效果展示

登录界面

主界面

基于 YOLO26的目标检测系统，支持图片、视频和实时摄像头检测，集成 DeepSeek AI 分析功能。

功能特性

• 图片目标检测
• 视频文件检测
• 实时摄像头检测
• DeepSeek AI 智能分析
• 可调节的检测参数（置信度、IoU）
• 美观的用户界面

【测试环境】

windows10 anaconda3+python3.10 torch 2.3.1 ultralytics 8.4.7 Django==5.2.11

【模型可以检测出45类别】

[‘bachphuclinh’,‘bachthuoc’,‘bachtruat’,‘bocotchi’,‘camthao’,‘chitu’,‘dangsam’,‘daonhan’,‘daonhan_tachvo’,‘diaphutu’,‘donbi’,‘dongtrung’,‘dotrong’,‘duongquy’,‘hanhnhan’,‘hoaison’,‘hoangky’,‘kimanhtu’,‘kytu’,‘lienkieu’,‘liennhuc’,‘machmon’,‘mocqua’,‘ngoctruc’,‘nguvitu’,‘nhannhuc’,‘nhansam’,‘omai’,‘phucbontu’,‘qualaubi’,‘que’,‘sanhanthuong’,‘sanhantron’,‘sonthudu’,‘sontra’,‘taodo’,‘thaodaukhau’,‘thucdia’,‘tieuhoi’,‘trachta’,‘tranbi’,‘xuyenboimau’,‘xuyenkhung’,‘xuyenluyentu’,‘ydi’]

训练数据集介绍

数据集格式：YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的yolo格式txt文件) 图片数量(jpg文件个数)：23927 标注数量(txt文件个数)：23927

训练集数量：20937 验证集数量：1495

测试集数量：1495 标注类别数：45

所在github仓库：firc-dataset

标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):[‘bachphuclinh’,‘bachthuoc’,‘bachtruat’,‘bocotchi’,‘camthao’,‘chitu’,‘dangsam’,‘daonhan’,‘daonhan_tachvo’,‘diaphutu’,‘donbi’,‘dongtrung’,‘dotrong’,‘duongquy’,‘hanhnhan’,‘hoaison’,‘hoangky’,‘kimanhtu’,‘kytu’,‘lienkieu’,‘liennhuc’,‘machmon’,‘mocqua’,‘ngoctruc’,‘nguvitu’,‘nhannhuc’,‘nhansam’,‘omai’,‘phucbontu’,‘qualaubi’,‘que’,‘sanhanthuong’,‘sanhantron’,‘sonthudu’,‘sontra’,‘taodo’,‘thaodaukhau’,‘thucdia’,‘tieuhoi’,‘trachta’,‘tranbi’,‘xuyenboimau’,‘xuyenkhung’,‘xuyenluyentu’,‘ydi’]

每个类别标注的框数：

bachphuclinh（白茯苓）框数 = 845

bachthuoc（白芍）框数 = 1082

bachtruat（白术）框数 = 1095

bocotchi（补骨脂）框数 = 459

camthao（甘草）框数 = 1224

chitu（赤土/赤石脂）框数 = 490

dangsam（党参）框数 = 714

daonhan（桃仁）框数 = 454

daonhan_tachvo（桃仁_去壳）框数 = 430

diaphutu（地肤子）框数 = 718

donbi（丹皮/牡丹皮）框数 = 216

dongtrung（冬虫夏草）框数 = 1921

dotrong（杜仲）框数 = 298

duongquy（当归）框数 = 1361

hanhnhan（杏仁）框数 = 490

hoaison（海参）框数 = 1678

hoangky（黄芪）框数 = 1250

kimanhtu（鸡内金）框数 = 372

kytu（杞子/枸杞子）框数 = 2059

lienkieu（连翘）框数 = 861

liennhuc（莲子）框数 = 1512

machmon（麦冬）框数 = 430

mocqua（木瓜）框数 = 543

ngoctruc（玉竹）框数 = 2479

nguvitu（五味子）框数 = 772

nhannhuc（人字/人字草）框数 = 705

nhansam（人参）框数 = 282

omai（乌梅）框数 = 513

phucbontu（覆盆子）框数 = 429

qualaubi（瓜蒌皮）框数 = 416

que（桂/肉桂）框数 = 789

sanhanthuong（山杏仁）框数 = 540

sanhantron（山参/山人参）框数 = 226

sonthudu（山茱萸）框数 = 768

sontra（山楂）框数 = 314

taodo（枣/大枣）框数 = 1196

thaodaukhau（草豆蔻）框数 = 259

thucdia（熟地）框数 = 1296

tieuhoi（小茴香）框数 = 421

trachta（泽泻）框数 = 492

tranbi（陈皮）框数 = 328

xuyenboimau（川贝母）框数 = 593

xuyenkhung（川芎）框数 = 1535

xuyenluyentu（穿山甲/穿山龙）框数 = 387

ydi（薏苡/薏米）框数 = 925

总框数=36167

使用标注工具：labelImg

标注规则：对类别进行画矩形框 重要说明：

暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证

图片预览：

标注例子：

【训练信息】

训练集图片数=20937

验证集图片数=1495

训练map=97.7%

训练精度(Precision)=95.9%

训练召回率(Recall)=97.0%

【验证集精度】

类别=Map50(%)

all=82

bachphuclinh=20

bachthuoc=38

bachtruat=54

bocotchi=100

camthao=69

chitu=98

dangsam=87

danotallow=73

daonhan_tachvo=88

diaphutu=99

dnotallow=96

dnotallow=93

dotrnotallow=99

dunotallow=78

hanhnhan=86

hoaisnotallow=57

hoangky=45

kimanhtu=99

kytu=78

lienkieu=98

liennhuc=74

machmnotallow=81

mocqua=99

ngoctruc=90

nguvitu=99

nhannhuc=78

nhansam=60

omai=96

phucbnotallow=97

qualaubi=96

que=68

sanhanthunotallow=99

sanhantrnotallow=90

snotallow=93

snotallow=98

taodo=69

thaodaukhau=99

thucdia=70

tieuhoi=99

trachta=91

tranbi=97

xuyenboimau=73

xuyenkhung=56

xuyenluyentu=96

ydi=62

安装依赖

pip install -r requirements.txt

数据库迁移

python manage.py makemigrations
python manage.py migrate

运行项目

python manage.py runserver

访问 ​​http://127.0.0.1:8000​​

默认登录信息

• 用户名: admin
• 密码: admin

项目主要文件结构

yolo26-django-deepseek-det-system/
├── manage.py                 # Django 项目管理脚本
├── requirements.txt          # 项目依赖包列表
├── README.md                 # 项目说明文档
├── index.html               # 主页面（备用或示例页面）
├── start_lan.bat            # 一键启动批处理脚本
├── yolo_detection/          # Django 项目配置目录
│   ├── __init__.py          # 初始化文件
│   ├── settings.py          # 项目配置文件（数据库、API密钥等）
│   ├── urls.py              # 项目总路由配置
│   └── wsgi.py              # WSGI 部署配置
├── detection/               # 检测功能应用模块
│   ├── __init__.py          # 初始化文件
│   ├── apps.py              # 应用配置
│   ├── forms.py             # 表单定义（如文件上传表单）
│   ├── models.py            # 数据模型定义
│   ├── urls.py              # 检测应用的路由配置
│   └── views.py             # 核心视图函数（YOLO检测逻辑、文件处理等）
├── templates/               # Web 页面模板目录
│   ├── index.html           # 主操作界面（上传、检测、结果显示）
│   └── login.html           # 登录页面
├── media/                   # 媒体文件存储目录
│   └── uploads/             # 用户上传文件存储目录
├── test_img/                # 测试图片目录
│   └── *.jpg            # 检测样本图片
├── weights/                # 模板目录
│   ├── yolov26n.onnx            # 模型文件
│   └── results.png            # 训练日志图片
│   ├── class_names            # 模型类别文件
│   └── 模型说明.txt            # 训练简单介绍和训练过程map0.5参数

技术栈

• Django 4.2+
• YOLO26 (Ultralytics)
• OpenCV
• DeepSeek API
• Chart.js
• HTML5/CSS3/JavaScript

注意事项

• 确保 ​​yolov26n.onnx​​ 模型文件在项目weights目录
• DeepSeek API 密钥需要在 ​​settings.py​​ 中配置
• 建议使用 Python 3.8+

常用评估参数介绍

在目标检测任务中，评估模型的性能是至关重要的。你提到的几个术语是评估模型性能的常用指标。下面是对这些术语的详细解释：

Class：

这通常指的是模型被设计用来检测的目标类别。例如，一个模型可能被训练来检测车辆、行人或动物等不同类别的对象。

Images：

表示验证集中的图片数量。验证集是用来评估模型性能的数据集，与训练集分开，以确保评估结果的公正性。

Instances：

在所有图片中目标对象的总数。这包括了所有类别对象的总和，例如，如果验证集包含100张图片，每张图片平均有5个目标对象，则Instances为500。

P（精确度Precision）：

精确度是模型预测为正样本的实例中，真正为正样本的比例。计算公式为：Precision = TP / (TP + FP)，其中TP表示真正例（True Positives），FP表示假正例（False Positives）。

R（召回率Recall）：

召回率是所有真正的正样本中被模型正确预测为正样本的比例。计算公式为：Recall = TP / (TP + FN)，其中FN表示假负例（False Negatives）。

mAP50：

表示在IoU（交并比）阈值为0.5时的平均精度（mean Average Precision）。IoU是衡量预测框和真实框重叠程度的指标。mAP是一个综合指标，考虑了精确度和召回率，用于评估模型在不同召回率水平上的性能。在IoU=0.5时，如果预测框与真实框的重叠程度达到或超过50%，则认为该预测是正确的。

mAP50-95：

表示在IoU从0.5到0.95（间隔0.05）的范围内，模型的平均精度。这是一个更严格的评估标准，要求预测框与真实框的重叠程度更高。在目标检测任务中，更高的IoU阈值意味着模型需要更准确地定位目标对象。mAP50-95的计算考虑了从宽松到严格的多个IoU阈值，因此能够更全面地评估模型的性能。

这些指标共同构成了评估目标检测模型性能的重要框架。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。

常见问题

目标检测训练中，Mean Average Precision（MAP）偏低可能有以下原因： 原因一：欠拟合：如果训练数据量过小，模型可能无法学习到足够的特征，从而影响预测效果，导致欠拟合，进而使MAP偏低。因此可以加大数据集数量

原因二：小目标：如果数据集包含大部分小目标则一般会有可能产生map偏低情况，因为小目标特征不明显，模型很难学到特征。

原因三：模型调参不对：比如学习率调整过大可能会导致学习能力过快，模型参数调节出现紊乱

原因四：过拟合（现在模型基本不存在这种情况）：如果模型在训练数据上表现非常好，但在验证或测试数据上表现较差，可能是出现了过拟合。这通常是因为模型参数过多，而训练数据量相对较小，导致模型学习到了训练数据中的噪声或特定模式，而无法泛化到新的数据。如今现在目标检测模型都对这个情况做的很好，很少有这种情况发生。

原因五：场景不一样：验证集验证精度高，测试集不行，则有可能是与训练模型场景图片不一致导致测试map过低 针对以上原因，可以采取以下措施来提高MAP：

（1）优化模型结构：根据任务和数据集的特点选择合适的模型，并尝试使用不同的网络架构和构件来改进模型性能。

（2）增强数据预处理：对数据进行适当的预处理和增强，如数据归一化、缺失值填充、数据扩增等，以提高模型的泛化能力。

（3）调整损失函数：尝试使用不同的损失函数或组合多种损失函数来优化模型性能。

（4）优化训练策略：调整学习率、批次大小、训练轮数等超参数，以及使用学习率衰减、动量等优化算法来改善模型训练效果。

（5）使用预训练模型：利用在大规模数据集上预训练的模型进行迁移学习，可以加速模型收敛并提高性能。

（6）增加数据集数量

提供的文件

python源码

yolov26n.onnx模型（不提供pytorch模型）

训练的map,P,R曲线图(在weights\results.png)

测试图片（在test_img文件夹下面）

注意提供数据集在数据集地址.xlsx文件中