基于YOLOv8深度学习的无人机视角地面物体检测系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

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~~

《------正文------》

基本功能演示

摘要：无人机视角物体检测系统是一项先进的目标检测技术，它具有实时、高效和自动识别地面物体的能力。当无人机搭载此系统时，可以在空中执行复杂的监视和分析任务，捕获广角视野下的动态情况。本文基于YOLOv8深度学习框架，通过7019张图片，训练了一个进行无人机视角下物体的目标检测模型,可进行10种类型的物体检测。并基于此模型开发了一款带UI界面的无人机视角物体检测系统，可用于实时检测无人机拍摄的地面物体，也更方便进行功能的展示。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。

点击跳转至文末《完整相关文件及源码》获取

---

前言

基于YOLOv8的无人机视角物体检测系统是一项先进的技术，它具有实时、高效和自动识别地面物体的能力。当无人机搭载此系统时，可以在空中执行复杂的监视和分析任务，捕获广角视野下的动态情况。这对于增强多种领域的安全监控、交通监管、人群管理和灾害响应等方面均有重要意义。系统能够对运动或静止的目标进行识别，实现从高空进行准确观察的需求，相对于传统的地面监视，无人机视角提供了更大范围的监控能力和更灵活的视角。

无人机视角物体检测系统的应用场景包括：
交通监控：监测和分析道路上的交通流量，包含汽车、公交车、卡车等不同类型的车辆。
搜索与救援：在遇难者搜寻过程中，快速识别受困人员或者事故现场的行人，提高搜救效率。
安全巡逻：使用无人机监控私有或公共区域，检测非法行为，如非法占用公共道路的摊贩。
灾害评估：自然灾害发生后，评估受损交通工具、道路堵塞情况和人员分布。
人群监管：在大型公共活动或聚集地点，对人群流动进行监测，保障公共安全。
城市规划与管理：分析城市中车辆和行人的流量和分布，为城市规划提供数据支持。
农村地区交通统计：在缺乏传统监控基础设施的偏远地区，无人机可以监控和统计交通情况。
执法记录：记录交通违规行为，作为事故分析或执法的证据。

总结来说，基于YOLOv8的无人机视角物体检测系统为现代监控带来了革命性的改进，可实现高效、精确且广泛的应用。该系统不仅为实时监测提供支持，而且有助于紧急情况下的快速响应，最终为我们构建一个更加安全、更可管理的环境。随着无人机技术和人工智能的进步，我们可以期待这些系统在未来发挥更大的作用，实现更广泛的应用。

博主通过搜集实际场景中的无人机视角相关数据图片，根据YOLOv8的目标检测技术，基于python与Pyqt5开发了一款界面简洁的无人机视角物体检测系统，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。

软件初始界面如下图所示：

检测结果界面如下：

一、软件核心功能介绍及效果演示

软件主要功能

1. 可用于实时无人机视角下的物体检测，可检测10个类别，分别是：['行人','人','汽车','面包车','公交车','卡车','摩托车','自行车','带蓬三轮车','三路车'];
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；

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，只有目标检测框的交并比大于该值，结果才会显示；

IoU：全称为Intersection over
Union，表示交并比。在目标检测中，它用于衡量模型生成的候选框与原标记框之间的重叠程度。IoU值越大，表示两个框之间的相似性越高。通常，当IoU值大于0.5时，认为可以检测到目标物体。这个指标常用于评估模型在特定数据集上的检测准确度。

（1）图片检测演示

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。
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。
单个图片检测操作如下：

批量图片检测操作如下：

（2）视频检测演示

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）摄像头检测演示

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结果

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。检测的图片与视频结果会存储在save_data目录下。
视频检测保存演示如下：

保存的检测结果文件如下：

二、模型的训练、评估与推理

1.YOLOv8的基本原理

YOLOv8是一种前沿的目标检测技术，它基于先前YOLO版本在目标检测任务上的成功，进一步提升了性能和灵活性，在精度和速度方面都具有尖端性能。在之前YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。主要的创新点包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，可以在从 CPU 到 GPU 的各种硬件平台上运行。
YOLO各版本性能对比：

YOLOv8网络结构如下：

2. 数据集准备与训练

本文使用的数据集为无人机视角拍摄的物体相关图片，并使用Labelimg标注工具对每张图片中的目标边框（Bounding Box）及类别进行标注，共10个类别，分别是：['行人','人','汽车','面包车','公交车','卡车','摩托车','自行车','带蓬三轮车','三路车']。一共包含7019张图片，其中训练集包含6471张图片，验证集包含548张图片。
部分图像及标注如下图所示：


图片数据的存放格式如下，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。

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。YOLOv8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\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']
1
2
3
4
5

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】，代码如下：

#coding:utf-8
from ultralytics import YOLO
# 模型配置文件
model_yaml_path = "ultralytics/cfg/models/v8/yolov8.yaml"
#数据集配置文件
data_yaml_path = 'datasets/Data/data.yaml'
#预训练模型
pre_model_name = 'yolov8n.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,
                          batch=4,
                          name='train_v8')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

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。YOLOv8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。这个过程是YOLOv8训练流程中的一部分，通过计算DFLLoss可以更准确地调整预测框的位置，提高目标检测的准确性。
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0.344，结果有进一步提升空间。

4. 检测结果识别

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_v8.pt'
# 需要检测的图片地址
img_path = "TestFiles/0000140_02277_d_0000005.jpg"

# 加载预训练模型
# 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)


# 检测图片
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)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

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：

以上便是关于此款无人机视角物体检测系统的原理与代码介绍。基于此模型，博主用python与Pyqt5开发了一个带界面的软件系统，即文中第二部分的演示内容，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。

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、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】

关注下方名片G-Z-H：【阿旭算法与机器学习】，并发送【源码】即可获取下载方式

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。

关注下方名片GZH:【阿旭算法与机器学习】，并发送【源码】即可获取下载方式

---

结束语

以上便是博主开发的基于YOLOv8深度学习的无人机视角物体检测系统的全部内容，由于博主能力有限，难免有疏漏之处，希望小伙伴能批评指正。
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

觉得不错的小伙伴，感谢点赞、关注加收藏哦！