基于深度学习的遥感地面物体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

基于深度学习的遥感地面物体检测系统

1. 前言​

遥感地面物体检测在城市规划、交通监控、环境监测及农业管理等领域具有重要应用价值。传统基于人工解译或经典图像处理的方法，面对高分辨率遥感影像中目标尺度多变、背景复杂、分布密集等挑战，往往存在效率低、漏检率高、定位精度受限等问题。近年来，以 YOLO​ 系列为代表的单阶段目标检测算法，凭借端到端推理、较高检测速度与优良的多尺度特征学习能力，在遥感影像目标检测任务中得到广泛关注，并逐步由通用场景向交通设施、港口、运动场、道路交叉口等细粒度地面物体检测延伸。

现有研究多侧重于模型结构的改进，如引入注意力机制、特征金字塔增强或轻量化设计，以提升特定场景下的检测性能。然而，面向实际工程应用仍需在多模型横向对比、交互可视化、批量与实时检测支持、用户管理及训练流程自动化等方面形成完整解决方案，以满足从实验验证到业务落地的闭环需求。此外，不同目标类别在遥感影像中的出现频率与形态特征差异显著，数据集的规模、质量与标注一致性直接影响模型的泛化与稳定性，因此需建立标准化的数据组织、训练评估与结果分析体系。

本文实现并评估了一套基于 YOLO 的遥感地面物体检测系统，覆盖从数据准备、模型训练到推理部署的全流程：系统集成 YOLOv5、YOLOv8、YOLOv11、YOLOv12​ 四种模型，支持同一界面下快速切换与性能对比；采用 PyQt5​ 构建桌面应用，提供图片、视频、文件夹批量及摄像头实时检测功能，具备置信度与 IoU 阈值调节、检测耗时与目标统计、检测结果列表与类别过滤、目标详细信息展示等交互特性；基于 SQLite​ 实现用户注册、登录与个人中心管理，支持资料与头像更新；配套独立脚本工具，可实现命令行模式的图片、视频及摄像头快速检测。训练方面，代码支持对四个模型依次训练，数据集按训练/验证/测试划分，训练结果保存在 runs目录，包含最佳权重（best.pt）、F1 曲线、混淆矩阵、样本预测与数据增强效果图等，便于复现与横向分析。

本研究面向遥感影像智能解译、交通设施监测、港口与场地管理等应用场景，兼顾检测精度、推理速度与系统易用性，为地面物体检测技术的科研实验与工程落地提供了一体化参考方案。

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：

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4000多张图片，数据集目标类别11种：T型路口，飞机，棒球场，篮球场，桥梁，十字路口，田径运动场，港口，停车场，船只，车辆，数据集配置代码如下：

names:
- T junction
- airplane
- baseball diamond
- basketball court
- bridge
- crossroad
- ground track field
- harbor
- parking lot
- ship
- vehicle
nc: 11
path: D:\project\python\01Finished\yolo_Remote_Sensing_Ground_Object_Detection\train_data
test: ../test/images
train: ../train/images
val: ../valid/images

 

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，方块颜色越深代表对应的类别识别的精准度越高了，图像显示识别精准度非常高。

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0406时，所有类别的综合F1值达到了0.81（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达到了0.849（84.9%），准确率非常高。

6. 源码获取方式

源码获取方式：https://www.bilibili.com/video/BV1AjUsBbEHX

​