当前位置： 首页 > news >正文

基于深度学习YOLOv11的小目标车辆检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

news 2026/3/26 21:05:45

一、项目介绍

本文设计并实现了一种基于深度学习YOLOv11的小目标车辆检测系统，结合YOLO格式标注的自定义数据集，构建了完整的车辆检测解决方案。系统采用Python开发，集成用户友好的UI界面及登录注册功能，支持高效的小目标车辆识别与定位。实验结果表明，在包含5236张训练图像和2245张验证图像的数据集上，模型能够准确检测复杂场景下的车辆目标，满足实时性与鲁棒性需求。本系统为智能交通、自动驾驶等应用提供了可靠的技术支持。

引言
随着智能交通和自动驾驶技术的快速发展，车辆检测作为核心环节，其精度与实时性至关重要。然而，小目标车辆因分辨率低、遮挡频繁等问题，检测难度显著提升。传统方法依赖手工特征，泛化能力有限，而深度学习技术（如YOLO系列）通过端到端训练大幅提升了检测性能。本文基于YOLOv11算法，针对小目标车辆优化模型结构，构建包含7481张图像的高质量数据集（训练集5236张，验证集2245张），并开发了集成UI界面与用户管理功能的完整系统。该系统不仅提升了小目标检测准确率，还通过模块化设计降低了部署门槛，为相关领域研究提供了可复用的技术框架。

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

数据集特点

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的小目标车辆检测系统（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的小目标车辆检测系统（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YOLO格式标注的自定义车辆检测数据集，共包含7481张高质量图像，涵盖多种复杂场景（如城市道路、高速公路、停车场等），确保模型在不同环境下的泛化能力。数据集具体划分如下：

  • 训练集：5236张图像（占比约70%）

  • 验证集：2245张图像（占比约30%）

数据集特点

  1. 目标类别：

    • 仅包含车辆（car）一类，专注于小目标检测任务，减少类别干扰。

数据集配置文件

数据集采用标准化YOLO格式组织：

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/] train: F:\小目标车辆检测数据集\小目标车辆检测数据集\images\train val: F:\小目标车辆检测数据集\小目标车辆检测数据集\images\val # number of classes nc: 1 # class names names: ['car']

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的小目标车辆检测系统（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的小目标车辆检测系统（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/342370/

相关文章：

  • 2026 十大商用高清图片购买网站推荐，正版素材放心用 - 品牌2026
  • 膜分离技术哪家服务好？口碑推荐的优质供应商有哪些？ - 品牌推荐大师
  • 基于深度学习YOLOv11的超市商品识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）
  • 2026年除疣厂家最新推荐：取肉痣、点痣、祛休子、祛痣、祛色素痣、祛血管痣、去大黑痣、去痣、去瘊子、去黑痣、取大肉痣选择指南 - 优质品牌商家
  • 膜分离技术厂家哪家强？源头生产厂家实力大比拼！ - 品牌推荐大师
  • 2026年取痣厂家权威推荐榜：祛血管痣、去大黑痣、去痣、去瘊子、去黑痣、取大肉痣、取疣子、取肉痣、点痣、祛休子选择指南 - 优质品牌商家
  • 前端入门必备｜互联网基础技术之HTML/CSS核心解析
  • 基于深度学习YOLOv12的大豆杂草检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）
  • 基于深度学习YOLOv12的小目标车辆识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）
  • 想找本地膜分离技术供应商？这些优质厂家响应快、服务好！ - 品牌推荐大师
  • 基于深度学习YOLOv12的超市商品识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）
  • Nodejs毕设选题推荐：基于nodejs的计算机c语音自学交流平台基于nodejs+vue基于java的在线学习交流平台【附源码、mysql、文档、调试+代码讲解+全bao等】
  • OpenClaw新手入门教程：OpenClaw/Clawdbot快速教程分享
  • 【课程设计/毕业设计】基于nodejs的计算机c语音自学交流平台【附源码、数据库、万字文档】
  • 2026年零门槛部署OpenClaw（Clawdbot）云服务新手教程
  • 2026年给孩子补钙可以喝什么品牌的牛奶？这份推荐榜单值得收藏 - Top品牌推荐
  • Mastercam许可证的升级与迁移
  • Nodejs毕设项目：基于nodejs的计算机c语音自学交流平台(源码+文档，讲解、调试运行，定制等)
  • 基于深度学习YOLOv12的铁路轨道缺陷识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）
  • 2026副主任药师考试哪个APP好？硬核实测实力榜TOP3揭晓 - 医考机构品牌测评专家
  • 催化剂智能合成工作站怎么选？2026最新推荐+国内外知名厂家盘点 - 品牌推荐大师1
  • Java高频面试题：SpringBoot为什么要禁止循环依赖?
  • 2026年全国薪酬设计咨询公司权威榜单 定制化激励体系搭建 适配全景解析 - 深度智识库
  • 阿里云为何要将数据采集开发套件开源
  • 2026靠谱的借贷平台推荐：安全合规借贷渠道汇总 - 品牌排行榜
  • 基于深度学习YOLOv11的钢材表面缺陷检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）
  • IL-17/IL-23：炎症性疾病核心靶点的作用机制与研发进展
  • 2026年养老机构精选：康复/综合/星级/高端自理/智能养老及老年公寓源头机构推荐 - 品牌推荐官
  • LLVM Pass快速入门(四)：代码插桩
  • JAVA国际短剧源码，解锁海外新视界