v5模型+Pyqt5界面+训练代码+数据集)

视频演示

1. 前言

在自然与科技深度交织的时代，我们对周遭生命的观察与认知，正被算法悄然拓展边界。鸟类作为生态系统中灵动的注脚，其多样性与分布状态不仅是自然研究的课题，更牵动着无数观鸟爱好者、生态保护者的目光。然而，传统的人工观测与识别方式，常受限于经验门槛、效率瓶颈，难以应对复杂场景下的精准捕捉——当镜头掠过林梢、水面或城市绿地，那些转瞬即逝的身影，如何被清晰记录并准确命名？

技术的演进给出了新的可能。计算机视觉领域的目标检测算法，正以“让机器看懂世界”的能力，为生物识别注入新的活力。其中，YOLO系列算法凭借高效的实时性与精准的定位能力，成为连接图像像素与语义信息的关键桥梁。将这一技术落地于鸟类检测场景，不仅能突破人眼观察的局限，更能为生态监测、物种保护乃至科普教育提供可量化的工具支撑。

我们聚焦的这套系统，正是围绕“35种鸟类检测识别”展开的具象实践。它不止于简单的“看见”，更试图构建从图像/视频输入、多源数据处理到结果可视化与交互的全流程能力——无论是单张照片里的驻足身影，还是视频流中的振翅轨迹，抑或是摄像头实时捕捉的动态画面，系统都能快速框定目标、判别种类，并以直观的界面反馈关键信息；而模型切换、参数调节、类别统计与过滤等功能的设计，则让技术更贴近实际使用需求，兼顾灵活性与易用性。此外，从用户登录管理到模型训练支持，从脚本化批量检测到个性化信息维护，系统的功能延伸亦指向更完整的应用闭环，试图让技术真正“可用”“好用”。

接下来，我们将通过功能拆解与实操演示，呈现这套系统如何将YOLO算法的潜力转化为具体的鸟类识别能力，也期待它能为探索自然与科技融合的更多可能，提供一个可触摸的样本。

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 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 YOLO

def 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")
            continue
        
        try:
            # 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")
            continue
    
    print(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：

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）；
速度最优：YOLO11n（CPU推理56.1ms），比YOLOv8n快42%，适合实时轻量部署；
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大概将近4000张图片，数据集目标类别35种鸟类，数据集配置代码如下：

names:
- acorn-woodpecker
- annas-hummingbird
- blue-jay
- blue-winged-warbler
- carolina-chickadee
- carolina-wren
- chipping-sparrow
- common-eider
- common-yellowthroat
- dark-eyed-junco
- eastern-bluebird
- eastern-towhee
- harris-hawk
- hermit-thrush
- indigo-bunting
- juniper-titmouse
- northern-cardinal
- northern-mockingbird
- northern-waterthrush
- orchard-oriole
- painted-bunting
- prothonotary-warbler
- red-winged-blackbird
- rock-pigeon
- rofous-crowned-sparrow
- ruddy-duck
- scarlet-tanager
- snow-goose
- song-sparrow
- tufted-titmouse
- varied-thrush
- white-breasted-nuthatch
- white-crowned-sparrow
- white-throated-sparrow
- wood-duck
nc: 35
path: D:\project\python\01Finished\yolo_Bird_Identification\train_data
test: ../test/images
train: ../train/images
val: ../valid/images