基于YOLOv8深度学习的城市管理卡车违规倾倒垃圾检测(PyQt5界面+数据集+训练代码)

随着城市化进程的加快，非法倾倒垃圾现象已成为全球各大城市面临的普遍问题。这种现象不仅破坏了自然环境，还带来了水土污染、空气质量下降等一系列环境问题，严重威胁到市民的生活质量与公共健康。此外，非法倾倒行为往往在夜间或偏远区域进行，给传统的人工监控手段带来极大挑战，也加重了城市管理部门的工作负担。针对这一问题，智能化、自动化的监测手段显得尤为重要。

本研究提出了一种基于深度学习的城市管理系统，专用于检测卡车的违规倾倒垃圾行为。系统依托先进的YOLOv8目标检测模型，通过对视频和图像数据进行实时处理，能够高效识别并分类非法倾倒垃圾的行为。系统在硬件方面结合了高分辨率摄像头，利用了深度学习算法的精准特性，能够对不同类型的违规倾倒行为做出迅速反应。

在技术实现方面，系统集成了PyQt5界面、数据集和训练代码，提供了直观友好的用户界面，使城市管理人员可以在界面中实时监控、识别和记录违规行为。系统设计涵盖了四类常见的违规行为：违规倾倒建筑垃圾、违规进行垃圾填埋、违规倾倒生活垃圾，以及违规倾倒其他类型的垃圾。通过对不同类型垃圾的分类识别，系统能够输出明确的警报信息，协助执法人员精准定位、追踪和采取相应措施。

该系统具有广泛的应用前景。其智能化的监控功能不仅可以显著提高城市管理效率，还能够降低人工监控的成本与人力资源消耗。未来，该系统可以进一步拓展到更多违规行为的监测，并与其他城市管理系统结合，形成更加完善的智慧城市管理网络。

算法流程

项目数据

通过搜集关于数据集为各种各样的卡车违规倾倒垃圾相关图像，并使用Labelimg标注工具对每张图片进行标注，分4检测类别，分别是’违规倾倒建筑垃圾’,’违规进行垃圾填埋’,’违规倾倒生活垃圾’,’违规倾倒其他垃圾’。

目标检测标注工具
（1）labelimg:开源的图像标注工具，标签可用于分类和目标检测，它是用python写的，并使用Qt作为其图形界面，简单好用（虽然是英文版的）。其注释以 PASCAL VOC格式保存为XML文件，这是ImageNet使用的格式。此外，它还支持 COCO数据集格式。
（2）安装labelimg 在cmd输入以下命令 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

结束后，在cmd中输入labelimg

初识labelimg

打开后，我们自己设置一下

在View中勾选Auto Save mode

接下来我们打开需要标注的图片文件夹

并设置标注文件保存的目录（上图中的Change Save Dir）
接下来就开始标注，画框，标记目标的label，然后d切换到下一张继续标注，不断重复重复。

Labelimg的快捷键

（3）数据准备
这里建议新建一个名为data的文件夹（这个是约定俗成，不这么做也行），里面创建一个名为images的文件夹存放我们需要打标签的图片文件；再创建一个名为labels存放标注的标签文件；最后创建一个名为 classes.txt 的txt文件来存放所要标注的类别名称。

data的目录结构如下：
│─img_data
│─images 存放需要打标签的图片文件
│─labels 存放标注的标签文件
└ classes.txt 定义自己要标注的所有类别（这个文件可有可无，但是在我们定义类别比较多的时候，最好有这个创建一个这样的txt文件来存放类别）

首先在images这个文件夹放置待标注的图片。
生成文件如下:

“classes.txt”定义了你的 YOLO 标签所引用的类名列表。

（4）YOLO模式创建标签的样式

存放标签信息的文件的文件名为与图片名相同，内容由N行5列数据组成。
每一行代表标注的一个目标，通常包括五个数据，从左到右依次为：类别id、x_center、y_center、width、height。
其中：
–x类别id代表标注目标的类别；
–x_center和y_center代表标注框的相对中心坐标；
–xwidth和height代表标注框的相对宽和高。

注意：这里的中心点坐标、宽和高都是相对数据！！！

存放标签类别的文件的文件名为classes.txt (固定不变)，用于存放创建的标签类别。

完成后可进行后续的yolo训练方面的操作。

模型训练

模型的训练、评估与推理

1.YOLOv8的基本原理

YOLOv8是一个SOTA模型，它建立在Yolo系列历史版本的基础上，并引入了新的功能和改进点，以进一步提升性能和灵活性，使其成为实现目标检测、图像分割、姿态估计等任务的最佳选择。其具体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，可在CPU到GPU的多种硬件平台上运行。

YOLOv8是Yolo系列模型的最新王者，各种指标全面超越现有对象检测与实例分割模型，借鉴了Yolov5、Yolov6、YoloX等模型的设计优点，在全面提升改进Yolov5模型结构的基础上实现，同时保持了Yolov5工程化简洁易用的优势。

Yolov8模型网络结构图如下图所示：

2.数据集准备与训练

本研究使用了包含卡车违规倾倒垃圾图像的数据集，并通过Labelimg标注工具对每张图像中的目标边框（Bounding Box）及其类别进行标注。然后主要基于YOLOv8n这种模型进行模型的训练，训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。模型训练和评估流程基本一致，包括：数据集准备、模型训练、模型评估。本次标注的目标类别为卡车违规倾倒垃圾，数据集中共计包含3240张图像，其中训练集占2536张，验证集占704张。部分图像如下图所示：

部分标注如下图所示：

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datasets目录下。

接着需要新建一个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:/DumpingGarbageObjective_v8/datasets/train/images” 训练集的路径
val: “E:/DumpingGarbageObjective_v8/datasets//val/images” 验证集的路径
# test: “E:/DumpingGarbageObjective_v8/datasets/test/images” 测试集的路径

nc: 4

names:
[
“rubbish building”,
“rubbish dump”,
“rubbish domestic”,
“rubbish other”,
]

这个文件定义了用于模型训练和验证的数据集路径，以及模型将要检测的目标类别。

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)。

CPU/GPU训练代码如下：

加载名为 yolov8n.pt 的预训练YOLOv8模型，yolov8n.pt是预先训练好的模型文件。
使用YOLO模型进行训练，主要参数说明如下：
（1）data=data_yaml_path: 指定了用于训练的数据集配置文件。
（2）epochs=150: 设定训练的轮数为150轮。
（3）batch=4: 指定了每个批次的样本数量为4。
（4）optimizer=’SGD’):SGD 优化器。
（7）name=’train_v8′: 指定了此次训练的命名标签，用于区分不同的训练实验。

3.训练结果评估

在深度学习的过程中，我们通常通过观察损失函数下降的曲线来了解模型的训练情况。对于YOLOv8模型的训练，主要涉及三类损失：定位损失（box_loss）、分类损失（cls_loss）以及动态特征损失（dfl_loss）。训练完成后，相关的训练过程和结果文件会保存在 runs/ 目录下，具体如下：

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_loss）：DFLLoss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。

训练结果如下：

这张图展示了YOLOv8模型在训练和验证过程中的多个重要指标的变化趋势，具体如下：

train/box_loss：
（1）这是训练过程中边界框损失的变化。边界框损失用于衡量模型预测的目标框与实际目标框的差异。
（2）图像中，box_loss从较高值逐渐下降，表明模型在训练过程中逐步改善了边界框预测的准确性。

train/cls_loss：
（1）这是训练集上的分类损失。分类损失衡量模型对目标类别的预测准确性。
（2）cls_loss逐渐下降，表示模型在不同类别的分类准确性方面逐渐提升。

train/dfl_loss：
（1）这是分布聚焦损失（distribution focal loss），用于帮助模型对目标框的精确定位。
（2）dfl_loss同样逐渐减小，表明模型在预测物体位置分布上逐步优化。

metrics/precision(B)：
（1）这是训练集上的精度（precision）曲线。精度表示模型在检测到的目标中有多少是真正的目标。
（2）精度在初期波动较大，随后逐步稳定上升，表明模型逐渐减少了误报，提高了检测精度。

metrics/recall(B)：
（1）这是训练集上的召回率（recall）曲线。召回率表示模型检测出的真实目标的比例。
（2）召回率逐步上升，说明模型在检测出更多目标方面不断改进，漏报率逐渐减少。

val/box_loss：
（1）这是验证集上的边界框损失曲线。
（2）验证集上的box_loss逐渐下降，与训练集的表现相符，表明模型泛化能力较好。

val/cls_loss：
（1）这是验证集上的分类损失曲线。
（2）cls_loss也逐渐下降，说明模型在验证集上的分类性能有所提高。

val/dfl_loss：
（1）这是验证集上的分布聚焦损失曲线。
（2）验证集的dfl_loss逐步下降，表示模型在验证集上的位置分布预测越来越准确。

metrics/mAP50(B)：
（1）这是验证集上的mAP50曲线，表示在交并比阈值为0.5时模型的平均精度（mean Average Precision）。
（2）mAP50逐渐上升，说明模型在50% IoU阈值下的平均检测精度不断提高。

metrics/mAP50-95(B)：
（1）这是验证集上的mAP50-95曲线，表示在不同交并比阈值（从0.5到0.95）下模型的平均精度。
（2）mAP50-95从低到高逐步上升，表明模型在多个IoU阈值下的平均精度在提升。

这些曲线图显示了模型的训练和验证过程中的损失下降、精度和召回率上升，mAP指标不断提高，表明模型在检测任务上逐渐收敛并且性能稳步提升。

这张图展示的是 Precision-Recall 曲线，用于评估模型在不同类别下的检测性能。以下是详细解释：

不同类别的曲线：
（1）rubbish building（建筑垃圾）（蓝色曲线，mAP@0.5 = 0.658）：该类别的精度和召回率之间的权衡较好，但整体mAP值偏低，表明在检测建筑垃圾时准确性有待提高。
（2）rubbish dump（垃圾填埋）（橙色曲线，mAP@0.5 = 0.988）：该类别的曲线几乎靠近顶部，表明模型在垃圾填埋的检测上表现极好，具有很高的精度和召回率。
（3）rubbish domestic（生活垃圾）（绿色曲线，mAP@0.5 = 0.729）：曲线表现良好，但略低于垃圾填埋，表明模型在生活垃圾检测上也具有较好的准确性和召回率。
（4）rubbish other（其他垃圾）（红色曲线，mAP@0.5 = 0.515）：该类别的曲线在较低位置，说明模型对其他垃圾的检测效果较差，可能存在较多误报或漏报。

总体表现：
（1）all classes（所有类别）（粗蓝色曲线，mAP@0.5 = 0.722）：该曲线显示了模型在所有类别上的综合检测性能。虽然整体mAP较高，但不同类别的检测性能差异较大。

曲线分析：
（1）精度-召回曲线用于权衡检测系统的精度（Precision）和召回率（Recall）。曲线越接近右上角，模型性能越优。
（2）垃圾填埋类别的曲线几乎在右上方，说明模型对这一类别的检测非常可靠。而其他垃圾类别的曲线较低，意味着模型在该类别的检测上还有提升空间。

这张图表明模型在垃圾填埋检测上性能最优，而在其他垃圾检测上性能偏低。可以通过增加数据量或调整模型参数，进一步提升对表现较差类别的检测效果。

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/train/weights目录下。我们可以使用该文件进行后续的推理检测。
imgTest.py 图片检测代码如下：

加载所需库：
（1）from ultralytics import YOLO：导入YOLO模型类，用于进行目标检测。
（2）import cv2：导入OpenCV库，用于图像处理和显示。

加载模型路径和图片路径：
（1）path = ‘models/best.pt’：指定预训练模型的路径，这个模型将用于目标检测任务。
（2）img_path = “TestFiles/imagetest.jpg”：指定需要进行检测的图片文件的路径。

加载预训练模型：
（1）model = YOLO(path, task=’detect’)：使用指定路径加载YOLO模型，并指定检测任务为目标检测 (detect)。
（2）通过 conf 参数设置目标检测的置信度阈值，通过 iou 参数设置非极大值抑制（NMS）的交并比（IoU）阈值。

检测图片：
（1）results = model(img_path)：对指定的图片执行目标检测，results 包含检测结果。

显示检测结果：
（1）res = results[0].plot()：将检测到的结果绘制在图片上。
（2）cv2.imshow(“YOLOv8 Detection”, res)：使用OpenCV显示检测后的图片，窗口标题为“YOLOv8 Detection”。
（3）cv2.waitKey(0)：等待用户按键关闭显示窗口

此代码的功能是加载一个预训练的YOLOv8模型，对指定的图片进行目标检测，并将检测结果显示出来。

执行imgTest.py代码后，会将执行的结果直接标注在图片上，结果如下：

这段输出是基于YOLOv8模型对图片“imagetest.jpg”进行检测的结果，具体内容如下：

图像信息：
（1）处理的图像路径为：TestFiles/imagetest.jpg。
（2）图像尺寸为 640×640 像素。

检测结果：
（1）检测到 1 个 rubbish building（建筑垃圾）

处理速度：
（1）预处理时间: 3.2 毫秒
（2）推理时间: 4.2 毫秒
（3）后处理时间: 59.0 毫秒

此检测结果表明，模型成功识别了图像中的建筑垃圾，并输出了推理的速度和处理时间。

运行效果

– 运行 MainProgram.py

1.主要功能：
（1）可用于实时检测目标图片中的卡车违规倾倒垃圾；
（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。

2.检测结果说明：
这张图表显示了基于YOLOv8模型的目标检测系统的检测结果界面。以下是各个字段的含义解释：

用时（Time taken）:
（1）这表示模型完成检测所用的时间为0.039秒。
（2）这显示了模型的实时性，检测速度非常快。

目标数目（Number of objects detected）:
（1）检测到的目标数目为1，表示这是当前检测到的第1个目标。

目标选择(下拉菜单)：全部:
（1）这里有一个下拉菜单，用户可以选择要查看的目标类型。
（2）在当前情况下，选择的是“全部”，意味着显示所有检测到的目标信息。

结果（Result）:
（1）当前选中的结果为 “违规倾倒建筑垃圾”，表示系统正在高亮显示检测到的“Rubbish Building”。

置信度（Confidence）:
（1）这表示模型对检测到的目标属于“违规倾倒建筑垃圾”类别的置信度为91.12%。
（2）置信度反映了模型的信心，置信度越高，模型对这个检测结果越有信心。

目标位置（Object location）:
（1）xmin: 38, ymin: 226：目标的左上角的坐标(xmin, ymin)，表示目标区域在图像中的位置。
（2）xmax: 541, ymax: 568：目标的右下角的坐标(xmax, ymax)，表示目标区域的边界。

这些坐标表示在图像中的目标区域范围，框定了检测到的“违规倾倒建筑垃圾”的位置。

这张图展示了卡车违规倾倒垃圾的一次检测结果，包括检测时间、检测到的种类、各行为的置信度、目标的位置信息等。用户可以通过界面查看并分析检测结果，提升卡车违规倾倒垃圾检测的效率。

3.图片检测说明
（1）违规倾倒建筑垃圾

（2）违规进行垃圾填埋

（3）违规倾倒生活垃圾

（4）违规倾倒其他垃圾

点击打开图片按钮，选择需要检测的图片，或者点击打开文件夹按钮，选择需要批量检测图片所在的文件夹。
操作演示如下：
（1）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。
（2）点击保存按钮，会对检测结果进行保存，存储路径为：save_data目录下。

检测结果：系统识别出图片中的卡车违规倾倒垃圾，并显示检测结果，包括总目标数、用时、目标类型、置信度、以及目标的位置坐标信息。

4.视频检测说明

点击视频按钮，打开选择需要检测的视频，就会自动显示检测结果，再次点击可以关闭视频。
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。

检测结果：系统对视频进行实时分析，检测到卡车违规倾倒垃圾并显示检测结果。表格显示了视频中多个检测结果的置信度和位置信息。

这个界面展示了系统对视频帧中的多目标检测能力，能够准确识别卡车违规倾倒垃圾，并提供详细的检测结果和置信度评分。

5.摄像头检测说明

点击打开摄像头按钮，可以打开摄像头，可以实时进行检测，再次点击，可关闭摄像头。

检测结果：系统连接摄像头进行实时分析，检测到卡车违规倾倒垃圾并显示检测结果。实时显示摄像头画面，并将检测到的行为位置标注在图像上，表格下方记录了每一帧中检测结果的详细信息。

6.保存图片与视频检测说明

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。
保存的检测结果文件如下：

图片文件保存的csv文件内容如下，包括图片路径、目标在图片中的编号、目标类别、置信度、目标坐标位置。
注：其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。

（1）图片保存

（2）视频保存

– 运行 train.py
1.训练参数设置

（1）data=data_yaml_path: 使用data.yaml中定义的数据集。
（2）epochs=150: 训练的轮数设置为150轮。
（3）batch=4: 每个批次的图像数量为4（批次大小）。
（4）name=’train_v8′: 训练结果将保存到以train_v8为名字的目录中。
（5）optimizer=’SGD’: 使用随机梯度下降法(SGD)作为优化器。

虽然在大多数深度学习任务中，GPU通常会提供更快的训练速度。
但在某些情况下，可能由于硬件限制或其他原因，用户需要在CPU上进行训练。

温馨提示：在CPU上训练深度学习模型通常会比在GPU上慢得多，尤其是像YOLOv8这样的计算密集型模型。除非特定需要，通常建议在GPU上进行训练以节省时间。

2.训练日志结果

这张图展示了使用YOLOv8进行模型训练的详细过程和结果。

训练总时长：
（1）模型在训练了150轮后，总共耗时2.876小时。

类别分类结果：
1.all: 总体表现（包含所有类别）：
（1）精度（P）为0.725，召回率（R）为0.691，mAP50为0.722，mAP50-95为0.539。
2.rubbish building（建筑垃圾）：
（1）精度为0.675，召回率为0.629，mAP50为0.658，mAP50-95为0.434。
3.rubbish dump（垃圾填埋）：
（1）精度为0.915，召回率为0.98，mAP50为0.988，mAP50-95为0.898。这是表现最佳的类别，表明模型对垃圾填埋的检测效果较好。
4.rubbish domestic（生活垃圾）：
（1）精度为0.76，召回率为0.646，mAP50为0.729，mAP50-95为0.488。
5.rubbish other（其他垃圾）：
（1）精度为0.551，召回率为0.511，mAP50为0.515，mAP50-95为0.337，表现相对较低，可能需要进一步优化。

速度：
（1）0.2ms 预处理时间
（2）1.9ms 推理时间
（3）1.4ms 后处理时间

结果保存：
（1）Results saved to runs\detect\train_v8：验证结果保存在 runs\detect\train_v8 目录下。

完成信息：
（1）Process finished with exit code 0：表示整个验证过程顺利完成，没有报错。

模型在检测不同类型的违规倾倒垃圾方面具有良好的总体表现，尤其是对垃圾填埋的检测效果显著。然而，某些类别（如建筑垃圾和其他垃圾）的mAP相对较低，可能需要更多的数据或进一步的调优来提升检测效果。

原文地址：https://blog.csdn.net/ZSW1218/article/details/143816860

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！