基于YOLOV8+Pyqt5无人机航拍太阳能电池板检测系统

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：
在这里插入图片描述
每个模型的准确率如下:

开源网址：https://github.com/ultralytics/ultralytics

PyQt5_6">2.PyQt5简介

PyQt5 是 Digia的一套 Qt5 应用框架与 python 的结合，同时支持 python2.x和 python3.x。这里使用的是Python 3.x。Qt库由 Riverbank Computing开发，是最强大的GUI库之一。
PyQt5 是由一系列 Python 模块组成。超过 620 个类，6000 函数和方法。能在诸如 Unix、Windows 和Mac OS 等主流操作系统上运行。
PyQt5 有两种证书，GPL和商业证书。

PyQt5 的官网链接：https://riverbankcomputing.com/news
当然也可以在 Python 这里查看教程：https://pythonspot.com/pyqt5/

2.1 window 平台安装：

PyQt5 有两种安装方式，一种是从官网下载源码安装，另外一种是使用 pip 安装。

python">#1、安装 PyQt5
pip install PyQt5 -i https://pypi.douban.com/simple
#2、安装 PyQt5-tools
pip install PyQt5-tools -i https://pypi.douban.com/simple

注：这里有个需要注意的地方，PyQt5 版本的不同，安装成功之后，PyQt5 相关文件夹以及目录也会存在一些差异。Mac平台或者其他平台自行百度

3. 数据集准备与训练

该数据集于2024年4月26日格林尼治时间上午8:56通过roboflow.com导出
Roboflow是一个端到端计算机视觉平台，可以帮助您
*在计算机视觉项目上与你的团队合作
*收集和组织图像
*理解和搜索非结构化图像数据
注释和创建数据集
*导出、训练和部署计算机视觉模型
随着时间的推移，使用主动学习来改进你的数据集
对于最先进的计算机视觉训练笔记本，您可以使用此数据集，请访问https://github.com/roboflow/notebooks
要查找超过10万个其他数据集和预训练模型，请访问https://universe.roboflow.com
该数据集包括5699张图像。
pv面板以YOLOv8面向对象检测格式注释。
对每张图像进行如下预处理:
未使用图像增强技术。
由Roboflow用户提供
许可:CC BY 4.0

在这里插入图片描述

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：

python">#path: ../datasets/roboflowtrain: D:\Solar Panels\Solar Panels\Solar Panels\datasets\image_chips\train\images
val: D:\Solar Panels\Solar Panels\Solar Panels\datasets\image_chips\test\images
test: D:\Solar Panels\Solar Panels\Solar Panels\datasets\image_chips\train\images
# number of classes
nc: 1# Classes
names: ['panels' ]

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：

python">#coding:utf-8
from ultralytics import YOLO# 加载模型
model = YOLO("yolov8n.pt")  # 加载预训练模型
# Use the model
if __name__ == '__main__':# Use the modelresults = model.train(data='D:\Solar Panels\Solar Panels\Solar Panels\datasets\image_chips\data.yaml', epochs=250, batch=4)  # 训练模型

4.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：
在这里插入图片描述

4.1 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：
在这里插入图片描述
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0.987，结果还是不错的。
在这里插入图片描述