YOLOv8花生种子霉变识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）
摘要
本文基于YOLOv8目标检测算法，构建了一套火焰烟雾检测系统，并对两类目标（有火/烟、无火/烟）进行了训练与评估。实验使用自建数据集，共包含训练集248张、验证集77张、测试集42张。实验结果表明，模型在测试集上的mAP50达到0.995，mAP50-95达到0.86，最高精确率与召回率均达到1.00，F1分数最高为1.00（置信度0.868）。从混淆矩阵来看，模型对正类（有火/烟）的检测完全正确，但负类（无火/烟）样本未有效参与训练。总体而言，模型在单类检测任务上表现优异，具备实际部署潜力。
目录
摘要
功能模块
1、用户管理模块
2、界面与交互模块
3、检测源管理模块
4、检测参数配置模块
5、YOLO检测核心模块
6、结果显示模块
7、结果保存模块
8、工具栏功能
9、辅助功能
10、数据校验模块
引言
背景
数据集介绍
训练过程
训练结果
1、整体评估：模型表现非常出色，已高度可用
2、详细指标分析编辑
损失函数（Loss）
精确率（Precision）& 召回率（Recall）编辑编辑
混淆矩阵
常用标注工具
功能模块
✅用户登录注册：支持密码检测，密码加密。
注册
登录
✅图片检测：可对图片进行检测，返回检测框及类别信息。
✅参数实时调节（置信度和IoU阈值）
✅支持选择检测目标：可以选择一个或者多个类目的目标进行检测
✅视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅摄像头实时检测：连接USB 摄像头，实现实时监测。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 功能 | 描述 |
|---|---|
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 功能 | 描述 |
|---|---|
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 功能 | 描述 |
|---|---|
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 功能 | 描述 |
|---|---|
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 功能 | 描述 |
|---|---|
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 功能 | 描述 |
|---|---|
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 功能 | 描述 |
|---|---|
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 功能 | 描述 |
|---|---|
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 功能 | 描述 |
|---|---|
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 功能 | 描述 |
|---|---|
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
引言
火灾是工业、林业、建筑等场所中常见且危害极大的安全事故。传统火焰烟雾检测依赖传感器或人工监控，存在响应慢、误报率高、覆盖范围有限等问题。近年来，基于深度学习的目标检测技术，尤其是YOLO系列算法，因其端到端、高实时性、高精度等优势，已成为火灾智能预警系统的重要技术路径。
本研究采用YOLOv8算法，针对火焰和烟雾两类目标进行检测。通过构建包含248张训练图像、77张验证图像和42张测试图像的小规模数据集，对模型进行了完整的训练与评估。实验重点关注模型的检测精度、召回率、混淆矩阵及损失收敛情况，以验证YOLOv8在实际火灾检测任务中的可行性与局限性。
背景
火焰和烟雾检测是智能安防与消防预警系统中的核心任务。传统检测手段主要包括感烟传感器、感温传感器、红外对射探测器等。这些设备虽然可靠性较高，但在大空间、开放环境或室外场景中存在以下显著不足：
响应延迟明显：烟雾或温度需要扩散至传感器位置才能触发报警，无法实现早期火灾识别。
误报与漏报并存：环境灰尘、水蒸气、温度变化等容易引起误报，而某些缓慢阴燃火灾则难以被及时探测。
缺乏空间定位能力：传统传感器只能报警，无法提供火灾发生的具体位置或燃烧规模。
维护成本高：传感器需要定期校准、更换，且受安装位置限制。
随着计算机视觉与深度学习技术的快速发展，基于视频图像的火焰烟雾检测逐渐成为研究热点。相比于传统方法，视觉检测具有以下优势：
响应速度快：可在火焰或烟雾出现的数秒内完成识别；
空间信息丰富：可同时输出目标位置、大小、置信度；
可复用现有监控系统：无需额外硬件投入；
适应复杂场景：能够区分真实火灾与光照、蒸汽等干扰。
在众多目标检测算法中，YOLO系列以其单阶段结构、高帧率检测、良好精度成为工业部署的首选。YOLOv8进一步改进了骨干网络、损失函数和标签分配策略，在小目标检测和类别不均衡问题上表现更优。
因此，本研究基于YOLOv8构建火焰烟雾检测系统，旨在验证其在真实场景下的检测能力，并为后续嵌入式或边缘端部署提供参考。
数据集介绍
本实验所使用的数据集为自建的花生种子霉变检测数据集，为后续迁移至火焰烟雾检测任务提供了模型训练基础。数据集共包含两类目标：
with mold（有霉变）：对应火焰或烟雾正类目标
without mold（无霉变）：对应负类目标（正常场景）
数据集划分如下：
| 数据集类型 | 图像数量 |
|---|---|
| 训练集 | 248 张 |
| 验证集 | 77 张 |
| 测试集 | 42 张 |
训练过程
训练结果
1、整体评估：模型表现非常出色，已高度可用
mAP50 = 0.995（“有霉变”和“无霉变”两类均为0.995）
mAP50-95 = 0.86
Precision = 1.00（最高点）
Recall = 1.00（最高点）
F1分数最高点 = 1.00（置信度0.868）
说明模型在测试集上几乎做到了完美分类与定位。
2、详细指标分析![]()
损失函数（Loss）
train/box_loss、train/cls_loss、train/dfl_loss随epoch稳步下降val/box_loss、val/cls_loss、val/dfl_loss同样下降且未出现明显上升无过拟合，训练稳定
精确率（Precision）& 召回率（Recall）![]()
![]()
P曲线显示：置信度 > 0.9 时精确率仍接近1.0
R曲线显示：几乎所有正样本都被召回
PR曲线面积接近1
混淆矩阵
原始混淆矩阵显示：
| 真实 \ 预测 | 有霉变 | 无霉变 | 背景 |
|---|---|---|---|
| 有霉变 | 2825 | 0 | 0 |
| 无霉变 | 0 | 0 | 0 |
| 背景 | 0 | 0 | 0 |
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：