往期文章列表：
【YOLO深度学习系列】图像分类、物体检测、实例分割、物体追踪、姿态估计、定向边框检测演示系统【含源码】
【深度学习】物体检测/实例分割/物体追踪/姿态估计/定向边框/图像分类检测演示系统【含源码】
【深度学习】YOLOV8数据标注及模型训练方法整体流程介绍及演示
【深度学习】行人跌倒行为检测软件系统
【深度学习】火灾检测软件系统
【深度学习】吸烟行为检测软件系统

软件功能演示

摘要：本文主要使用YOLOV8深度学习框架自训练了一个“数竹签检测模型”，基于此模型使用PYQT5实现了一款界面软件用于功能演示。让您可以更好的了解和学习，该软件支持图片、视频以及摄像头进行目标检测，使用目标检测的方式可以对竹签/筷子/钢管等目标进行监测和计数，应用场景还是比较丰富的。本系统所涉及的训练数据及软件源码已打包上传。
文中源码文件【获取方式】：关注公众号：利哥AI实例探险， 给公众号发送 “数竹签” 获取下载方式 给公众号发送 “数竹签数据集”
获取数据集下载方式，由于本人能力有限，难免有疏漏之处。

图片检测演示

点击图片图标，选择需要检测的图片，即可得到检测结果。

视频检测演示

点击视频图标，选择需要检测的视频，即可得到检测结果。

摄像头功能

系统还提供了摄像头实时监测功能，可自行尝试

模型训练

整体可参考：【深度学习】YOLOV8数据标注及模型训练方法整体流程介绍及演示
以下是简单说明：
关于YOLOV8的数据标注及模型训练更详细的内容，可关注我的另一篇专门记录这部分的文章。

数据集准备及标注

目标检测的数据标注，可以用LabelImg，建议直接下载其可执行程序，而不是通过pip安装使用。
准备了 “数竹签数据集”，用作训练演示。把准备的数据集分为训练和验证两个数据集，一共包含 210 张图片，部分图片如下所示，这些数据集来源于网上：

模型训练

可参考：【深度学习】YOLOV8数据标注及模型训练方法整体流程介绍及演示

1. 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，路径和names改成具体的即可：
   

注：train与val后面表示需要训练图片的路径，建议直接填写绝对路径
2. 数据准备完成后，通过调用train.py文件进行训练，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（根据内存大小调整即可，最小为1），代码如下所示：

3. 用到基础模型yolov8n.pt，所涉及的文件已打包上传，可关注【深度学习】YOLOV8数据标注及模型训练方法整体流程介绍及演示进行获取，运行 python train.py进行训练，如果想后台运行，可以使用 nohup python train.py & 命令，训练过程如下所示：
   

训练结果保存在 /runs/train 系列文件夹中，训练完的最终文件目录结构如下：

训练结果评估

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，下载方式放在文章开头部分。
通常用损失函数下降的曲线来观察模型训练的情况，yolov8训练时主要包含三个方面的损失：定位损失、分类损失和动态特征损失，训练结束后，在runs/目录下找到训练过程及结果文件：

• 定位损失box_loss：预测框与标定框之间的误差GloU，越小定位越准确
• 分类损失cls_loss：计算锚框与对应标定分类是否正确，越小分类越准确
• 动态特征损失dfl_loss：一种用于回归预测框与目标框之间距离的损失函数，通过计算动态特征损失，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：
  

PR曲线体现精确率和召回率的关系，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iou为正负样本的阈值，mAP@0.5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。

检测结果识别

模型训练完成后，可以得到一个最佳的训练结果模型best.pt文件，在runs/train/weights/bset.pt，可以使用该文件进行推理检测。

原文地址：【深度学习】数竹签演示软件系统