Chinese_name = {"Complan Classic Creme": "经典奶油",
                "Complan Kesar Badam": "藏红花杏仁",
                "Complan Nutrigro Badam Kheer": "杏仁布丁",
                "Complan Pista Badam": "开心果杏仁",
                "Complan Royal Chocolate": "皇家巧克力",
                "EY AAAM TULSI TURMERIC FACEWASH50G": "芒果洗面奶",
                "EY ADVANCED GOLDEN GLOW PEEL OFF M. 50G": "金色面膜50G",
                "EY ADVANCED GOLDEN GLOW PEEL OFF M. 90G": "金色面膜90G",
                "EY EXF WALNUT SCRUB AYR 200G": "核桃磨砂200G",
                "EY HALDICHANDAN FP HF POWDER 25G": "檀香粉25G",
                "EY HYD-EXF WALNT APR SCRUB AYR100G": "核桃杏仁磨砂100G",
                "EY HYDR - EXF WALNUT APRICOT SCRUB 50G": "核桃杏仁磨砂50G",
                "EY NAT GLOW ORANGE PEEL OFF AY 90G": "橙子面膜90G",
                "EY NATURALS NEEM FACE WASH AY 50G": "印楝洗面奶",
                "EY RJ CUCUMBER ALOEVERA FACEPAK50G": "黄瓜面膜",
                "EY TAN CHOCO CHERRY PACK 50G": "巧克力樱桃面膜",
                "EY_SCR_PURIFYING_EXFOLTNG_NEEM_PAPAYA_50G": "印楝木瓜面膜",
                "Everyuth Naturals Body Lotion Nourishing Cocoa 200ml": "可可乳液",
                "Everyuth Naturals Body Lotion Rejuvenating Flora 200ml": "植物乳液",
                "Everyuth Naturals Body Lotion Soothing Citrus 200ml": "柑橘乳液",
                "Everyuth Naturals Body Lotion Sun Care Berries SPF 15 200ml": "防晒浆果乳液",
                "Glucon D Nimbu Pani 1.KG": "柠檬水",
                "Glucon D Regular 1.KG": "常规",
                "Glucon D Regular 2.KG": "常规2KG",
                "Glucon D Tangy orange 1.KG": "浓橙",
                "Nutralite ACHARI MAYO 300g-275g-25g-": "泡菜蛋黄酱",
                "Nutralite ACHARI MAYO 30g": "泡菜蛋黄酱小",
                "Nutralite CHEESY GARLIC MAYO 300g-275g-25g-": "芝士蒜蛋黄酱",
                "Nutralite CHEESY GARLIC MAYO 30g": "芝士蒜蛋黄酱小",
                "Nutralite CHOCO SPREAD CALCIUM 275g": "巧克力涂酱",
                "Nutralite DOODHSHAKTHI PURE GHEE 1L": "纯酥油",
                "Nutralite TANDOORI MAYO 300g-275g-25g-": "炭烤蛋黄酱",
                "Nutralite TANDOORI MAYO 30g": "炭烤蛋黄酱小",
                "Nutralite VEG MAYO 300g-275g-25g-": "素蛋黄酱",
                "Nycil Prickly Heat Powder": "痱子粉",
                "SUGAR FREE GOLD 500 PELLET": "无糖金500粒",
                "SUGAR FREE GOLD POWDER 100GM": "无糖金粉100G",
                "SUGAR FREE GOLD SACHET 50 SUGAR FREE GOLD SACHET 50": "无糖金小包",
                "SUGAR FREE GOLD SACHET 50": "无糖金小包50",
                "SUGAR FREE GRN 300 PELLET": "无糖绿300粒",
                "SUGAR FREE NATURA 500 PELLET": "无糖自然500粒",
                "SUGAR FREE NATURA DIET SUGAR 80GM": "无糖自然瘦糖80G",
                "SUGAR FREE NATURA DIET SUGAR": "无糖自然瘦糖",
                "SUGAR FREE NATURA SACHET 50": "无糖自然小包",
                "SUGAR FREE NATURA SWEET DROPS": "无糖自然甜滴",
                "SUGAR FREE NATURAL DIET SUGAR 80GM": "无糖自然瘦糖80G",
                "SUGAR FREE NATURA_ POWDER_CONC_100G": "无糖自然粉100G",
                "SUGAR FREE_GRN_ POWDER_CONC_100G": "无糖绿粉100G",
                "SUGARLITE POUCH 500G": "糖精袋500G"}

        为了确保模型训练的效率和准确性，我们对数据集进行了细致的预处理和增强处理。所有图像都经过自动定向校正，并剥离了EXIF信息，确保图像的正确显示。随后，图像被统一调整至416x416像素的大小，这一操作既考虑到了计算效率，也保持了图像内容的清晰度和完整性。这种统一化的图像尺寸对于后续的模型训练至关重要，因为它能够确保在模型处理时每张图像都能以同样的标准被识别和分析。

        图像的类别分布显示出了明显的多样性，我们的数据集在类别上的丰富度使得模型可以更好地学习区分不同的商品。然而，这种分布也提示了一些类别的样本数量可能比其他类别更多，这需要在模型训练时特别注意样本权重的平衡，以避免模型对于某些频繁出现的类别过拟合，同时对于稀有类别识别能力不足。

        除此之外，对于商品的定位和尺寸分布图表进行了详尽的分析。从散点图可以看出，商品的标注框在图像中的分布相对集中，这可能与零售环境的货架陈列有关，商品通常会被放置在容易被摄像头捕捉到的位置。这种集中分布对于确定训练策略和优化检测算法有直接影响，有助于我们调整锚框的尺寸和比例，以更准确地预测商品的位置。

总体来说，我们的数据集不仅在数量上满足了深度学习模型训练的需求，其丰富的类别和精确的标注，以及通过预处理和增强处理过的图像，为训练出一个鲁棒性高的商品识别模型提供了坚实的基础。接下来，我们将利用这个数据集来训练我们的模型，并将在后续章节中详细介绍模型训练的过程和结果。

---

4. 原理与代码介绍

4.1 YOLOv8算法原理

        YOLOv8是目前最新一代的实时对象检测算法，其在前几代YOLO算法的基础上进行了显著的改进和创新。YOLOv8继承了YOLOv3使用的Darknet53作为主干网络，这个网络结构已经证明在对象检测任务中效率和效果俱佳。YOLOv8则在此基础上进一步优化，它引入了从YOLOv5中借鉴的C3模块，并且借鉴了YOLOv7中的有效层级聚合（Efficient Layer Aggregation networks, ELAN）技术，以改善特征提取和增强网络的表征能力。

        在YOLOv8中，C3模块由Bottleneck构成，这些Bottleneck模块在提取特征的同时，通过引入残差连接来避免潜在的梯度消失问题，确保了即使在网络较深的情况下，信息也可以有效地传播。这种设计不仅使网络在提取特征时更为高效，而且也有助于网络学习到更复杂的特征表示，这对于提高模型的准确性和鲁棒性至关重要。

        YOLOv8还采用了路径聚合网络（Path Aggregation Network, PANet）来进一步增强特征金字塔的连接。这种结构通过增强不同尺度特征之间的连接，以提升模型在检测不同尺度对象时的性能。特别是对于小目标的检测，这种层级的特征聚合可以显著提高检测的准确度。

        最后，YOLOv8在锚定机制上也做出了创新，它采用了无锚（None-anchor）机制，这是一种不依赖预设锚点的检测方法。传统的YOLO算法会使用多个预设的锚点来预测对象的位置和尺寸，但这种方法需要大量的手工调整和优化。无锚机制的引入使得模型不再依赖于这些预设的锚点，而是通过网络直接预测对象的边界框，这种方法简化了训练流程，同时有助于提高模型对各种尺寸对象的检测能力。

        综上所述，YOLOv8通过引入先进的模块化设计、增强的特征聚合以及创新的无锚检测机制，提供了更为精确和高效的实时对象检测能力。这些技术的结合不仅提升了模型在标准数据集上的表现，更重要的是，它们使模型能够更好地适应实际应用中的多变环境和挑战，为实时对象检测领域带来了新的突破。

---

4.2 模型构建

        在我们的商品识别项目中，代码的编写旨在创建一个能够快速准确检测图像中是否存在未佩戴商品人员的系统。此部分代码介绍将侧重于模型的构建和检测过程，这是系统核心功能的直接体现。

        首先，我们引入必要的Python库和模块，这些库提供了图像处理、深度学习模型加载和运行设备选择等功能。例如，cv2库来自OpenCV，是处理图像和视频的强大工具；torch是PyTorch深度学习框架的核心库，它提供了构建和运行深度学习模型所需的所有功能。

import cv2
import torch
from QtFusion.models import Detector
from datasets.label_name import Chinese_name
from ultralytics import YOLO
from ultralytics.utils.torch_utils import select_device

        在代码中，我们设置了设备类型，并初始化了模型和图像处理的一些基本参数。这些参数包括物体的置信度阈值、非极大值抑制（NMS）的IOU阈值以及类别过滤器。

device = "cuda:0" if torch.cuda.is_available() else "cpu"
ini_params = {
    'device': device,
    'conf': 0.25,
    'iou': 0.5,
    'classes': None,
    'verbose': False
}

        为了数出每个类别的实例数量，我们定义了一个函数count_classes。它利用了一个字典来存储每个类别的计数，并通过遍历检测信息来更新这个计数。这为我们提供了一个清晰的视图，了解哪些商品类别最常见，哪些比较罕见。

def count_classes(det_info, class_names):
    count_dict = {name: 0 for name in class_names}
    for info in det_info:
        class_name = info['class_name']
        if class_name in count_dict:
            count_dict[class_name] += 1
    count_list = [count_dict[name] for name in class_names]
    return count_list

        代码中定义了一个YOLOv8v5Detector类，它是基于Detector类的子类，这表明我们的检测器是在一个更一般的检测器基础上定制的。这样做的好处是我们可以重用Detector类中的许多功能，并在此基础上添加我们特定模型的细节。load_model方法是加载预训练模型的核心。它首先使用select_device函数选择合适的设备，然后加载YOLO模型，并确保所有类名都转换为中文，以方便后续的理解和显示。这对于确保我们的系统在本地化环境中可用非常重要。preprocess方法在这里没有进行复杂的处理，仅保存原始图像。这为未来可能的图像处理步骤预留了空间。predict方法是系统执行预测的地方，它调用YOLO模型的推理函数，并将处理后的图像传递给模型进行预测。

class YOLOv8v5Detector(Detector):
    def __init__(self, params=None):
        super().__init__(params)
        self.model = None
        self.img = None
        self.names = list(Chinese_name.values())
        self.params = params if params else ini_params
	def load_model(self, model_path):
	    self.device = select_device(self.params['device'])
	    self.model = YOLO(model_path)
	    names_dict = self.model.names
	    self.names = [Chinese_name[v] if v in Chinese_name else v for v in names_dict.values()]
	    self.model(torch.zeros(1, 3, *[self.imgsz] * 2).to(self.device).type_as(next(self.model.model.parameters())))
	def preprocess(self, img):
	    self.img = img
	    return img
	
	def predict(self, img):
	    results = self.model(img, **ini_params)
	    return results
	
	def postprocess(self, pred):
	    results = []
	    for res in pred[0].boxes:
	        for box in res:
	            class_id = int(box.cls.cpu())
	            bbox = box.xyxy.cpu().squeeze().tolist()
	            bbox = [int(coord) for coord in bbox]
	            result = {
	                "class_name": self.names[class_id],
	                "bbox": bbox,
	                "score": box.conf.cpu().squeeze().item(),
	                "class_id": class_id,
	            }
	            results.append(result)
	    return results
	    
    def set_param(self, params):
        self.params.update(params)

        postprocess方法处理模型的输出。对于每个预测结果，我们从输出中提取类别、边界框和置信度分数，并将它们格式化为更易于理解和处理的形式。我们也将类别ID转换为对应的中文名称，再次强调易于理解。最后，set_param方法允许动态更新参数，使我们的检测器在运行时可以调整配置，以适应不同的检测需求。

        这部分代码是商品识别系统中至关重要的组成部分，它不仅封装了模型的加载、预测和结果处理，而且还提供了足够的灵活性，使系统可以适应多种运行条件。通过这种设计，我们的系统能够在保持高性能的同时，也能为用户提供直观和本地化的输出结果。

4.3 训练代码

        在我们的商品识别系统中，训练一个高效、准确的模型是实现目标检测的关键。我们使用的训练脚本是构建这一系统的核心，它涉及多个重要步骤，每个步骤都经过精心设计以确保最终模型的性能。以下是训练模型的详细代码介绍。以下表格详细介绍了YOLOv8模型训练中使用的一些重要超参数及其设置：

超参数	设置	说明
学习率（lr0）	0.01	决定了模型权重调整的步长大小，在训练初期有助于快速收敛。
学习率衰减（lrf）	0.01	控制训练过程中学习率的降低速度，有助于模型在训练后期细致调整。
动量（momentum）	0.937	加速模型在正确方向上的学习，并减少震荡，加快收敛速度。
权重衰减（weight_decay）	0.0005	防止过拟合，通过在损失函数中添加正则项减少模型复杂度。
热身训练周期（warmup_epochs）	3.0	初始几个周期内以较低的学习率开始训练，逐渐增加到预定学习率。
批量大小（batch）	16	每次迭代训练中输入模型的样本数，影响GPU内存使用和模型性能。
输入图像大小（imgsz）	640	模型接受的输入图像的尺寸，影响模型的识别能力和计算负担。

        在本博客的这一部分，我们将详细介绍如何使用PyTorch框架和YOLOv8模型来训练一个商品识别系统。以下是实现此目的的详细步骤和代码解析。

        首先，我们导入必要的库，包括操作系统（os）、PyTorch，以及YOLO模型：

import os
import torch
import yaml
from ultralytics import YOLO  # 导入YOLO模型
from QtFusion.path import abs_path

        我们使用torch.cuda.is_available()来检测是否有可用的CUDA设备，如果有，我们会使用GPU加速模型训练；如果没有，我们将使用CPU进行训练。

device = "0" if torch.cuda.is_available() else "cpu"

        接下来，我们定义了一个工作流程，确保只有在这个脚本作为主程序运行时，才会执行模型训练的代码：

if __name__ == '__main__':

        在开始训练前，我们设定了一些训练参数，如工作进程的数量和批量大小。这些参数对模型训练的速度和内存消耗有直接影响：

workers = 1
batch = 8

        接下来，我们定义了数据集的相关信息。通过abs_path函数获取数据集配置文件的绝对路径，并确保路径是Unix风格的，以便跨平台兼容性：

data_name = "EmotionData"
data_path = abs_path(f'datasets/{data_name}/{data_name}.yaml', path_type='current')
unix_style_path = data_path.replace(os.sep, '/')

        我们读取并解析YAML配置文件。YAML文件包含了训练数据集的路径、类别等信息。我们还对配置中的路径进行了必要的修改，确保它指向正确的目录：

directory_path = os.path.dirname(unix_style_path)
with open(data_path, 'r') as file:
    data = yaml.load(file, Loader=yaml.FullLoader)
if 'path' in data:
    data['path'] = directory_path
    with open(data_path, 'w') as file:
        yaml.safe_dump(data, file, sort_keys=False)

        最关键的步骤是加载预训练的YOLOv8模型并启动训练过程。在我们的例子中，我们使用了一个名为yolov8n.pt的预训练权重文件。这个文件包含了YOLOv8模型在大型数据集上训练得到的权重，可以极大地加快我们的训练进度并提高最终模型的性能：

model = YOLO(abs_path('./weights/yolov8n.pt'), task='detect')

        随后，我们调用模型的train方法来开始训练。在训练过程中，我们指定了数据集配置文件、训练设备、工作进程数量、输入图像大小、训练周期数、批量大小和训练任务的名称：

results2 = model.train(
    data=data_path,
    device=device,
    workers=workers,
    imgsz=640,
    epochs=120,
    batch=batch,
    name='train_v8_' + data_name
)

        在此代码片段中，我们特别强调了图像尺寸imgsz为640x640，这是因为YOLOv8模型在此尺寸上通常能达到很好的平衡，既能保持较高的检测准确性，又不会对计算资源要求过高。另外，我们训练了120个周期（epochs），这通常足以让模型在大多数数据集上收敛到一个良好的结果。

        通过上述步骤，我们的商品识别系统的深度学习模型训练将在有限的时间内完成，且准备就绪以应对各种零售环境中的商品检测任务。在随后的博客章节中，我们将详细介绍训练后模型的性能分析和系统部署。

---

5. 实验结果与分析

5.1 训练曲线

        在本次实验中，我们的焦点放在了YOLOv8在商品识别任务上的性能表现。通过详细分析训练过程中的损失函数图像，我们可以得到对模型学习过程的深入理解。

        在深度学习的目标检测任务中，损失函数图像是理解模型训练过程的关键。这些图像为我们提供了模型性能的直观展示，让我们能够观察训练过程中的损失趋势和模型准确度的改进。基于提供的YOLOv8训练损失函数图像，我们可以进行详细的分析。

        首先，训练集的损失函数图显示了盒子损失（train/box_loss）、类别损失（train/cls_loss）和目标损失（train/obj_loss），它们分别代表了模型在定位目标、分类目标以及检测目标存在性方面的性能。从图中可以看出，随着训练的进行，所有三种损失都呈现出稳定下降的趋势，这表明模型在这三个方面都在持续学习和进步。特别是在初始的几个训练周期内，损失下降得非常快，这通常意味着模型能够迅速从初始的随机权重中学习到有用的特征。

        对于验证集的损失（val/box_loss、val/cls_loss和val/obj_loss），我们看到损失值在整个训练过程中波动更大，这是因为模型在未见过的数据上可能不会表现得像在训练集上那么好，但整体趋势仍然是下降的。这是模型泛化能力在逐步增强的良好迹象。需要注意的是，我们希望验证损失保持稳定或下降，如果验证损失开始上升，可能意味着模型开始过拟合。

        精确度（metrics/precision）和召回率（metrics/recall）是评价目标检测模型性能的两个关键指标。精确度指的是模型预测为正类的样本中，真正为正类的比例。召回率则是模型正确预测的正类样本占所有正类样本的比例。从图中可以看出，精确度在训练过程中逐渐趋于稳定，而召回率则在训练的初始阶段就迅速上升至高水平。高召回率表明模型能够检测出大部分的正类样本，而稳定的精确度表明模型在保持检测性能的同时，误报的情况并没有显著增加。

        最后，平均精确度（mAP）衡量的是模型识别对象的准确性和召回率的综合性能。mAP在两个不同的IoU（Intersection over Union）阈值下进行了评估：[email protected]和[email protected]。[email protected]是较为宽松的评价标准，而[email protected]则是较为严格的，因为它考虑了更多IoU的阈值。这两个指标在训练过程中都展示了上升趋势，并在较早的周期后保持稳定，这说明模型的整体检测性能是相当可靠的。

        综合以上分析，可以得出结论，我们的YOLOv8模型在训练过程中表现出了优秀的学习能力和稳定的性能提升。这些训练指标表明，模型在各个方面都取得了进步，尤其是在召回率和mAP的表现上，显示出模型对于商品识别任务具有很强的识别能力。

5.2 PR曲线

        在深度学习模型的性能评估中，精确度-召回率（Precision-Recall，简称PR）曲线是一个重要的评价工具，尤其是在目标检测领域。它展示了模型在不同阈值下的精确度和召回率，帮助我们直观地理解模型在识别各类对象时的性能。基于您提供的PR曲线图，我们可以进行以下详细分析。

        PR曲线图中，每个类别的曲线展示了该类别的检测结果。一般而言，曲线越靠近右上角，表明该类别的检测结果越好，即模型在保持较高召回率的同时，还能保持较高的精确度。理想情况下，我们希望曲线能尽量贴近图表的上边缘和右边缘。

        从图中可以观察到，多数类别的PR曲线都显示出了较高的精确度和召回率，特别是像“Complan Nutrigro Badam Kheer”、“Nycil Prickly Heat Powder”和多个“SUGAR FREE”系列产品等，它们的精确度几乎达到了1.0，而召回率也非常高。这表明模型在这些类别上的表现极为出色，几乎能检测出所有的正样本，且几乎没有误检。

        然而，也有一些类别，如“Complan Classic Creme”和“Glucon D Tangy Orange 1.KG”，它们的精确度较低，尤其是前者的精确度接近0，这表明模型在这个类别上几乎没有正确的预测。这可能是由于该类别在数据集中的样本量不足，或者其图像特征与其他类别差异不大，模型难以区分。

        总体而言，模型在多数类别上都取得了较好的检测结果，整体[email protected]达到了0.882的水平，这是一个相对较高的性能指标，表明模型具有较好的泛化能力。这个结果对于零售环境中商品识别系统来说是非常可靠的，因为它说明模型能够以较高的准确性检测到绝大多数商品，为后续的库存管理和自动结账系统提供强有力的支持。

        然而，我们也需要注意到模型在某些特定类别上的性能不佳，这要求我们在未来的工作中重点关注这些类别，可能通过增加样本数量、改进特征工程或调整模型结构等方式来提升它们的检测性能。此外，这也提示我们在进行模型训练时，应更加关注数据的多样性和均衡性，以避免在某些类别上出现过拟合或欠拟合的情况。

5.3 YOLOv8/v7/v6/v5对比实验

（1）实验设计：
        本实验旨在评估和比较YOLOv5、YOLOv6、YOLOv7和YOLOv8几种模型在商品目标检测任务上的性能。为了实现这一目标，博主分别使用使用相同的数据集训练和测试了这四个模型，从而可以进行直接的性能比较。该数据集包含商品的图像。本文将比较分析四种模型，旨在揭示每种模型的优缺点，探讨它们在工业环境中实际应用的场景选择。

模型	图像大小 (像素)	mAPval 50-95	CPU ONNX 速度 (毫秒)	A100 TensorRT 速度 (毫秒)	参数数量 (百万)	FLOPs (十亿)
YOLOv5nu	640	34.3	73.6	1.06	2.6	7.7
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv6N	640	37.5	-	-	4.7	11.4
YOLOv7-tiny	640	37.4	-	-	6.01	13.1

（2）度量指标：

• F1-Score：F1-Score 作为衡量模型性能的重要指标，尤其在处理类别分布不均的数据集时显得尤为关键。它通过结合精确率与召回率，提供了一个单一的度量标准，能够全面评价模型的效能。精确率衡量的是模型在所有被标记为正例中真正属于正例的比例，而召回率则关注于模型能够识别出的真正正例占所有实际正例的比例。F1-Score通过两者的调和平均，确保了只有当精确率和召回率同时高时，模型的性能评估才会高，从而确保了模型对于正例的预测既准确又完整。
• mAP（Mean Average Precision）：在目标检测任务中，Mean Average Precision（mAP）是评估模型性能的重要标准。它不仅反映了模型对单个类别的识别精度，而且还考虑了所有类别的平均表现，因此提供了一个全局的性能度量。在计算mAP时，模型对于每个类别的预测被单独考虑，然后计算每个类别的平均精度（AP），最后这些AP值的平均数形成了mAP。

名称	YOLOv5nu	YOLOv6n	YOLOv7-tiny	YOLOv8n
mAP	0.911	0.874	0.885	0.882
F1-Score	0.77	0.82	0.84	0.85

（3）实验结果分析：

       在我们的研究中，我们采取了实验的方式来评估和比较YOLO系列几个版本的性能。具体地，我们使用了YOLOv5nu、YOLOv6n、YOLOv7-tiny和YOLOv8n这四个模型，并在相同的数据集上进行了实验。这项实验的目的是为了明确不同版本的YOLO模型在商品识别任务上的表现，并分析每个模型的优缺点。

       我们选取了两个主要的评价指标：F1-Score和mAP。F1-Score是精确度和召回率的调和平均，它考量了模型识别正确正类的能力（精确度）和模型识别出所有正类的能力（召回率）。而mAP（平均精确度）是考虑了所有不同阈值下模型的识别能力的平均值，它是评价目标检测模型整体性能的重要指标。

       在实验结果中，我们可以看到YOLOv5nu在mAP指标上得分最高，达到了0.911。这一结果表明，YOLOv5nu在识别商品时整体上的表现非常出色，能够在不同阈值下保持较高的精确度。但是在F1-Score上，它的得分为0.77，这意味着在某些情况下，YOLOv5nu可能会牺牲召回率来提高精确度，或者是在某些类别上的表现不如其他模型。这可能与YOLOv5nu的架构有关，或者与数据集中某些特定类别的样本分布不均导致的。

       YOLOv6n和YOLOv7-tiny在两个指标上的表现较为接近，mAP分别为0.874和0.885，F1-Score分别为0.82和0.84。这表明这两个模型在平衡精确度和召回率方面做得比YOLOv5nu好。YOLOv7-tiny在F1-Score上的略高得分可能是由于其在处理小型目标或复杂场景时的优化改进。

       而YOLOv8n的表现则在F1-Score上最为突出，达到了0.85，尽管在mAP上的得分为0.882略低于YOLOv5nu，这显示了YOLOv8n更好地平衡了精确度与召回率。YOLOv8n的这一成绩可能归功于其更为先进的架构和优化策略，这使得它在识别真正正类的同时，减少了误识别。

       总的来说，我们的实验结果揭示了不同YOLO版本在商品识别任务上的性能差异，并表明了模型选择应根据具体应用场景来决定。例如，在对精确度要求极高的场景下，YOLOv5nu可能是更好的选择；而在需要较好平衡精确度和召回率的场景下，YOLOv8n可能更为适合。此外，实验结果也提醒我们在模型训练过程中需要关注数据集的质量和样本分布，以确保模型的泛化能力。未来的工作中，可以探索不同模型的集成或进一步优化模型结构，以实现在所有类别上均衡的高性能。

---

6. 系统设计与实现

6.1 系统架构概览

        在我们的商品检测系统中，系统架构设计是整个应用的基石，确保了系统的高效性和灵活性。以下是系统的几个关键组件及其作用：

1. YOLOv8/v5检测器: 我们的系统核心是基于YOLOv8/v5模型的检测器。YOLOv8/v5以其出色的性能和实时检测能力，为商品检测提供了强大的支持。在代码中，这一部分由YOLOv8v5Detector类实现，该类封装了模型的加载、预处理、预测和后处理等关键步骤，确保了检测过程的高效和准确。

2. 检测系统类(Detection_UI): Detection_UI类是整个系统的核心，负责协调各个组件，如模型配置、输入输出处理、结果展示等。该类通过setup_page和setup_sidebar方法初始化用户界面，包括页面布局、侧边栏配置等，提供了良好的用户体验和高度的定制性。

3. 输入处理: 系统支持多种输入源，包括实时摄像头、图片文件和视频文件。process_camera_or_file方法负责处理不同的输入源，并将检测任务交给YOLO模型。这种设计使系统能够灵活适应不同的应用场景，从实时监控到文件分析，都能高效完成。

4. 结果展示: 在检测完成后，toggle_comboBox和frame_process方法用于处理和展示检测结果。系统能够将检测到的商品以及其置信度、位置等信息清晰地展示给用户，同时支持过滤和详细查看特定目标，增强了结果的可读性和实用性。

5. 日志和数据记录: LogTable类和ResultLogger类负责记录和保存检测过程中的各项数据，如检测时间、置信度、位置等。这为后续的数据分析和系统优化提供了基础。

6. 用户界面: 基于Streamlit的用户界面设计，使得系统不仅功能强大，而且易于使用。通过setupMainWindow方法，系统构建了一个直观的界面，用户可以轻松配置模型参数、选择输入源和查看检测结果。

        通过上述设计，我们的商品检测系统不仅能够快速准确地完成检测任务，而且提供了丰富的用户定制选项，满足了不同用户和应用场景的需求。在零售行业中，这样的系统可以极大地提高商品管理的效率和准确性，助力零售商实现智能化升级。

6.2 系统流程

        在本节中，我们将通过详细的流程步骤介绍，展开讨论商品检测系统的工作流程。为了便于理解，我们将按照程序执行的顺序，一步步解析系统的内部机制。

系统启动与初始化

1. 实例化Detection_UI: 系统启动时，首先实例化Detection_UI类。这一步骤将触发系统的初始化过程，包括设置页面布局、侧边栏配置等。

2. 加载YOLO模型: 接着，系统会通过YOLOv8v5Detector类创建一个YOLO模型实例，并加载预训练的模型权重。这一步确保了检测器的准备就绪，能够处理接下来的图像数据。

用户配置

3. 侧边栏设置: 用户通过侧边栏进行系统配置，包括选择模型类型、设置置信度阈值、IOU阈值、选择摄像头或上传文件等。这些配置通过setup_sidebar方法实现，为后续的检测任务提供了参数。

数据处理

4. 处理输入源: 根据用户的选择，系统通过process_camera_or_file方法处理不同的输入源。对于实时摄像头，系统将捕获摄像头的视频流；对于文件输入，系统将读取并加载用户上传的图片或视频文件。

检测执行

5. 帧处理: 对于视频流或视频文件，系统将逐帧进行处理，而对于图片文件，则直接处理该图像。frame_process方法负责对单帧图像进行预处理、调用YOLO模型进行预测、以及对预测结果进行后处理。

结果展示与记录

6. 展示检测结果: 检测完成后，系统将通过toggle_comboBox方法展示检测结果。用户可以查看每个检测到的对象的类别、置信度、位置等信息，并通过下拉菜单过滤和查看特定目标。

7. 记录日志: LogTable和ResultLogger类记录了检测过程中的详细信息，包括检测时间、置信度、位置等，便于用户后续分析和查阅。

用户交互

8. 结果导出与查看: 用户可以通过界面上的按钮导出检测结果和相关日志，以便进行进一步的分析和使用。此外，系统还提供了结果表格的实时更新，供用户查看所有检测到的对象及其信息。

9. 停止检测: 对于实时监控或视频文件处理，用户可以随时通过“停止”按钮终止检测任务。

        通过上述流程，商品检测系统能够灵活地处理来自不同来源的数据，执行高效准确的商品检测，并以用户友好的方式展示检测结果，满足了零售行业对商品管理的高效和智能化需求。

---

代码下载链接

         如果您希望获取博客中提及的完整资源包，包含测试图片、视频、Python文件(*.py)、网页配置文件、训练数据集、代码及界面设计等，可访问博主在面包多平台的上传内容。相关的博客和视频资料提供了所有必要文件的下载链接，以便一键运行。完整资源的预览如下图所示：

        资源包中涵盖了你需要的训练测试数据集、训练测试代码、UI界面代码等完整资源，完整项目文件的下载链接可在下面的视频简介中找到➷➷➷

演示与介绍视频 ：https://www.bilibili.com/video/BV16D42157dc/
YOLOv8/v7/v6/v5项目合集下载：https://mbd.pub/o/bread/mbd-ZZ2Zm51u
YOLOv8和v5项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Zmp9y
YOLOv7项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Zm51r
YOLOv6项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Zm51p

完整安装运行教程：

        这个项目的运行需要用到Anaconda和Pycharm两个软件，下载到资源代码后，您可以按照以下链接提供的详细安装教程操作即可运行成功，如仍有运行问题可私信博主解决：

1. Pycharm和Anaconda的安装教程：https://deepcode.blog.csdn.net/article/details/136639378；

        软件安装好后需要为本项目新建Python环境、安装依赖库，并在Pycharm中设置环境，这几步采用下面的教程可选在线安装（pip install直接在线下载包）或离线依赖包（博主提供的离线包直接装）安装两种方式之一：

2. Python环境配置教程：https://deepcode.blog.csdn.net/article/details/136639396（2,3方法可选一种）；
3. 离线依赖包的安装指南：https://deepcode.blog.csdn.net/article/details/136650641（2,3方法可选一种）；

        如使用离线包方式安装，请下载离线依赖库，下载地址：https://pan.baidu.com/s/1uHbU9YzSqN0YP_dTHBgpFw?pwd=mt8u （提取码：mt8u）。

---

7. 结论与未来工作

        在本研究的探索旅程中，我们细致地比较了YOLO系列中的几个关键版本在商品识别任务上的表现。通过对YOLOv5nu、YOLOv6n、YOLOv7-tiny和YOLOv8n的评估，我们得出了有价值的见解和结论。实验结果清晰地揭示了各个模型的优势和局限，从而为未来在选择合适的目标检测模型时提供了参考。

        我们可以得出结论，尽管不同版本的YOLO模型在特定度量标准上有所差异，但整体而言，它们在商品识别这一具有挑战性的任务上都表现出色。YOLOv5nu展现了优异的整体识别能力，尤其是在mAP评分上；而YOLOv8n在平衡精确度和召回率方面表现最为突出，这在F1-Score上得到了验证。这些发现强调了在模型选择时考虑应用场景的重要性——不同的业务需求可能会导致对模型性能的不同期望。
        未来的工作可以在几个方向上展开。首先，进一步优化模型的结构和训练策略可能会带来性能的提升，尤其是在准确度和召回率之间的平衡上。例如，针对YOLOv5nu的训练流程进行调整，可能会提升其在精确度和召回率上的表现，而不仅仅是在mAP上。其次，探索更深层次的数据增强和优化技术，有可能进一步提高模型的泛化能力，尤其是在样本不均匀分布的情况下。

        另外，实验中一些模型在特定类别上表现不佳的问题值得深入研究。未来工作中，我们可以尝试引入更多类别的数据，或者使用针对性的数据增强技术，来提高模型在这些类别上的识别性能。最后，研究将注意力机制、神经网络架构搜索（NAS）等先进技术集成到YOLO模型中，也许会开辟出新的提升路径。

        总体来说，我们对YOLO系列在商品识别任务上的研究取得了积极的成果，并为未来的研究提供了坚实的基础。随着技术的不断进步，我们期待在不久的将来能够实现更加准确、快速和可靠的商品识别系统。

---

1. Bochkovskiy A, Wang C Y, Liao H Y M. Yolov4: Optimal speed and accuracy of object detection[J]. arXiv preprint arXiv:2004.10934, 2020. ↩︎

2. Dosovitskiy A, Beyer L, Kolesnikov A, et al. An image is worth 16x16 words: Transformers for image recognition at scale[J]. arXiv preprint arXiv:2010.11929, 2020. ↩︎

3. Carion N, Massa F, Synnaeve G, et al. End-to-end object detection with transformers[C]//European conference on computer vision. Cham: Springer International Publishing, 2020: 213-229. ↩︎

4. Lin T Y, Goyal P, Girshick R, et al. Focal loss for dense object detection[C]//Proceedings of the IEEE international conference on computer vision. 2017: 2980-2988. ↩︎

5. Chen K, Wang J, Pang J, et al. MMDetection: Open mmlab detection toolbox and benchmark[J]. arXiv preprint arXiv:1906.07155, 2019. ↩︎