基于YOLOv8的多目标检测与自动标注软件【python源码+PyqtUI界面+exe文件】【深度学习】

基本功能演示

在这里插入图片描述

摘要：YOLOv8是YOLO系列最新的版本，支持多种视觉任务。本文基于YOLOv8的基础模型实现了80种类别的目标检测，可以对图片进行批量自动标注，并将检测结果保存为YOLO格式便于后续进行其他任务训练。本文给出完整的Python实现代码，并且通过PyQT5实现了UI界面，更方便进行功能的展示，并且提供了可执行的exe文件。该软件支持图片、视频以及摄像头进行目标检测，并保存检测结果；支持图片自动标注保存；支持检测类别选择。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。

文章目录

基本功能演示
前言
一、软件核心功能介绍及效果演示
- 软件主要功能
- 80个目标检测类别说明
- （1）图片检测演示
- （2）视频检测演示
- （3）摄像头检测演示
- （4）保存检测结果与自动标注标签文件
二、YOLOv8目标检测的基本原理
- 1.基本原理
- 2.核心功能代码实现
- - 2.1 YOLOv8检测图片代码
  - 2.2 YOLOv8检测视频代码
【获取方式】
结束语

点击跳转至文末《完整相关文件及源码》获取

前言

YOLOv8是一种前沿的计算机视觉技术，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。这种模型属于Ultralytics平台，它的优势在于速度快且准确率高，这得益于其"You Only Look Once"（你仅需看一遍）的工作原理。不仅如此，YOLOv8不仅限于检测任务，还拓展到了分类、分割、跟踪，甚至姿态估计等多个领域。

目标检测作为计算机视觉的重要任务之一，具有广泛的应用价值。例如，在交通管理中，可以通过实时车辆检测和跟踪来更好地管理交通流量；在智能监控中，可以用于识别异常行为或危险情况等。因此，YOLOv8这类高效准确的目标检测模型在各领域的应用具有重要意义。

博主根据YOLOv8的目标检测技术，基于python与Pyqt5开发了一款简洁的支持80个类别的目标检测与自动化标注软件，可支持图片、视频以及摄像头目标检测，同时支持检测类型选择与图片的批量自动标注，并将检测结果保存为YOLO格式的文件，用于后续训练。

软件基本界面如下图所示：
在这里插入图片描述

觉得不错的小伙伴，感谢点赞、关注加收藏！如果大家有任何建议或意见，欢迎在评论区留言交流！

一、软件核心功能介绍及效果演示

软件主要功能

1. 支持80个类别的目标检测，详细目标类别见下方说明；
2. 支持图片、视频及摄像头进行检测，并显示目标位置、目标总数，保存检测结果;
3. 支持图片批量检测与自动标注，并将结果保存为YOLO格式文件，用于后续模型训练；
4. 支持单个类别的目标选择与检测，并保存检测结果与YOLO标签文件。

80个目标检测类别说明

本文是基于YOLOv8的基础训练模型进行开发的，模型使用的是COCO数据集。支持80个类别的目标检测，具体目标类别名称如下：

[   '人','自行车', '汽车', '摩托车', '飞机', '公共汽车', '火车','卡车', '船', '交通灯', '消防栓', '停车标志', '停车收费表','长凳', '鸟', '猫', '狗', '马', '羊', '牛', '大象', '熊','斑马', '长颈鹿', '背包', '雨伞','手袋', '领带', '手提箱','飞盘', '雪橇', '滑雪板', '运动球', '风筝', '棒球棒','棒球手套', '滑板', '冲浪板', '网球拍', '瓶子', '酒杯', '杯子','叉子', '刀', '汤匙', '碗', '香蕉', '苹果', '三明治', '橙子','西兰花', '胡萝卜', '热狗', '披萨', '甜甜圈', '蛋糕', '椅子','沙发', '盆栽植物', '床', '餐桌', '马桶', '电视', '笔记本电脑','鼠标', '遥控器', '键盘', '手机', '微波炉', '烤箱', '烤面包机','水槽', '冰箱', '书', '时钟', '花瓶', '剪刀', '泰迪熊', '吹风机', '牙刷']

包含了常见的人、汽车、公共汽车、交通灯等。

（1）图片检测演示

点击图片图标，选择需要检测的图片，或者点击文件夹图标，选择需要批量检测图片所在的文件夹，操作演示如下：
1. 点击选择类别下拉框后，会只对图片指定类别进行检测【默认检测全部类别】。
2. 点击保存按钮，会同时保存指定类别检测结果图片与其对应的YOLO标签文件。

在这里插入图片描述

（2）视频检测演示

点击视频图标，选择需要检测的视频，就会自动显示检测结果。也可以通过下拉框选择指定类别进行检测。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。
在这里插入图片描述

（3）摄像头检测演示

点击摄像头图标，可以打开摄像头进行检测，同样可以通过下拉框选择指定类别进行检测。
在这里插入图片描述

（4）保存检测结果与自动标注标签文件

点击保存按钮后，对于图片，会同时保存指定类别检测结果图片与其对应的YOLO标签文件；对于视频，只会保存指定类别检测结果视频。
检测的图片与视频结果会存储在save_data目录下:
在这里插入图片描述
对于图片，会将指定检测目标的结果存储为目标检测中YOLO格式，方便后续进行模型进行训练使用，存储路径为：save_data/yolo_labels。结果如下图所示：

自动标注的存储格式为YOLO目标检测格式说明如下：【保存的文件名与图片名称相同】
在这里插入图片描述

二、YOLOv8目标检测的基本原理

1.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。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。

YOLOv8不仅限于检测任务，还拓展到了分类、分割、跟踪，甚至姿态估计等多个领域。比如，通过使用已经训练好的yolov8x-seg.pt模型，可以实现对输入图像的实例分割操作，从而得到图像中不同物体的分割结果。此外，利用YOLOv8还可以实现实时车辆检测、车辆跟踪、实时车速检测，以及检测车辆是否超速等功能。
其主要网络结构如下：
在这里插入图片描述
本文基于YOLOv8的基础的目标检测模型，该多目标检测与自动标注软件的开发。支持80种类型目标的检测与结果保存，同时能批量将图片的检测结果保存为YOLO格式，便于后续模型训练的使用。

2.核心功能代码实现

2.1 YOLOv8检测图片代码

from ultralytics import YOLO
import cv2
# 加载预训练模型
model = YOLO("yolov8n.pt", task='detect') 
# model = YOLO("yolov8n.pt") task参数也可以不填写，它会根据模型去识别相应任务类别
# 检测图片
results = model("./ultralytics/assets/bus.jpg")
res = results[0].plot()
cv2.imshow("YOLOv8 Inference", res)
cv2.waitKey(0)

在这里插入图片描述

2.2 YOLOv8检测视频代码

import cv2
from ultralytics import YOLO# Load the YOLOv8 model
model = YOLO('yolov8n.pt')
print('111')
# Open the video file
video_path = "1.mp4"
cap = cv2.VideoCapture(video_path)# Loop through the video frames
while cap.isOpened():# Read a frame from the videosuccess, frame = cap.read()if success:# Run YOLOv8 inference on the frameresults = model(frame)# Visualize the results on the frameannotated_frame = results[0].plot()# Display the annotated framecv2.imshow("YOLOv8 Inference", annotated_frame)# Break the loop if 'q' is pressedif cv2.waitKey(1) & 0xFF == ord("q"):breakelse:# Break the loop if the end of the video is reachedbreak# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()