视频演示基于深度学习的花朵识别系统目录视频演示1. 前言2. 项目演示2.1 用户登录界面2.2 新用户注册2.3 主界面布局2.4 个人信息管理2.5 多模态检测展示2.6 检测结果保存2.7 多模型切换3.模型训练核心代码4. 技术栈5. YOLO模型对比与识别效果解析5.1 YOLOv5/YOLOv8/YOLOv11/YOLOv12模型对比5.2 数据集分析5.3 训练结果6. 源码获取方式1. 前言大家好欢迎来到 Coding 茶水间今天我们带来的分享主题是《基于 YOLO 算法的花朵识别系统》。在进入具体演示前先简单介绍一下现状与我们团队的定位——这是我们已经完成并可交付使用的成品项目涵盖从算法研发到可视化系统的全流程落地。如果有定制化开发需求的伙伴也可以通过私信与我们沟通合作。我们的核心技术覆盖计算机视觉 全链条支持Python 与 MATLAB 双语言开发业务方向包括目标检测、图像分类与识别、图像分割与增强以及深度学习算法的复现与优化。本系统可识别103 种常见花卉从山茶花、美人蕉、风铃草到牵牛、矮牵牛、一品红等覆盖广泛。系统界面采用三区布局功能按钮、参数调节、实时展示与数据统计一应俱全并支持单图、批量图片、视频及摄像头实时流 检测同时提供模型切换、置信度与 IOU 调节、语音播报、结果保存与导出 等完整功能。此外还包含用户登录管理、脚本化无界面检测、以及完整的模型训练流程并配套训练集与验证集共计 5400 张图像支持多模型YOLOv8、YOLO12 等训练与评估。接下来我们将带大家完整走一遍系统的功能演示从界面操作到后台训练帮助大家快速了解这一套可实际落地的花卉识别解决方案。2. 项目演示2.1用户登录界面登录界面布局简洁清晰左侧展示系统主题用户需输入用户名、密码及验证码完成身份验证后登录系统。2.2新用户注册注册时可自定义用户名与密码支持上传个人头像如未上传系统将自动使用默认头像完成账号创建。2.3主界面布局主界面采用三栏结构左侧为功能操作区中间用于展示检测画面右侧呈现目标详细信息布局合理交互流畅。2.4个人信息管理用户可在此模块中修改密码或更换头像个人信息支持随时更新与保存。2.5多模态检测展示系统支持图片、视频及摄像头实时画面的目标检测。识别结果将在画面中标注显示并且带有语音播报提醒并在下方列表中逐项列出。点击具体目标可查看其类别、置信度及位置坐标等详细信息。2.6 检测结果保存可以将检测后的图片、视频进行保存生成新的图片和视频新生成的图片和视频中会带有检测结果的标注信息并且还可以将所有检测结果的数据信息保存到excel中进行方便查看检测结果。2.7多模型切换系统内置多种已训练模型用户可根据实际需求灵活切换以适应不同检测场景或对比识别效果。3.模型训练核心代码本脚本是YOLO模型批量训练工具可自动修正数据集路径为绝对路径从pretrained文件夹加载预训练模型按设定参数100轮/640尺寸/批次8一键批量训练YOLOv5nu/v8n/v11n/v12n模型。# -*- coding: utf-8 -*- 该脚本用于执行YOLO模型的训练。 它会自动处理以下任务 1. 动态修改数据集配置文件 (data.yaml)将相对路径更新为绝对路径以确保训练时能正确找到数据。 2. 从 pretrained 文件夹加载指定的预训练模型。 3. 使用预设的参数如epochs, imgsz, batch启动训练过程。 要开始训练只需直接运行此脚本。 import os import yaml from pathlib import Path from ultralytics import YOLO def main(): 主训练函数。 该函数负责执行YOLO模型的训练流程包括 1. 配置预训练模型。 2. 动态修改数据集的YAML配置文件确保路径为绝对路径。 3. 加载预训练模型。 4. 使用指定参数开始训练。 # --- 1. 配置模型和路径 --- # 要训练的模型列表 models_to_train [ {name: yolov5nu.pt, train_name: train_yolov5nu}, {name: yolov8n.pt, train_name: train_yolov8n}, {name: yolo11n.pt, train_name: train_yolo11n}, {name: yolo12n.pt, train_name: train_yolo12n} ] # 获取当前工作目录的绝对路径以避免相对路径带来的问题 current_dir os.path.abspath(os.getcwd()) # --- 2. 动态配置数据集YAML文件 --- # 构建数据集yaml文件的绝对路径 data_yaml_path os.path.join(current_dir, train_data, data.yaml) # 读取原始yaml文件内容 with open(data_yaml_path, r, encodingutf-8) as f: data_config yaml.safe_load(f) # 将yaml文件中的 path 字段修改为数据集目录的绝对路径 # 这是为了确保ultralytics库能正确定位到训练、验证和测试集 data_config[path] os.path.join(current_dir, train_data) # 将修改后的配置写回yaml文件 with open(data_yaml_path, w, encodingutf-8) as f: yaml.dump(data_config, f, default_flow_styleFalse, allow_unicodeTrue) # --- 3. 循环训练每个模型 --- for model_info in models_to_train: model_name model_info[name] train_name model_info[train_name] print(f\n{*60}) print(f开始训练模型: {model_name}) print(f训练名称: {train_name}) print(f{*60}) # 构建预训练模型的完整路径 pretrained_model_path os.path.join(current_dir, pretrained, model_name) if not os.path.exists(pretrained_model_path): print(f警告: 预训练模型文件不存在: {pretrained_model_path}) print(f跳过模型 {model_name} 的训练) continue try: # 加载指定的预训练模型 model YOLO(pretrained_model_path) # --- 4. 开始训练 --- print(f开始训练 {model_name}...) # 调用train方法开始训练 model.train( datadata_yaml_path, # 数据集配置文件 epochs100, # 训练轮次 imgsz640, # 输入图像尺寸 batch8, # 每批次的图像数量 nametrain_name, # 模型名称 ) print(f{model_name} 训练完成) except Exception as e: print(f训练 {model_name} 时出现错误: {str(e)}) print(f跳过模型 {model_name}继续训练下一个模型) continue print(f\n{*60}) print(所有模型训练完成) print(f{*60}) if __name__ __main__: # 当该脚本被直接执行时调用main函数 main()4. 技术栈语言Python 3.10前端界面PyQt5数据库SQLite存储用户信息模型YOLOv5、YOLOv8、YOLOv11、YOLOv125. YOLO模型对比与识别效果解析5.1 YOLOv5/YOLOv8/YOLOv11/YOLOv12模型对比基于Ultralytics官方COCO数据集训练结果模型尺寸(像素)mAPval 50-95速度(CPU ONNX/毫秒)参数(M)FLOPs(B)YOLO12n64040.6-2.66.5YOLO11n64039.556.1 ± 0.82.66.5YOLOv8n64037.380.43.28.7YOLOv5nu64034.373.62.67.7关键结论精度最高YOLO12nmAP 40.6%显著领先其他模型较YOLOv5nu高约6.3个百分点速度最优YOLO11nCPU推理56.1ms比YOLOv8n快42%适合实时轻量部署效率均衡YOLO12n/YOLO11n/YOLOv8n/YOLOv5nu参数量均为2.6MFLOPs较低YOLO12n/11n仅6.5BYOLOv8n参数量3.2M与计算量8.7B最高但精度优势不明显。综合推荐追求高精度优先选YOLO12n精度与效率兼顾需高速低耗选YOLO11n速度最快且精度接近YOLO12nYOLOv5nu/YOLOv8n因性能劣势无特殊需求时不建议首选。5.2 数据集分析数据集中训练集和验证集一共5400张图片数据集目标类别103种数据集配置代码如下train: ../train/images val: ../valid/images nc: 103 names: [flowers, alpine_sea_holly, anthurium, artichoke, azalea, ball_moss, balloon_flower, barbeton_daisy, bearded_iris, bee_balm, bird_of_paradise, bishop_of_llandaff, black_eyed_susan, blackberry_lily, blanket_flower, bolero_deep_blue, bougainvillea, bromelia, buttercup, californian_poppy, camellia, canna_lily, canterbury_bells, cape_flower, carnation, cautleya_spicata, clematis, colts_foot, columbine, common_dandelion, corn_poppy, cyclamen, daffodil, desert-rose, english_marigold, fire_lily, foxglove, frangipani, fritillary, garden_phlox, gaura, gazania, geranium, giant_white_arum_lily, globe_flower, globe_thistle, grape_hyacinth, great_masterwort, hard-leaved_pocket_orchid, hibiscus, hippeastrum, japanese_anemone, king_protea, lenten_rose, lotus, love_in_the_mist, magnolia, mallow, marigold, mexican_aster, mexican_petunia, monkshood, moon_orchid, morning_glory, orange_dahlia, osteospermum, oxeye_daisy, passion_flower, pelargonium, peruvian_lily, petunia, pincushion_flower, pink-yellow_dahlia, pink_primrose, poinsettia, primula, prince_of_wales_feathers, purple_coneflower, red_ginger, rose, ruby-lipped_cattleya, siam_tulip, silverbush, snapdragon, spear_thistle, spring_crocus, stemless_gentian, sunflower, sweet_pea, sweet_william, sword_lily, thorn_apple, tiger_lily, toad_lily, tree_mallow, tree_poppy, trumpet_creeper, wallflower, water_lily, watercress, wild_pansy, windflower, yellow_iris]上面的图片就是部分样本集训练中经过数据增强后的效果标注。5.3 训练结果混淆矩阵显示中识别精准度显示是一条对角线方块颜色越深代表对应的类别识别的精准度越高。F1指数F1 Score是统计学和机器学习中用于评估分类模型性能的核心指标综合了模型的精确率Precision和召回率Recall通过调和平均数平衡两者的表现。当置信度为0.560时所有类别的综合F1值达到了0.89蓝色曲线。mAP0.5是目标检测任务中常用的评估指标表示在交并比IoU阈值为0.5时计算的平均精度均值mAP。其核心含义是只有当预测框与真实框的重叠面积IoU≥50%时才认为检测结果正确。图中可以看到综合mAP0.5达到了0.92392.3%准确率非常高。6. 源码获取方式源码获取方式https://www.bilibili.com/video/BV1tAreBCEY1