当前位置： 首页 > news >正文

基于YOLOv11的船舶类型识别检测系统（YOLOv11深度学习+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

news 2026/5/12 7:48:23

一、项目介绍

本文介绍了一种基于深度学习目标检测算法YOLOv11的船舶类型识别检测系统，该系统能够高效准确地识别10类常见船舶，包括散货船（BULK CARRIER）、集装箱船（CONTAINER SHIP）、杂货船（GENERAL CARGO）、成品油船（OIL PRODUCTS TANKER）、客船（PASSENGERS SHIP）、油轮（TANKER）、拖网渔船（TRAWLER）、拖船（TUG）、车辆运输船（VEHICLES CARRIER）和游艇（YACHT）。系统结合了YOLOv11算法的高实时性优势，并集成用户友好的UI界面，支持登录注册功能，便于多用户管理。项目提供完整的Python源码、预训练模型及标注数据集，可为海事监管、港口调度、渔业管理等场景提供智能化解决方案。

目录

一、项目介绍

二、项目功能展示

2.1 用户登录系统

2.2 检测功能

2.3 检测结果显示

2.4 参数配置

2.5 其他功能

3. 技术特点

4. 系统流程

三、数据集介绍

数据集配置文件

四、项目环境配置

创建虚拟环境

安装所需要库

五、模型训练

训练代码

训练结果

六、核心代码

🔐登录注册验证

🎯 多重检测模式

🖼️ 沉浸式可视化

⚙️ 参数配置系统

✨ UI美学设计

🔄 智能工作流

七、项目源码（视频简介）

基于深度学习YOLOv11的船舶类型识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili

基于深度学习YOLOv11的船舶类型识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

二、项目功能展示

✅ 用户登录注册：支持密码检测和安全性验证。

✅ 三种检测模式：基于YOLOv11模型，支持图片、视频和实时摄像头三种检测，精准识别目标。

✅ 双画面对比：同屏显示原始画面与检测结果。

✅ 数据可视化：实时表格展示检测目标的类别、置信度及坐标。

✅智能参数调节：提供置信度滑块，动态优化检测精度，适应不同场景需求。

✅科幻风交互界面：深色主题搭配动态光效，减少视觉疲劳，提升操作体验。

✅多线程高性能架构：独立检测线程保障流畅运行，实时状态提示，响应迅速无卡顿。

2.1 用户登录系统

  • 提供用户登录和注册功能

  • 用户名和密码验证

  • 账户信息本地存储(accounts.json)

  • 密码长度至少6位的安全要求

2.2 检测功能

  • 图片检测：支持JPG/JPEG/PNG/BMP格式图片的火焰烟雾检测

  • 视频检测：支持MP4/AVI/MOV格式视频的逐帧检测

  • 摄像头检测：实时摄像头流检测(默认摄像头0)

  • 检测结果保存到"results"目录

2.3 检测结果显示

  • 显示原始图像和检测结果图像

  • 检测结果表格展示，包含：

    • 检测到的类别

    • 置信度分数

    • 物体位置坐标(x,y)、

2.4 参数配置

  • 模型选择

  • 置信度阈值调节(0-1.0)

  • IoU(交并比)阈值调节(0-1.0)

  • 实时同步滑块和数值输入框

2.5 其他功能

  • 检测结果保存功能

  • 视频检测时自动保存结果视频

  • 状态栏显示系统状态和最后更新时间

  • 无边框窗口设计，可拖动和调整大小

3. 技术特点

  • 采用多线程处理检测任务，避免界面卡顿

  • 精美的UI设计，具有科技感的视觉效果：

    • 发光边框和按钮

    • 悬停和按下状态效果

    • 自定义滑块、表格和下拉框样式

  • 检测结果保存机制

  • 响应式布局，适应不同窗口大小

4. 系统流程

  1. 用户登录/注册

  2. 选择检测模式(图片/视频/摄像头)

  3. 调整检测参数(可选)

  4. 开始检测并查看结果

  5. 可选择保存检测结果

  6. 停止检测或切换其他模式

三、数据集介绍

本系统采用专业标注的船舶检测数据集，涵盖10类船舶目标，数据来源多样且具有代表性。数据集共包含4,998张高质量图像，其中训练集3,498张、验证集1,000张、测试集500张，确保模型训练的科学性和评估可靠性。数据集中船舶尺度、角度、光照条件及背景环境丰富，覆盖近远景、不同天气状况及复杂海况场景，有效提升模型的泛化能力。所有图像均经过严格标注和清洗，标注格式兼容YOLO系列算法，支持边界框检测任务。数据分布均衡，每类样本数量合理，避免模型训练中的类别偏差问题，为实际应用提供扎实的数据基础。

数据集配置文件

数据集采用标准化YOLO格式组织：

train: F:\船舶识别检测数据集\images\train val: F:\船舶识别检测数据集\images\val test: # test images (optional) # Classes nc: 10 names: ['BULK CARRIER', 'CONTAINER SHIP', 'GENERAL CARGO', 'OIL PRODUCTS TANKER', 'PASSENGERS SHIP', 'TANKER', 'TRAWLER', 'TUG', 'VEHICLES CARRIER', 'YACHT']

四、项目环境配置

创建虚拟环境

首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。

终端输入

conda create -n yolov11 python==3.9

激活虚拟环境

conda activate yolov11

安装cpu版本pytorch

pip install torch torchvision torchaudio

安装所需要库

pip install -r requirements.txt

pycharm中配置anaconda

五、模型训练

训练代码

from ultralytics import YOLO model_path = 'yolo11s.pt' data_path = 'data.yaml' if __name__ == '__main__': model = YOLO(model_path) results = model.train(data=data_path, epochs=100, batch=8, device='0', workers=0, project='runs', name='exp', )
根据实际情况更换模型 # yolov11n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。 # yolov11s.yaml (small)：小模型，适合实时任务。 # yolov11m.yaml (medium)：中等大小模型，兼顾速度和精度。 # yolov11b.yaml (base)：基本版模型，适合大部分应用场景。 # yolov11l.yaml (large)：大型模型，适合对精度要求高的任务。
  • --batch 8：每批次8张图像。
  • --epochs 100：训练100轮。
  • --datasets/data.yaml：数据集配置文件。
  • --weights yolov11s.pt：初始化模型权重，yolov11s.pt是预训练的轻量级YOLO模型。

训练结果

六、核心代码

import sys import cv2 import numpy as np from PyQt5.QtWidgets import QApplication, QMessageBox, QFileDialog from PyQt5.QtCore import QThread, pyqtSignal from ultralytics import YOLO from UiMain import UiMainWindow import time import os from PyQt5.QtWidgets import QDialog from LoginWindow import LoginWindow class DetectionThread(QThread): frame_received = pyqtSignal(np.ndarray, np.ndarray, list) # 原始帧, 检测帧, 检测结果 finished_signal = pyqtSignal() # 线程完成信号 def __init__(self, model, source, conf, iou, parent=None): super().__init__(parent) self.model = model self.source = source self.conf = conf self.iou = iou self.running = True def run(self): try: if isinstance(self.source, int) or self.source.endswith(('.mp4', '.avi', '.mov')): # 视频或摄像头 cap = cv2.VideoCapture(self.source) while self.running and cap.isOpened(): ret, frame = cap.read() if not ret: break # 保存原始帧 original_frame = frame.copy() # 检测 results = self.model(frame, conf=self.conf, iou=self.iou) annotated_frame = results[0].plot() # 提取检测结果 detections = [] for result in results: for box in result.boxes: class_id = int(box.cls) class_name = self.model.names[class_id] confidence = float(box.conf) x, y, w, h = box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) # 发送信号 self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections ) # 控制帧率 time.sleep(0.03) # 约30fps cap.release() else: # 图片 frame = cv2.imread(self.source) if frame is not None: original_frame = frame.copy() results = self.model(frame, conf=self.conf, iou=self.iou) annotated_frame = results[0].plot() # 提取检测结果 detections = [] for result in results: for box in result.boxes: class_id = int(box.cls) class_name = self.model.names[class_id] confidence = float(box.conf) x, y, w, h = box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections ) except Exception as e: print(f"Detection error: {e}") finally: self.finished_signal.emit() def stop(self): self.running = False class MainWindow(UiMainWindow): def __init__(self): super().__init__() # 初始化模型 self.model = None self.detection_thread = None self.current_image = None self.current_result = None self.video_writer = None self.is_camera_running = False self.is_video_running = False self.last_detection_result = None # 新增：保存最后一次检测结果 # 连接按钮信号 self.image_btn.clicked.connect(self.detect_image) self.video_btn.clicked.connect(self.detect_video) self.camera_btn.clicked.connect(self.detect_camera) self.stop_btn.clicked.connect(self.stop_detection) self.save_btn.clicked.connect(self.save_result) # 初始化模型 self.load_model() def load_model(self): try: model_name = self.model_combo.currentText() self.model = YOLO(f"{model_name}.pt") # 自动下载或加载本地模型 self.update_status(f"模型 {model_name} 加载成功") except Exception as e: QMessageBox.critical(self, "错误", f"模型加载失败: {str(e)}") self.update_status("模型加载失败") def detect_image(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return file_path, _ = QFileDialog.getOpenFileName( self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)") if file_path: self.clear_results() self.current_image = cv2.imread(file_path) self.current_image = cv2.cvtColor(self.current_image, cv2.COLOR_BGR2RGB) self.display_image(self.original_image_label, self.current_image) # 创建检测线程 conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f"正在检测图片: {os.path.basename(file_path)}") def detect_video(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return file_path, _ = QFileDialog.getOpenFileName( self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)") if file_path: self.clear_results() self.is_video_running = True # 初始化视频写入器 cap = cv2.VideoCapture(file_path) frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) fps = cap.get(cv2.CAP_PROP_FPS) cap.release() # 创建保存路径 save_dir = "results" os.makedirs(save_dir, exist_ok=True) timestamp = time.strftime("%Y%m%d_%H%M%S") save_path = os.path.join(save_dir, f"result_{timestamp}.mp4") fourcc = cv2.VideoWriter_fourcc(*'mp4v') self.video_writer = cv2.VideoWriter(save_path, fourcc, fps, (frame_width, frame_height)) # 创建检测线程 conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f"正在检测视频: {os.path.basename(file_path)}") def detect_camera(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return self.clear_results() self.is_camera_running = True # 创建检测线程 (默认使用摄像头0) conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, 0, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status("正在从摄像头检测...")

🔐登录注册验证

对应文件：LoginWindow.py

# 账户验证核心逻辑 def handle_login(self): username = self.username_input.text().strip() password = self.password_input.text().strip() if not username or not password: QMessageBox.warning(self, "警告", "用户名和密码不能为空！") return if username in self.accounts and self.accounts[username] == password: self.accept() # 验证通过 else: QMessageBox.warning(self, "错误", "用户名或密码错误！") # 密码强度检查（注册时） def handle_register(self): if len(password) < 6: # 密码长度≥6位 QMessageBox.warning(self, "警告", "密码长度至少为6位！")

🎯多重检测模式

对应文件：main.py

图片检测

def detect_image(self): file_path, _ = QFileDialog.getOpenFileName( self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)") if file_path: self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.start() # 启动检测线程

视频检测

def detect_video(self): file_path, _ = QFileDialog.getOpenFileName( self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)") if file_path: self.video_writer = cv2.VideoWriter() # 初始化视频写入器 self.detection_thread = DetectionThread(self.model, file_path, conf, iou)

实时摄像头

def detect_camera(self): self.detection_thread = DetectionThread(self.model, 0, conf, iou) # 摄像头设备号0 self.detection_thread.start()

🖼️沉浸式可视化

对应文件：UiMain.py

双画面显示

def display_image(self, label, image): q_img = QImage(image.data, w, h, bytes_per_line, QImage.Format_RGB888) pixmap = QPixmap.fromImage(q_img) label.setPixmap(pixmap.scaled(label.size(), Qt.KeepAspectRatio)) # 自适应缩放

结果表格

def add_detection_result(self, class_name, confidence, x, y): self.results_table.insertRow(row) items = [ QTableWidgetItem(class_name), # 类别列 QTableWidgetItem(f"{confidence:.2f}"), # 置信度 QTableWidgetItem(f"{x:.1f}"), # X坐标 QTableWidgetItem(f"{y:.1f}") # Y坐标 ]

⚙️参数配置系统

对应文件：UiMain.py

双阈值联动控制

# 置信度阈值同步 def update_confidence(self, value): confidence = value / 100.0 self.confidence_spinbox.setValue(confidence) # 滑块→数值框 self.confidence_label.setText(f"置信度阈值: {confidence:.2f}") # IoU阈值同步 def update_iou(self, value): iou = value / 100.0 self.iou_spinbox.setValue(iou)

✨UI美学设计

对应文件：UiMain.py

科幻风格按钮

def create_button(self, text, color): return f""" QPushButton {{ border: 1px solid {color}; color: {color}; border-radius: 6px; }} QPushButton:hover {{ background-color: {self.lighten_color(color, 10)}; box-shadow: 0 0 10px {color}; # 悬停发光效果 }} """

动态状态栏

def update_status(self, message): self.status_bar.showMessage( f"状态: {message} | 最后更新: {time.strftime('%H:%M:%S')}" # 实时时间戳 )

🔄智能工作流

对应文件：main.py

线程管理

class DetectionThread(QThread): frame_received = pyqtSignal(np.ndarray, np.ndarray, list) # 信号量通信 def run(self): while self.running: # 多线程检测循环 results = self.model(frame, conf=self.conf, iou=self.iou) self.frame_received.emit(original_frame, result_frame, detections)

七、项目源码（视频简介）

基于深度学习YOLOv11的船舶类型识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili

基于深度学习YOLOv11的船舶类型识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

http://www.jsqmd.com/news/159239/

相关文章：

  • 智慧交通道路路面异常缺陷检测数据集VOC+YOLO格式2362张20类别
  • 2025最新！专科生必看9款AI论文软件测评与推荐
  • 基于SuperSocket搭建SocketServer服务
  • 企业级AI开发工具终极部署指南：高效赋能开发团队
  • PyTorch-CUDA镜像中Jupyter Notebook密码设置方法
  • Input Remapper终极配置指南：从入门到精通的全流程解析
  • 2025年靠谱的气体探测器生产厂家排行榜，诚信的气体探测器靠谱厂家推荐 - myqiye
  • Jupyter Notebook无法启动？检查你的PyTorch-CUDA镜像配置
  • 2025年口碑好、实力强、诚信的瓷砖免拆改色品牌企业推荐 - 工业品网
  • Transformer入门：一文读懂《Attention Is All You Need》
  • 可视化运行管理：运行监控管理规范
  • 京东云鼎生态掘金指南：新空间知识库，破解店铺增长与API对接的密码
  • Docker镜像源优化建议：优先选择PyTorch-CUDA-v2.7基础环境
  • AI决策时代，星链引擎GEO优化：让品牌成为AI优先推荐的核心选择
  • AI 驱动代码编辑器: Cursor 简介
  • Bcrypt.NET 密码安全实战指南：构建坚不可摧的.NET数据防护体系
  • DBeaver多线程数据导入配置指南：大幅提升导入效率的实战技巧
  • me_cleaner：彻底清除Intel ME安全隐患的终极方案
  • 技术架构：如何让多智能体“吵出”更优解——竞合机制的关键设计模式
  • 计算机视觉任务首选：PyTorch-CUDA-v2.7支持YOLO和CNN
  • 基于PyTorch-CUDA-v2.7的深度学习环境搭建全流程解析
  • LocalAI Docker 容器化部署指南
  • 云原生应用性能测试：应对高并发场景‌
  • HTTP协议为什么要3次握手，而不是2次/4次握手
  • Flutter file_selector 库在鸿蒙（OHOS）平台的适配实践与深度解析
  • 【干货收藏】大模型Agent工作流全解析，从入门到精通，小白也能看懂
  • PyTorch-CUDA-v2.7镜像SSH连接教程：远程开发更便捷
  • StableAnimator：5分钟快速上手CVPR2025最佳人体动画生成框架
  • Jupyter Notebook直连PyTorch-CUDA环境，科研效率大幅提升
  • 人人开源前端组件库实战指南：基于Vue2和Element UI的高效开发方案