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)

        通过上述代码，我们搭建了一个完整的生活垃圾检测与分类系统的后端模型，能够接收图像输入，进行有效的垃圾检测，并以用户友好的方式展示结果。这些代码的介绍将帮助读者理解我们如何实现从数据输入到结果输出的整个流程，并为后续章节中的实验结果与系统设计提供必要的技术背景。

4.3 训练代码

        在“模型训练”部分的博客中，我们将深入探讨如何利用现有的深度学习框架和模型来训练一个生活垃圾检测与分类系统。这一过程涉及到配置训练环境、处理数据集、设置训练参数，以及启动训练过程等关键步骤。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。

        环境设置与模型加载：首先，我们进行的是环境设置和模型准备工作。这包括引入必要的库，比如torch用于构建和训练深度学习模型，os用于处理文件和目录路径。

import os
import torch
import yaml
from ultralytics import YOLO  # 用于加载YOLO模型
from QtFusion.path import abs_path  # 用于获取文件的绝对路径

        这一部分的代码是决定模型将在GPU还是CPU上运行，这一选择对训练效率有重大影响。

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

        数据集准备：在设置了工作进程数和批次大小后，通过使用abs_path函数，我们将数据集配置文件的路径转换为绝对路径，并针对不同的操作系统调整路径风格。这种细心的准备有助于跨平台的兼容性和后续的数据加载工作。workers变量定义了在数据加载时使用的子进程数目，而batch则定义了批量大小，这直接影响了GPU内存的使用量和训练速度。

workers = 1  # 工作进程数
batch = 8  # 每批处理的图像数量
data_name = "GarbageRecognition"
data_path = abs_path(f'datasets/{data_name}/{data_name}.yaml', path_type='current')
unix_style_path = data_path.replace(os.sep, '/')

        接着，我们读取YAML文件，它包含了训练数据的相关信息，如路径、类别等。如果文件中包含path项，我们会更新它，确保数据集的路径正确指向我们的训练数据。

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)

        训练模型：接下来，我们加载预训练的YOLOv8模型。我们加载了YOLO模型的预训练权重，并设置了训练的参数，包括数据路径、训练设备、工作线程、图像尺寸、训练周期数和批量大小。

model = YOLO(abs_path('./weights/yolov5nu.pt', path_type='current'), task='detect')  # 加载预训练的YOLOv8模型
# model = YOLO('./weights/yolov5.yaml', task='detect').load('./weights/yolov5nu.pt')  # 加载预训练的YOLOv8模型
# Training.
results = model.train(  # 开始训练模型
    data=data_path,  # 指定训练数据的配置文件路径
    device=device,  # 自动选择进行训练
    workers=workers,  # 指定使用2个工作进程加载数据
    imgsz=640,  # 指定输入图像的大小为640x640
    epochs=120,  # 指定训练100个epoch
    batch=batch,  # 指定每个批次的大小为8
    name='train_v5_' + data_name  # 指定训练任务的名称
)
model = YOLO(abs_path('./weights/yolov8n.pt'), task='detect')  # 加载预训练的YOLOv8模型
results2 = model.train(  # 开始训练模型
    data=data_path,  # 指定训练数据的配置文件路径
    device=device,  # 自动选择进行训练
    workers=workers,  # 指定使用2个工作进程加载数据
    imgsz=640,  # 指定输入图像的大小为640x640
    epochs=120,  # 指定训练100个epoch
    batch=batch,  # 指定每个批次的大小为8
    name='train_v8_' + data_name  # 指定训练任务的名称
)

        在这一部分，我们详尽地介绍了训练过程的每一步，从准备环境到加载模型，再到设置参数和启动训练。这些步骤共同保证了模型能够在优化的环境中高效地学习，为生活垃圾的准确检测和分类奠定了坚实的基础。

---

5. 实验结果与分析

5.1 训练曲线

        在我们的生活垃圾检测与分类项目中，对深度学习模型的性能分析是至关重要的一步。通过审视YOLOv8模型在训练过程中的损失函数和评价指标图表，我们能够深入理解模型的学习过程及其效能。以下是对这些训练指标的专业分析。

        观察训练和验证过程中的损失函数，即box_loss、cls_loss和obj_loss（在图中表示为df1_loss），我们可以看到模型损失随着训练周期（epochs）的增加而稳步下降。这个下降趋势表明模型正在有效地从训练数据中学习，通过优化其权重来减少预测框、类别以及目标的损失。特别地，box_loss的下降表明定位垃圾物品的边界框变得更加准确，而cls_loss的减小意味着类别预测的精度提高。此外，df1_loss损失的减少则是一个综合指标，显示模型在识别和定位目标方面的整体进步。

        转向评价指标——精确度（precision）、召回率（recall）、平均精确度mAP（mean Average Precision）的不同阈值，我们可以进行更细致的性能分析。精确度表现出随着训练周期的增加而逐渐增长的趋势，这意味着模型在识别垃圾时的误报数量在减少。召回率则表明模型能够识别出数据集中的大多数正样本，而且随着训练的进行，它能够捕捉到更多的垃圾实例。

        在mAP的评估中，[email protected]（计算IOU阈值为0.5时的mAP）和[email protected]（计算IOU从0.5到0.95不同阈值的平均mAP）为我们提供了模型性能的整体评价。[email protected]较高的值显示了在较低IOU阈值下模型的性能较好，而[email protected]则表明模型在更为严格的匹配条件下依然保持了良好的识别效果。这两个指标的逐渐上升反映出模型对生活垃圾的检测和分类能力随着训练逐步增强。

        总的来说，通过这些指标的分析，我们确认了YOLOv8模型在生活垃圾检测与分类任务上的训练进展顺利，性能稳定提升。模型损失的下降趋势和评价指标的增长展现了模型学习的有效性。这些结果不仅为我们在项目后续工作中的改进提供了可靠的依据，同时也给其他研究人员和实践者提供了一个评估类似模型性能的参考框架。

5.2 PR曲线图

        在深入分析我们生活垃圾检测与分类模型的性能时，准确性和可靠性是我们最关注的两个方面。通过精确度-召回率（Precision-Recall，PR）曲线的评估，我们可以详细了解模型在各个类别上的表现。PR曲线是一个宝贵的工具，它显示了在不同召回率水平下模型的精确度，对于不平衡数据集特别有用。以下是对YOLOv8模型在生活垃圾分类任务中的PR曲线的分析。

        从图中可见，我们的模型在某些类别上表现出色，而在其他类别上则表现不佳。具体来说，'GLASS'（玻璃）类别的精确度在大多数召回率水平上都非常高，这表明模型可以非常准确地识别和分类玻璃垃圾。其次，'METAL'（金属）和'BIODEGRADABLE'（可生物降解）类别的性能也相对较好，但它们的精确度在高召回率水平时有所下降，这可能是因为随着召回率的提高，模型为了捕捉更多的正样本而牺牲了一些精确度。

        然而，'PAPER'（纸）和'PLASTIC'（塑料）的精确度表现较差，尤其是'PAPER'类别，在大多数召回率水平上的精确度都很低。这可能是由于纸张物品在图像中的视觉特征与背景相似，或者纸张样本在数据集中的表示不足造成的。而塑料垃圾因为形态多样、颜色和透明度变化大，可能也对模型的识别能力构成了挑战。

        整体而言，模型的平均mAP值达到了0.527，这个分数是一个中等水平的表现，意味着有进一步提升的空间。mAP值是一个整体性能的度量，它结合了所有类别的精确度和召回率。高mAP值意味着模型在精确度和召回率之间取得了良好的平衡。

        对于我们的生活垃圾分类模型而言，此分析结果的一个直接启示是我们可能需要重新审视数据集，对纸和塑料类别进行更多的数据增强或收集更多样化的训练样本。同时，可能还需要探索针对这些类别的特定特征提取技术或模型架构的调整。

        这些分析指标不仅为我们的模型提供了有价值的反馈，还为未来的研究方向指明了道路。通过不断的优化和迭代，我们的目标是提高模型在所有类别上的表现，特别是那些当前性能较差的类别。通过细致的分析和有针对性的改进，我们期望在后续工作中能够实现这一目标，进一步提升模型在实际应用中的准确性和可靠性。

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几种模型在生活垃圾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。该数据集包含生活垃圾的图像。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	0.520	0.533	0.521	0.527
F1-Score	0.51	0.52	0.52	0.51

（3）实验结果分析：

       在深度学习领域，选择合适的模型对于任务的成功完成至关重要。通过对YOLOv5nu、YOLOv6n、YOLOv7-tiny和YOLOv8n四个模型的性能进行对比分析，我们可以对它们在生活垃圾检测与分类任务中的表现有一个全面的理解。

       首先，从实验结果来看，YOLOv6n在mAP（平均精度均值）指标上取得了最高的分数，达到了53.3%，而F1-Score（F1分数）也达到了52%。这表明YOLOv6n在我们的数据集上具有更好的综合性能，既能平衡精确度和召回率，又能保持较高的类别识别精度。这可能归功于YOLOv6n在处理特征提取和多尺度检测方面的改进。

       而YOLOv5nu和YOLOv8n在mAP指标上表现相近，分别是52.0%和52.7%，在F1-Score上则是51.0%。它们在这两个指标上的接近性表明，尽管YOLOv5和YOLOv8在架构上存在不同，但在处理具体任务时表现出了相似的能力。这可能是因为YOLOv5和YOLOv8在核心设计上仍保持了一定的一致性，特别是在锚点设置和损失函数上。

        YOLOv7-tiny的mAP为52.1%，F1-Score达到了52%，这一结果对于一个轻量化模型来说是相当出色的。通常，轻量化模型在速度上有优势，但在精度上可能会有所牺牲。然而，YOLOv7-tiny却展现了较好的性能平衡，这表明在设计轻量化模型时，YOLOv7-tiny的设计者可能在模型的深度和宽度上做出了优化，以适应生活垃圾检测任务。

       综合考虑，模型在生活垃圾检测任务上的表现受到多方面因素的影响。例如，模型架构的复杂度、参数量、训练策略、数据增强方法等都会对最终的性能产生重要影响。此外，实际应用场景的多样性要求模型不仅要有较高的精度，还要有快速的推理能力和良好的泛化性能。因此，在选择模型时，需要根据任务的具体需求进行权衡。

---

6. 系统设计与实现

6.1 系统架构概览

        在我们设计的基于YOLOv8/v7/v6/v5的生活垃圾检测与分类系统中，核心架构采取模块化设计理念，以提高系统的灵活性、可扩展性和维护性。系统主要由以下几个关键组件构成，每个组件负责处理特定的任务，通过相互协作完成生活垃圾的检测与分类。

1. 检测系统类（Detection_UI）： 作为系统的用户界面（UI）层，Detection_UI负责与用户交互，包括接收用户输入（如上传的文件或摄像头选择）、显示检测结果和日志。该类利用Streamlit框架构建，能够快速搭建出直观友好的Web应用。

2. YOLO模型封装类（YOLOv8v5Detector）： 此类封装了YOLO检测模型的加载、预处理、预测及后处理等一系列操作。通过调用不同版本的YOLO模型，该类可以灵活适应多种生活垃圾检测的需求。

3. 数据处理与日志记录： 包括多个工具和辅助类，如LogTable用于记录和保存检测日志，ResultLogger用于格式化检测结果。这些组件负责处理数据记录、保存和展示，保证检测过程的透明性和结果的可追踪性。

4. 检测流程控制： 在Detection_UI类中，通过process_camera_or_file和frame_process方法实现了对摄像头输入或文件上传的处理逻辑。process_camera_or_file方法根据用户的选择调用相应的处理函数，而frame_process方法则负责对单帧图像进行预处理、调用YOLO模型进行检测，并处理检测结果。

5. UI布局与交互设计： setup_sidebar和setupMainWindow方法负责系统的布局设计和主要交互逻辑的实现。setup_sidebar方法设置了侧边栏的配置选项，如模型选择、文件上传等，而setupMainWindow则构建了主要的显示和操作界面，包括图像显示区域、进度条、结果表格等。

6. 模型和数据管理： 系统设计中还考虑了模型和数据的管理，如通过abs_path方法处理文件路径，使用save_uploaded_file等方法管理上传的文件。这些设计保证了系统的数据处理既灵活又安全。

6.2 系统流程

        我们设计的基于YOLOv8/v7/v6/v5的生活垃圾检测与分类系统流程，可以通过以下步骤进行详细说明：

1. 初始化系统：系统启动时，首先实例化Detection_UI类。此步骤涉及初始化界面布局、加载模型、设置默认参数等准备工作。

2. 设置页面与侧边栏配置：通过setup_page方法设置页面基本配置（如标题、图标等），setup_sidebar方法用于构建侧边栏，并提供模型设置、摄像头选择、文件类型选择等用户可配置项。

3. 用户输入处理：

   • 如果用户选择摄像头作为输入源，系统将根据选定的摄像头捕获实时视频流进行处理。
   • 如果用户选择上传图片文件或视频文件，系统将加载用户上传的文件进行后续处理。

4. 选择模型与文件处理：

   • 模型选择：用户可以选择不同版本的YOLO模型（如YOLOv8/v7/v6/v5），也可以上传自定义的模型文件。
   • 文件处理：根据用户的输入类型（摄像头、图片文件、视频文件），系统调用process_camera_or_file方法处理相应的输入。

5. 图像帧处理：对于摄像头或文件中的每一帧图像，系统通过frame_process方法进行处理，包括图像预处理、模型推理、结果后处理等。

6. 检测结果展示：处理后的图像帧及其检测结果将被展示在用户界面上。系统支持单画面或双画面显示模式，供用户选择。

7. 日志记录与结果保存：系统通过LogTable和ResultLogger类记录检测过程和结果，支持将检测日志和结果表格保存为CSV文件。

8. 用户交互：

   • 用户可以通过侧边栏进行实时的配置修改（如调整置信度阈值、选择不同的摄像头或模型等）。
   • 用户可以通过主界面的按钮执行如导出检测结果、停止摄像头捕获等操作。

9. 清理与重置：用户结束检测任务后，系统会清理资源，如释放摄像头资源、清空日志和结果表格，准备下一次检测任务。

10. 系统关闭：用户关闭Web应用时，系统进行必要的资源释放和状态保存操作，确保下次启动时能够快速恢复到上一次的状态。

        以上步骤构成了我们的生活垃圾检测与分类系统的主要流程。该流程不仅体现了系统设计的高度模块化和灵活性，也确保了用户操作的简便性和检测结果的准确性。

---

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/BV1nZ421i7Y9/
YOLOv8/v7/v6/v5项目合集下载：https://mbd.pub/o/bread/mbd-ZZ2Xm5xw
YOLOv8和v5项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2XmZlx
YOLOv7项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2XmpZy
YOLOv6项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Xm5dt

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

        本文深入研究并实践了基于YOLOv8/v7/v6/v5的深度学习模型在生活垃圾检测与分类领域的应用，成功开发了一个集成了这些先进算法的系统。通过对不同版本的YOLO模型进行细致的比较和优化，本研究不仅显著提升了生活垃圾检测与分类的准确率和实时性，还借助Streamlit创建了一个直观、美观且易于操作的Web应用，让用户能够便捷地执行生活垃圾的检测与分类任务，从而在现实应用场景中扮演了重要角色。

        通过一系列实验验证，本文提出的方法在生活垃圾检测与分类的准确性和处理速度方面都达到了令人满意的水平。同时，提供了包括数据集处理、模型训练、预测代码以及基于Streamlit的系统设计和实现细节的全套资料，为后续研究者和开发者的复现和参考提供了极大便利。尽管已取得一定成就，生活垃圾检测与分类作为一个复杂且多变的任务，仍面临着众多挑战和改进的空间。未来的研究将从以下几个方向进行深入：

• 模型优化：继续深入探索网络结构与优化策略，如利用神经网络架构搜索（NAS）技术，以进一步提高模型的效能和效率。
• 多模态融合：考虑结合图像、文本等多模态信息，采用融合学习方法对生活垃圾进行更加全面的检测与分类，以增强模型的理解深度。
• 跨域适应性：研究在不同地区、不同文化背景下的生活垃圾检测与分类问题，通过域适应技术提升模型在多样环境中的泛化能力。
• 用户交互体验：进一步完善系统界面和交互设计，使其更加友好、智能，以满足更多用户的需求。
• 实际应用拓展：探索生活垃圾检测与分类技术在更广泛的实际应用场景，如环保监测、智能城市管理等，发挥其在社会经济发展中的最大价值。

        总体而言，随着技术进步和应用领域的不断拓宽，我们有理由相信，基于深度学习的生活垃圾检测与分类技术将在促进环保、推动可持续发展等领域扮演更加关键的角色。

---

1. Liu C, Tao Y, Liang J, et al. Object detection based on YOLO network[C]//2018 IEEE 4th information technology and mechatronics engineering conference (ITOEC). IEEE, 2018: 799-803. ↩︎

2. Wen, Guihao, et al. "The improved YOLOv8 algorithm based on EMSPConv and SPE-head modules." Multimedia Tools and Applications (2024): 1-17. ↩︎

3. Zhu X, Lyu S, Wang X, et al. TPH-YOLOv5: Improved YOLOv5 based on transformer prediction head for object detection on drone-captured scenarios[C]//Proceedings of the IEEE/CVF international conference on computer vision. 2021: 2778-2788. ↩︎

4. Sun Z, Chen B. Research on Pedestrian Detection and Recognition Based on Improved YOLOv6 Algorithm[C]//International Conference on Artificial Intelligence in China. Singapore: Springer Nature Singapore, 2022: 281-289. ↩︎

5. Zhao H, Zhang H, Zhao Y. Yolov7-sea: Object detection of maritime uav images based on improved yolov7[C]//Proceedings of the IEEE/CVF winter conference on applications of computer vision. 2023: 233-238. ↩︎