基于深度学习的工程车辆检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)

视频演示

基于深度学习的工程车辆检测系统

1. 前言​

大家好，欢迎来到Coding茶水间！

在当前智慧工地与城市数字化管理加速落地的背景下，针对施工现场安全隐患多、监管难度大等痛点，传统的人工巡检模式已难以满足实时性与精准度的需求，而基于深度学习的目标检测技术正成为解决这一难题的关键突破口；今天给大家介绍的题目是基于YOLO算法的工程车辆检测系统，这套系统深度融合了最新的YOLOv12及多种主流模型，能够高效、精准地识别复杂场景中的工程车辆，并通过可视化的交互界面实现图片、视频流及摄像头实时的多维度检测，兼具置信度调节、语音播报预警、详细数据统计导出及用户权限管理等实用功能，旨在为施工安全监控提供一套低成本、高效率且易于部署的智能化解决方案。

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 YOLOdef 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', encoding='utf-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', encoding='utf-8') as f:yaml.dump(data_config, f, default_flow_style=False, allow_unicode=True)# --- 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")continuetry:# 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(data=data_yaml_path,  # 数据集配置文件epochs=100,           # 训练轮次imgsz=640,            # 输入图像尺寸batch=8,             # 每批次的图像数量name=train_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")continueprint(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、YOLOv12

 

 

5. 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)
YOLO12n	640	40.6	-	2.6	6.5
YOLO11n	640	39.5	56.1 ± 0.8	2.6	6.5
YOLOv8n	640	37.3	80.4	3.2	8.7
YOLOv5nu	640	34.3	73.6	2.6	7.7

关键结论：

1. 精度最高：YOLO12n（mAP 40.6%），显著领先其他模型（较YOLOv5nu高约6.3个百分点）；

2. 速度最优：YOLO11n（CPU推理56.1ms），比YOLOv8n快42%，适合实时轻量部署；

3. 效率均衡：YOLO12n/YOLO11n/YOLOv8n/YOLOv5nu参数量均为2.6M，FLOPs较低（YOLO12n/11n仅6.5B）；YOLOv8n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YOLO12n）；

• YOLOv5nu/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650+张图片，数据集目标类别1种:工程车辆，识别率是0.87，数据集配置代码如下：

train: ../train/images
val: ../valid/images
test: ../test/imagesnc: 1
names: ['-']

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，矩阵斜线显示每个类别的识别率。

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0.242时，所有类别的综合F1值0.84（蓝色曲线）。

mAP@0.5：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mAP@0.5值0.891（89.1%）。

 

6. 源码获取方式

源码获取方式：https://www.bilibili.com/video/BV1YpZJBHEE3