网站 制作价格,wordpress 树 插件,国际新闻最新消息战争视频,东莞搜狗推广《博主简介》 小伙伴们好#xff0c;我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源#xff0c;可关注公-仲-hao:【阿旭算法与机器学习】#xff0c;共同学习交流~ #x1f44d;感谢小伙伴们点赞、关注#xff01; 《------往期经典推…《博主简介》 小伙伴们好我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源可关注公-仲-hao:【阿旭算法与机器学习】共同学习交流~ 感谢小伙伴们点赞、关注 《------往期经典推荐------》
一、AI应用软件开发实战专栏【链接】
项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】22.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】23.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
二、机器学习实战专栏【链接】已更新31期欢迎关注持续更新中~~ 三、深度学习【Pytorch】专栏【链接】 四、【Stable Diffusion绘画系列】专栏【链接】
《------正文------》
基本功能演示 摘要智能鸟类检测与识别系统在生态保护、科学研究、野生动物监测、以及生态旅游等领域扮演着举足轻重的角色。本文基于YOLOv8深度学习框架通过11788张图片训练了一个进行鸟类智能检测与识别的目标检测模型,可检测200种不同鸟类。并基于此模型开发了一款带UI界面的鸟类智能检测与识别系统可用于实时检测场景中的不同鸟类更方便进行功能的展示。该系统是基于python与PyQT5开发的支持图片、视频以及摄像头进行目标检测并保存检测结果。本文提供了完整的Python代码和使用教程给感兴趣的小伙伴参考学习完整的代码资源文件获取方式见文末。 文章目录 基本功能演示前言一、软件核心功能介绍及效果演示软件主要功能1图片检测演示2视频检测演示3摄像头检测演示4保存图片与视频检测结果 二、模型的训练、评估与推理1.YOLOv8的基本原理2. 数据集准备与训练3. 训练结果评估4. 检测结果识别 【获取方式】结束语 点击跳转至文末《完整相关文件及源码》获取 前言
智能鸟类检测与识别系统在生态保护、科学研究、野生动物监测、以及生态旅游等领域扮演着举足轻重的角色。 首先这类系统对生态保护有极其重要的影响它能够帮助研究者和保护人员准确地监测鸟类种群的动态评估受保护区域的生物多样性及时发现稀有或濒危鸟种从而制定更有效的保护措施。 其次在科学研究领域智能识别系统能够提供大量精确的鸟类观察数据协助研究人员进行行为学、迁徙学和生态学的研究加深人们对鸟类习性及其生态系统的理解。在野生动物监测方面智能检测系统可以减少人为干扰提高数据的收集效率和准确度助力森林管理及非法狩猎的预防。 此外在生态旅游业鸟类检测与识别技术可以提升游客的体验实现自动化识别和解说服务让游客更深入地了解自然界的奥妙。 综上所述智能鸟类检测与识别系统具有广阔的应用前景不仅可以促进生态环境保护还能够支持科学研究提高监测效率且对于推动生态文明建设和发展生态旅游具有积极作用。 博主通过搜集不同种类的鸟类的相关数据图片根据YOLOv8的目标检测技术基于python与Pyqt5开发了一款界面简洁的鸟类智能检测与识别系统可支持图片、视频以及摄像头检测同时可以将图片或者视频检测结果进行保存。
软件初始界面如下图所示
检测结果界面如下
一、软件核心功能介绍及效果演示
软件主要功能
1. 可进行200种鸟类的检测与识别具体鸟类名称见数据集介绍部分; 2. 支持图片、视频及摄像头进行检测同时支持图片的批量检测 3. 界面可实时显示目标位置、目标总数、置信度、用时等信息; 4. 支持图片或者视频的检测结果保存
1图片检测演示
点击图片图标选择需要检测的图片或者点击文件夹图标选择需要批量检测图片所在的文件夹操作演示如下 点击目标下拉框后可以选定指定目标的结果信息进行显示。 点击保存按钮会对视频检测结果进行保存存储路径为save_data目录下。 注1.右侧目标位置默认显示置信度最大一个目标位置。所有检测结果均在左下方表格中显示。 单个图片检测操作如下
批量图片检测操作如下
2视频检测演示
点击视频图标打开选择需要检测的视频就会自动显示检测结果。点击保存按钮会对视频检测结果进行保存存储路径为save_data目录下。
3摄像头检测演示
点击摄像头图标可以打开摄像头可以实时进行检测再次点击摄像头图标可关闭摄像头。
4保存图片与视频检测结果
点击保存按钮后会将当前选择的图片【含批量图片】或者视频的检测结果进行保存。检测的图片与视频结果会存储在save_data目录下。
二、模型的训练、评估与推理
1.YOLOv8的基本原理
YOLOv8是一种前沿的目标检测技术它基于先前YOLO版本在目标检测任务上的成功进一步提升了性能和灵活性。主要的创新点包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数可以在从 CPU 到 GPU 的各种硬件平台上运行。 其主要网络结构如下
2. 数据集准备与训练
通过网络上搜集关于不同鸟类的各类图片并使用LabelMe标注工具对每张图片中的目标边框Bounding Box及类别进行标注。一共包含11788张图片其中训练集包含5994张图片验证集包含5794张图片部分图像及标注如下图所示。 具体200种鸟类名称如下: [“黑足信天翁”, “黑脚信天翁”, “黄脚信天翁”, “廓嘴安尼鸟”, “冠燕鸥”, “小艾基”, “鹦哥艾基”, “犀牛艾基”, “布氏黑鸟”, “红翅黑鸟”, “锈黑鸟”, “黄头黑鸟”, “黑喉鹀”, “靛蓝鹀”, “翠蓝鹀”, “彩鹀”, “北美红雀”, “斑点猫鸟”, “灰猫鸟”, “黄胸歌美洲鹀”, “东方红尾鸫”, “查克威尔威多”, “勃兰特鸬鹚”, “红脸鸬鹚”, “远洋鸬鹚”, “铜牛鸟”, “亮牛鸟”, “棕旋木莺”, “美洲乌鸦”, “鱼鸦”, “黑嘴杜鹃”, “红树杜鹃”, “黄嘴杜鹃”, “灰顶玫瑰雀”, “紫雀”, “北榄仙鹟”, “阿卡迪亚捕蝇鸟”, “大冠鹟”, “小鹟”, “橄榄侧鹟”, “剪翅鹟”, “朱红鹟”, “黄腹鹟”, “军舰鸟”, “北风鸦”, “赤膀鸭”, “美洲金翅雀”, “欧洲金翅雀”, “船尾椋鸟”, “角䴙䴘”, “长菊头鹬”, “枕菊部䴙䴘”, “西部䴙䴘”, “蓝色蜡嘴鸟”, “黄腹蜡嘴鸟”, “松蜡嘴鸟”, “玫瑰胸蜡嘴鸟”, “鸽鸽鸥”, “加州鸥”, “冰翼鸥”, “黑脚鸥”, “银鸥”, “象牙鸥”, “环嘴鸥”, “板翼鸥”, “西部鸥”, “安娜蜂鸟”, “红喉蜂鸟”, “棕蜂鸟”, “绿紫耳”, “长尾贼鹰”, “庞巴利贼鹰”, “蓝鸦”, “佛罗里达鸦”, “绿鸦”, “暗眼灯草鹀”, “热带王鹟”, “灰王鹟”, “环带翠鸟”, “绿翠鸟”, “派群翠鸟”, “环颈翠鸟”, “白胸翠鸟”, “红腿三趾鸥”, “角百灵”, “太平洋潜鸟”, “绿头鸭”, “西部草地百灵”, “冠秋沙鸭”, “赤胸秋沙鸭”, “知更鸟”, “夜鹰”, “克拉克的花栗鼠”, “白胸鳾”, “巴尔的摩椋鸟”, “头巾椋鸟”, “果园椋鸟”, “斯科特椋鸟”, “炉鹛”, “棕鹈”, “白鹈”, “西部啸喜鹊”, “赛氏啸鸫”, “美洲鹨”, “尖嘴夜鹰”, “角蒲鹫”, “普通鸦”, “白颈鸦”, “美洲红尾鹞”, “庚科考科克斯”, “红尾伯劳”, “大灰伯劳”, “白德麻雀”, “黑喉麻雀”, “布氏麻雀”, “尖嘴麻雀”, “白腹麻雀”, “家麻雀”, “田麻雀”, “狐麻雀”, “蚱蝉麻雀”, “哈里斯麻雀”, “亨斯洛麻雀”, “勒康德麻雀”, “林肯麻雀”, “纳尔逊尖尾麻雀”, “沙麻雀”, “海边麻雀”, “宋麻雀”, “树麻雀”, “夜麻雀”, “白冠麻雀”, “白喉麻雀”, “斑点椋鸟”, “崖燕”, “谷仓燕”, “悬崖燕”, “树燕”, “朱雀”, “夏季红雀”, “北极燕鸥”, “黑燕鸥”, “里海燕鸥”, “普通燕鸥”, “优雅燕鸥”, “福斯特燕鸥”, “小燕鸥”, “带尾鹛”, “棕色刺莺”, “鼠莺”, “黑顶莺”, “蓝头莺”, “费城莺”, “红眼莺”, “唱歌莺”, “白眼莺”, “黄喉莺”, “海湾胸莺”, “黑白莺”, “黑喉蓝莺”, “蓝翅莺”, “加拿大莺”, “角胸莺”, “天蓝莺”, “栗侧莺”, “金翅莺”, “兜帽莺”, “肯塔基莺”, “玉带莺”, “悲莺”, “野莺”, “纳什维尔莺”, “冕黄莺”, “棕榈莺”, “松莺”, “草原莺”, “金水莺”, “斯旺氏莺”, “田纳西莺”, “威尔逊莺”, “蠕虫吃莺”, “黄莺”, “北方水莺”, “路易斯安那水莺”, “波西米亚蜡嘴雀”, “雪松蜡嘴雀”, “美洲三趾啄木鸟”, “黑背啄木鸟”, “红腹啄木鸟”, “红冠啄木鸟”, “红头啄木鸟”, “绒毛啄木鸟”, “比威克鹪鹩”, “仙人掌鹪鹩”, “卡罗来纳鹪鹩”, “家用鹪鹩”, “沼泽鹪鹩”, “岩石鹪鹩”, “冬鹪鹩”, “普通黄喉”] 图片数据的存放格式如下在项目目录中新建datasets目录同时将检测的图片分为训练集与验证集放入BirdData目录下。
同时我们需要新建一个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
train: E:\MyCVProgram\BirdDetection\datasets\BirdData\images\train
val: E:\MyCVProgram\BirdDetection\datasets\BirdData\images\valnc: 200
names: [Black_footed_Albatross, Laysan_Albatross, Sooty_Albatross, Groove_billed_Ani, Crested_Auklet, Least_Auklet, Parakeet_Auklet, Rhinoceros_Auklet, Brewer_Blackbird, Red_winged_Blackbird, Rusty_Blackbird, Yellow_headed_Blackbird, Bobolink, Indigo_Bunting, Lazuli_Bunting, Painted_Bunting, Cardinal, Spotted_Catbird, Gray_Catbird, Yellow_breasted_Chat, Eastern_Towhee, Chuck_will_Widow, Brandt_Cormorant, Red_faced_Cormorant, Pelagic_Cormorant, Bronzed_Cowbird, Shiny_Cowbird, Brown_Creeper, American_Crow, Fish_Crow, Black_billed_Cuckoo, Mangrove_Cuckoo, Yellow_billed_Cuckoo, Gray_crowned_Rosy_Finch, Purple_Finch, Northern_Flicker, Acadian_Flycatcher, Great_Crested_Flycatcher, Least_Flycatcher, Olive_sided_Flycatcher, Scissor_tailed_Flycatcher, Vermilion_Flycatcher, Yellow_bellied_Flycatcher, Frigatebird, Northern_Fulmar, Gadwall, American_Goldfinch, European_Goldfinch, Boat_tailed_Grackle, Eared_Grebe, Horned_Grebe, Pied_billed_Grebe, Western_Grebe, Blue_Grosbeak, Evening_Grosbeak, Pine_Grosbeak, Rose_breasted_Grosbeak, Pigeon_Guillemot, California_Gull, Glaucous_winged_Gull, Heermann_Gull, Herring_Gull, Ivory_Gull, Ring_billed_Gull, Slaty_backed_Gull, Western_Gull, Anna_Hummingbird, Ruby_throated_Hummingbird, Rufous_Hummingbird, Green_Violetear, Long_tailed_Jaeger, Pomarine_Jaeger, Blue_Jay, Florida_Jay, Green_Jay, Dark_eyed_Junco, Tropical_Kingbird, Gray_Kingbird, Belted_Kingfisher, Green_Kingfisher, Pied_Kingfisher, Ringed_Kingfisher, White_breasted_Kingfisher, Red_legged_Kittiwake, Horned_Lark, Pacific_Loon, Mallard, Western_Meadowlark, Hooded_Merganser, Red_breasted_Merganser, Mockingbird, Nighthawk, Clark_Nutcracker, White_breasted_Nuthatch, Baltimore_Oriole, Hooded_Oriole, Orchard_Oriole, Scott_Oriole, Ovenbird, Brown_Pelican, White_Pelican, Western_Wood_Pewee, Sayornis, American_Pipit, Whip_poor_Will, Horned_Puffin, Common_Raven, White_necked_Raven, American_Redstart, Geococcyx, Loggerhead_Shrike, Great_Grey_Shrike, Baird_Sparrow, Black_throated_Sparrow, Brewer_Sparrow, Chipping_Sparrow, Clay_colored_Sparrow, House_Sparrow, Field_Sparrow, Fox_Sparrow, Grasshopper_Sparrow, Harris_Sparrow, Henslow_Sparrow, Le_Conte_Sparrow, Lincoln_Sparrow, Nelson_Sharp_tailed_Sparrow, Savannah_Sparrow, Seaside_Sparrow, Song_Sparrow, Tree_Sparrow, Vesper_Sparrow, White_crowned_Sparrow, White_throated_Sparrow, Cape_Glossy_Starling, Bank_Swallow, Barn_Swallow, Cliff_Swallow, Tree_Swallow, Scarlet_Tanager, Summer_Tanager, Artic_Tern, Black_Tern, Caspian_Tern, Common_Tern, Elegant_Tern, Forsters_Tern, Least_Tern, Green_tailed_Towhee, Brown_Thrasher, Sage_Thrasher, Black_capped_Vireo, Blue_headed_Vireo, Philadelphia_Vireo, Red_eyed_Vireo, Warbling_Vireo, White_eyed_Vireo, Yellow_throated_Vireo, Bay_breasted_Warbler, Black_and_white_Warbler, Black_throated_Blue_Warbler, Blue_winged_Warbler, Canada_Warbler, Cape_May_Warbler, Cerulean_Warbler, Chestnut_sided_Warbler, Golden_winged_Warbler, Hooded_Warbler, Kentucky_Warbler, Magnolia_Warbler, Mourning_Warbler, Myrtle_Warbler, Nashville_Warbler, Orange_crowned_Warbler, Palm_Warbler, Pine_Warbler, Prairie_Warbler, Prothonotary_Warbler, Swainson_Warbler, Tennessee_Warbler, Wilson_Warbler, Worm_eating_Warbler, Yellow_Warbler, Northern_Waterthrush, Louisiana_Waterthrush, Bohemian_Waxwing, Cedar_Waxwing, American_Three_toed_Woodpecker, Pileated_Woodpecker, Red_bellied_Woodpecker, Red_cockaded_Woodpecker, Red_headed_Woodpecker, Downy_Woodpecker, Bewick_Wren, Cactus_Wren, Carolina_Wren, House_Wren, Marsh_Wren, Rock_Wren, Winter_Wren, Common_Yellowthroat]注train与val后面表示需要训练图片的路径建议直接写自己文件的绝对路径。 数据准备完成后通过调用train.py文件进行模型训练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【根据内存大小调整最小为1】代码如下
# 加载模型
model YOLO(yolov8n.pt) # 加载预训练模型
# Use the model
if __name__ __main__:# Use the modelresults model.train(datadatasets/BirdData/data.yaml, epochs300, batch4) # 训练模型# 将模型转为onnx格式# success model.export(formatonnx)3. 训练结果评估
在深度学习中我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv8在训练时主要包含三个方面的损失定位损失(box_loss)、分类损失(cls_loss)和动态特征损失dfl_loss在训练结束后可以在runs/目录下找到训练过程及结果文件如下所示
各损失函数作用说明 定位损失box_loss预测框与标定框之间的误差GIoU越小定位得越准 分类损失cls_loss计算锚框与对应的标定分类是否正确越小分类得越准 动态特征损失dfl_lossDFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时目标框需要缩放到特征图尺度即除以相应的stride并与预测的边界框计算Ciou Loss同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分通过计算DFLLoss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
我们通常用PR曲线来体现精确率和召回率的关系本文训练结果的PR曲线如下。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判定iou为正负样本的阈值。mAP.5表示阈值大于0.5的平均mAP可以看到本文模型两类目标检测的mAP0.5平均值为0.82结果还是很不错的。
4. 检测结果识别
模型训练完成后我们可以得到一个最佳的训练结果模型best.pt文件在runs/trian/weights目录下。我们可以使用该文件进行后续的推理检测。 图片检测代码如下
# 所需加载的模型目录
path models/best.pt
# 需要检测的图片地址
img_path TestFiles/Cape_May_Warbler_0108_163108.jpg# 加载预训练模型
# conf 0.25 object confidence threshold for detection
# iou 0.7 intersection over union (IoU) threshold for NMS
model YOLO(path, taskdetect)
# model YOLO(path, taskdetect,conf0.5)# 检测图片
results model(img_path)
res results[0].plot()
cv2.imshow(YOLOv8 Detection, res)
cv2.waitKey(0)执行上述代码后会将执行的结果直接标注在图片上结果如下
以上便是关于此款鸟类智能检测与识别系统的原理与代码介绍。基于此模型博主用python与Pyqt5开发了一个带界面的软件系统即文中第二部分的演示内容能够很好的支持图片、视频及摄像头进行检测同时支持检测结果的保存。
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。 【获取方式】 关注下方名片G-Z-H【阿旭算法与机器学习】回复【软件】即可获取下载方式 本文涉及到的完整全部程序文件包括python源码、数据集、训练代码、UI文件、测试图片视频等见下图获取方式见文末 注意该代码基于Python3.9开发运行界面的主程序为MainProgram.py其他测试脚本说明见上图。为确保程序顺利运行请按照程序运行说明文档txt配置软件运行所需环境。 关注下方名片GZH:【阿旭算法与机器学习】回复【软件】即可获取下载方式 结束语
以上便是博主开发的基于YOLOv8深度学习的200种鸟类智能检测与识别系统的全部内容由于博主能力有限难免有疏漏之处希望小伙伴能批评指正。 关于本篇文章大家有任何建议或意见欢迎在评论区留言交流 觉得不错的小伙伴感谢点赞、关注加收藏哦
