基于 YOLOv8 的口罩佩戴检测系统（全套源码+数据集）

@开发日期：2026年

项目简介

本项目以深度学习目标检测为核心，完整覆盖「数据集构建与处理 → 模型训练与调优 → 系统集成与功能开发」的全流程，最终交付一套可直接部署使用的口罩佩戴检测系统。系统基于 YOLOv8 实现实时口罩状态识别，支持图片、视频、摄像头三种输入来源，并提供美观的 PyQt6 图形界面。

目录

  1. 数据集说明
  2. 模型训练与调优
  3. 训练指标说明
  4. 可视化图含义
  5. 系统功能介绍
  6. 技术栈
  7. 项目结构
  8. 启动教程

一、数据集说明

1.1 数据集概览

项目 数值
总图片数 577 张
有效标注图片 479 张
无目标图片（负样本） 98 张
总标注框数 1259 个
数据集大小 约 61.4 MB

1.2 类别定义

class_id 类别名称 含义 标注数 占比
0 with_mask 已佩戴口罩 529 42.0%
1 without_mask 未佩戴口罩 730 58.0%

类别轻微不均衡（未戴口罩略多），训练时通过数据增强与样本权重策略缓解。

1.3 标注格式

采用标准 YOLO 格式，每行一个目标框：

<class_id>  <x_center>  <y_center>  <width>  <height>

所有坐标均为相对图片尺寸的归一化值（0~1），图片与标注文件同名配对。

1.4 数据集特点

  • 场景多样：室内外、不同光照、人群密度均有覆盖
  • 目标尺度差异大：单人特写到多人群体，单张最多含 41 个标注框
  • 含负样本：约 17% 的图片为纯背景，有效降低误检率
  • 平均密度：有效图片平均每张含 2.63 个目标

1.5 数据集划分

训练前将原始数据集按 8 : 1 : 1 比例划分，固定随机种子保证可复现：

子集 比例 数量（约）
训练集 (train) 80% 461 张
验证集 (val) 10% 58 张
测试集 (test) 10% 58 张

划分结果自动保存至 train_result/data/，并生成 data.yaml 配置文件。

二、模型训练与调优

2.1 深度学习开发流程

原始数据集
    ↓  数据清洗 & 格式验证
标注文件审查（过滤空标注、异常框）
    ↓  数据集划分（8:1:1）
train / val / test 子集
    ↓  生成 data.yaml
YOLOv8 训练配置
    ↓  预训练权重迁移学习
模型训练（88 Epoch）
    ↓  指标监控 & 早停
最优权重 best.pt
    ↓  系统集成
PyQt6 图形化检测应用

2.2 基础模型

采用 YOLOv8n（Nano 轻量级版本）作为基础网络，在 ImageNet 预训练权重基础上进行迁移学习，针对口罩检测二分类任务进行微调。YOLOv8 采用无锚点（Anchor-Free）设计，解耦检测头提升分类与定位精度。

2.3 训练超参数

参数 值 说明
预训练权重 yolov8n.pt ImageNet 预训练，迁移学习
输入分辨率 640 × 640 标准输入尺寸
训练轮数 100（实际 88 轮早停） 早停耐心值 20
批次大小 16 适配 12GB 显存
优化器 AdamW 自适应学习率 + 权重衰减
初始学习率 0.01
学习率调度 余弦退火（Cosine LR） 平滑收敛
预热轮数 3 Warmup 阶段
权重衰减 0.0005 L2 正则化
混合精度训练 FP16（AMP） 加速训练、节省显存
训练设备 NVIDIA RTX 3060 12GB

2.4 训练过程描述

  1. Warmup 阶段（Epoch 1-3）：学习率从极小值线性增大至初始值，防止梯度爆炸
  2. 快速收敛阶段（Epoch 4-30）：损失快速下降，mAP 从接近 0 提升至 0.67+
  3. 稳定优化阶段（Epoch 30-68）：模型精细调整，mAP50 持续提升至 0.86+
  4. 早停触发（Epoch 88）：验证集 mAP 连续 20 轮无显著提升，训练自动停止

三、训练指标说明

3.1 最终性能指标

指标 最优值 达到轮次
mAP@0.5 0.8684 Epoch 82
mAP@0.5:0.95 0.4960 Epoch 68
Precision（精确率） 0.8824 Epoch 74
Recall（召回率） 0.8840 Epoch 81

3.2 指标含义

指标 含义
Precision（精确率） 预测为某类别的结果中，真正正确的比例。精确率高表示误检少
Recall（召回率） 所有真实目标中，被成功检测出的比例。召回率高表示漏检少
mAP@0.5 在 IoU 阈值 = 0.5 时的平均精度均值，是目标检测的核心指标
mAP@0.5:0.95 在 IoU 阈值从 0.5 到 0.95（步长 0.05）取平均，评估定位精度更严格
Box Loss 边界框回归损失，衡量预测框与真实框的位置偏差
Cls Loss 分类损失，衡量类别预测的误差
DFL Loss Distribution Focal Loss，YOLOv8 特有的分布式焦点损失，提升边界框定位精度

四、可视化图含义

4.1 独立图表（visualize.py 生成）

训练结束后，运行 python visualize.py 可在 train_result/train/charts/ 生成以下 8 张图表：

文件名 内容 解读要点
loss_box.png Box Loss（训练集 vs 验证集） 两条线持续下降且趋势接近，说明模型定位能力稳定提升，无过拟合
loss_cls.png Classification Loss（训练集 vs 验证集） 验证集分类损失下降并趋于平稳，表明模型对两类口罩状态的区分能力良好
loss_dfl.png DFL Loss（训练集 vs 验证集） YOLOv8 特有损失，反映分布式边界框精度，收敛说明定位分布预测趋于准确
metric_precision.png Precision 变化曲线 精确率从低到高逐渐提升并趋于稳定，最终达到 0.882
metric_recall.png Recall 变化曲线 召回率随训练增大，最终达到 0.884，说明漏检率持续降低
metric_mAP50.png mAP@0.5 变化曲线 目标检测核心指标，最终收敛至 0.868，是评估模型综合性能的主要依据
metric_mAP50_95.png mAP@0.5:0.95 变化曲线 严格精度指标，最终达到 0.496，反映模型对精确定位的能力
lr_schedule.png 学习率调度曲线 展示余弦退火策略：Warmup 预热后从峰值逐步平滑衰减至接近 0，有助于模型后期精细收敛

各图均标注最优点位，并展示原始曲线与平滑曲线，便于排除随机噪声干扰、观察真实趋势。

4.2 系统内嵌可视化（指标展示页）

系统界面的「指标展示」页内嵌三个可交互的可视化 Tab，无需额外运行脚本，启动系统后即可查看：

Tab 图表类型 内容说明
📈 训练曲线 四联子图（折线） 训练损失、验证损失（带平滑）、mAP 双线、Precision/Recall 双线，完整还原训练全过程
📊 指标汇总 统计卡片 + 柱状图 4 个大卡片展示最优 mAP@0.5、mAP@0.5:0.95、Precision、Recall，下方柱状图直观对比四项指标
🎯 性能雷达 雷达图 + 面积折线图 左侧：以 Precision、Recall、mAP@0.5、F1 Score、mAP@0.5:0.95 五个维度绘制综合性能雷达图，多层发光填充直观反映模型综合水平；右侧：四条指标进化曲线（含面积填充与原始噪声线），展示各指标随训练轮次的动态演变，最优点以高亮圆点标注

五、系统功能介绍

5.1 登录 / 注册模块

  • 渐变深色背景登录界面，支持账号注册与密码验证
  • 用户信息以 JSON 文件本地持久化，默认账号 admin / admin123

5.2 图片识别

  • 支持 JPG / PNG / BMP / WebP 等格式图片的本地导入
  • 运行 YOLOv8 推理，在图片上绘制检测框与置信度标签
  • 展示统计摘要（总检测数、类别数、平均/最高置信度）
  • 提供置信度分布直方图
  • 支持导出标注结果图片与 CSV 明细

5.3 视频识别

  • 支持 MP4 / AVI / MOV / MKV 等格式视频文件
  • 多线程逐帧检测，可设置「每 N 帧检测一次」降低计算压力
  • 实时显示标注画面与当前帧统计，累计统计各类别目标数
  • 支持导出当前帧截图

5.4 摄像头识别

  • 支持选择本地摄像头设备（索引 0~10）
  • 实时采集画面并叠加检测结果，检测功能可随时开关
  • 支持截图保存（自动保存至 train_result/screenshots/）
  • 会话结束后可一键将统计数据归档至检测历史

5.5 检测历史

  • 所有检测结果自动以 SQLite 数据库持久化
  • 支持按类型（图片 / 视频 / 摄像头）筛选与关键词搜索
  • 点击记录查看完整详情，支持导出 CSV 与一键清空

5.6 模型管理

  • 默认加载训练产物 train_result/train/weights/best.pt
  • 支持手动选择任意 .pt / .onnx 模型文件
  • 可调节置信度阈值（Conf）、IoU 阈值、最大检测数
  • 模型加载状态实时反馈，展示类别列表与模型信息

5.7 指标展示

  • 自动读取 train_result/train/results.csv，支持随时重新加载
  • 训练曲线：4 个子图（训练损失、验证损失平滑、mAP 双线、Precision/Recall）
  • 指标汇总：4 个大卡片展示最优指标 + 柱状图四项对比
  • 性能雷达：左侧五维雷达图综合评估模型性能；右侧指标进化面积曲线展示各指标随训练轮次的动态演变，最优点高亮标注

六、技术栈

层次 技术 用途
深度学习框架 ultralytics（YOLOv8） 目标检测模型训练与推理
UI 框架 PyQt6 图形界面开发
计算机视觉 opencv-python 图像/视频读写、绘制检测框
数值计算 numpy 数组运算、图像数据处理
数据分析 pandas 训练日志读取与指标统计
可视化 matplotlib 训练曲线图表、置信度直方图
数据存储 SQLite（内置） 检测历史持久化
配置文件 PyYAML 数据集配置文件生成与读取
开发语言 Python 3.9 全项目统一语言

七、项目结构

口罩检测/
│
├── main.py                    # 程序入口，启动登录窗口
├── login_window.py            # 登录 / 注册窗口
├── main_window.py             # 主窗口（侧边栏 + 页面路由）
├── train.py                   # 模型训练脚本
├── visualize.py               # 训练结果可视化脚本
│
├── pages/                     # 各功能页面模块
│   ├── image_page.py          # 图片识别页
│   ├── video_page.py          # 视频识别页
│   ├── camera_page.py         # 摄像头识别页
│   ├── history_page.py        # 检测历史页
│   ├── model_page.py          # 模型管理页
│   └── metrics_page.py        # 指标展示页
│
├── utils/                     # 工具模块
│   ├── styles.py              # QSS 全局样式表
│   ├── detector.py            # YOLOv8 检测引擎封装
│   ├── db.py                  # SQLite 历史数据库管理
│   ├── data_prepare.py        # 数据集划分与 YAML 生成
│   └── users.json             # 用户账号存储（自动生成）
│
├── datasets/                  # 原始数据集（图片 + YOLO 标注）
│   ├── 0.jpg / 0.txt
│   ├── 1.jpg / 1.txt
│   └── ...（577 组）
│
├── yolov8n.pt                 # YOLOv8 预训练权重
│
├── train_result/              # 训练产物（自动生成）
│   ├── data/                  # 划分后的数据集
│   │   ├── train/images|labels
│   │   ├── val/images|labels
│   │   ├── test/images|labels
│   │   └── data.yaml
│   ├── train/                 # 训练输出
│   │   ├── weights/
│   │   │   ├── best.pt        ← 最优权重（系统默认加载）
│   │   │   └── last.pt
│   │   ├── results.csv        ← 训练日志
│   │   ├── charts/            ← 可视化图表（8 张）
│   │   └── ...（混淆矩阵、PR 曲线等）
│   ├── screenshots/           # 摄像头截图（自动生成）
│   └── detection_history.db   # SQLite 历史数据库（自动生成）
│
├── 数据集说明.md              # 数据集详细说明文档
├── README.md                  # 本文件
└── requirements.txt           # 依赖列表

八、启动教程

8.1 环境要求

  • Python 3.9
  • CUDA 兼容 GPU（推荐显存 ≥ 8GB，本项目使用 RTX 3060 12GB）
  • Windows 10 / 11

8.2 安装依赖

pip install -r requirements.txt

8.3 一键训练（可选，已提供训练权重）

若需自行训练，运行：

python train.py

训练完成后所有产物保存至 train_result/ 目录，最优权重为 train_result/train/weights/best.pt。

8.4 生成可视化图表（可选）

python visualize.py

图表保存至 train_result/train/charts/。

8.5 启动系统

python main.py
  • 默认账号：admin，密码：admin123
  • 首次登录后系统自动加载 best.pt 模型，即可开始使用

本项目为个人原创，结构清晰，功能完整，适合计算机视觉方向课程设计、毕业设计和项目演示使用。有定制化需求可以评论或私信作者。

作者原创项目地址：michael-jay.pages.dev/projects.html

posted on 2026-08-03 16:18  Jay8059  阅读(1)  评论(0)    收藏  举报

导航