralytics import YOLO

# 加载训练好的模型
model = YOLO('runs/detect/train/weights/best.pt')

# 图像预测
results = model('path_to_your_image.jpg')

视频或摄像头预测

results = model('path_to_video.mp4')  # 视频
results = model(0)  # 摄像头

📊 六、性能评估

使用验证集评估模型精度：

yolo task=detect mode=val model=runs/detect/train/weights/best.pt data=data.yaml

输出指标包括：

• mAP@0.5
• mAP@0.5:0.95
• 精确率（Precision）
• 召回率（Recall）

📦 七、模型导出

将模型导出为ONNX、TensorRT等格式以用于部署：

yolo export model=runs/detect/train/weights/best.pt format=onnx

支持格式包括：onnx, engine, tflite, pb, torchscript 等。

💻 八、建立检测系统（GUI界面）

我们可以使用 PyQt5 构建一个简单的 GUI 应用程序来加载图像并显示检测结果。

示例代码：GUI 版本检测系统

import sys
from PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QPushButton, QFileDialog, QVBoxLayout, QWidget
from PyQt5.QtGui import QPixmap, QImage
from PyQt5.QtCore import Qt
from ultralytics import YOLO
import cv2
import numpy as np

class DetectionApp(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("老鼠检测系统")
        self.setGeometry(100, 100, 800, 600)

        self.model = YOLO('runs/detect/train/weights/best.pt')  # 替换为你自己的best.pt路径

        self.init_ui()

    def init_ui(self):
        layout = QVBoxLayout()

        self.image_label = QLabel("上传图片", self)
        self.image_label.setAlignment(Qt.AlignCenter)
        layout.addWidget(self.image_label)

        upload_btn = QPushButton("上传图片", self)
        upload_btn.clicked.connect(self.upload_image)
        layout.addWidget(upload_btn)

        detect_btn = QPushButton("开始检测", self)
        detect_btn.clicked.connect(self.run_detection)
        layout.addWidget(detect_btn)

        container = QWidget()
        container.setLayout(layout)
        self.setCentralWidget(container)

    def upload_image(self):
        fname, _ = QFileDialog.getOpenFileName(self, "选择图片", "", "Image files (*.jpg *.png)")
        if fname:
            self.current_image_path = fname
            pixmap = QPixmap(fname).scaled(self.image_label.width(), self.image_label.height(), Qt.KeepAspectRatio)
            self.image_label.setPixmap(pixmap)

    def run_detection(self):
        results = self.model(self.current_image_path)
        image = cv2.imread(self.current_image_path)

        for result in results:
            boxes = result.boxes.xyxy.cpu().numpy()
            confidences = result.boxes.conf.cpu().numpy()
            classes = result.boxes.cls.cpu().numpy()

            for box, conf, cls in zip(boxes, confidences, classes):
                x1, y1, x2, y2 = map(int, box)
                label = f"{result.names[int(cls)]} {conf:.2f}"
                cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2)
                cv2.putText(image, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)

        height, width, channel = image.shape
        bytes_per_line = 3 * width
        q_img = QImage(image.data, width, height, bytes_per_line, QImage.Format_RGB888).rgbSwapped()
        pixmap = QPixmap.fromImage(q_img).scaled(self.image_label.width(), self.image_label.height(), Qt.KeepAspectRatio)
        self.image_label.setPixmap(pixmap)

if __name__ == '__main__':
    app = QApplication(sys.argv)
    window = DetectionApp()
    window.show()
    sys.exit(app.exec_())

文字及代码仅供参考学习使用。