效果展示

登录界面

主界面

基于YOLO11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

onnxruntime 1.17.0

【模型可以检测出45类别】

[“i2”,“i2r”,“i4”,“i4l”,“i5”,“il60”,“il80”,“il100”,“ip”,“p3”,“p5”,“p6”,“p10”,“p11”,“p12”,“p13”,“p19”,“p23”,“p26”,“p27”,“pg”,“ph4”,“ph4.5”,“ph5”,“pl5”,“pl20”,“pl30”,“pl40”,“pl50”,“pl60”,“pl70”,“pl80”,“pl100”,“pl120”,“pm20”,“pm30”,“pm55”,“pn”,“pne”,“pr40”,“w13”,“w32”,“w55”,“w57”,“w59”]

【训练数据集介绍】

【训练数据集介绍】

数据集格式：YOLO格式(仅仅包含jpg图片以及对应的yolo格式txt文件，已划分好训练验证测试集)

图片数量(jpg文件个数)：9720

标注数量(xml文件个数)：9720

标注数量(txt文件个数)：9720

标注类别数：45

标注类别名称(注意yolo格式类别顺序不和这个对应，而以提供data.yaml类别顺序为准):["i2","i2r","i4","i4l","i5","il60","il80","il100","ip","p3","p5","p6","p10","p11","p12","p13","p19","p23","p26","p27","pg","ph4","ph4.5","ph5","pl5","pl20","pl30","pl40","pl50","pl60","pl70","pl80","pl100","pl120","pm20","pm30","pm55","pn","pne","pr40","w13","w32","w55","w57","w59"]

每个类别标注的框数：

i2 框数 = 471

i2r 框数 = 429

i4 框数 = 812

i4l 框数 = 335

i5 框数 = 1734

il60 框数 = 132

il80 框数 = 488

il100 框数 = 296

ip 框数 = 354

p3 框数 = 374

p5 框数 = 1580

p6 框数 = 189

p10 框数 = 379

p11 框数 = 128

p12 框数 = 296

p13 框数 = 839

p19 框数 = 134

p23 框数 = 173

p26 框数 = 421

p27 框数 = 116

pg 框数 = 157

ph4 框数 = 121

ph4.5 框数 = 186

ph5 框数 = 121

pl5 框数 = 670

pl20 框数 = 298

pl30 框数 = 164

pl40 框数 = 639

pl50 框数 = 1409

pl60 框数 = 537

pl70 框数 = 1071

pl80 框数 = 834

pl100 框数 = 148

pl120 框数 = 901

pm20 框数 = 156

pm30 框数 = 106

pm55 框数 = 139

pn 框数 = 3172

pne 框数 = 2383

pr40 框数 = 201

w13 框数 = 130

w32 框数 = 123

w55 框数 = 179

w57 框数 = 418

w59 框数 = 231

总框数：24174

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，数据集只提供准确且合理标注

图片预览：

【训练信息】

参数=值

训练集图片数=6793

验证集图片数=1931

训练map=64.3%

训练精度(Precision)=68.4%

训练召回率(Recall)=58.5%

Class

Images

Instances

P

R

mAP50

mAP50-95

all

1931

4797

0.684

0.585

0.643

0.459

i2

87

87

0.72

0.649

0.756

0.472

i2r

91

91

0.781

0.681

0.754

0.513

i4

154

164

0.833

0.67

0.788

0.493

i4l

73

74

0.82

0.676

0.774

0.537

i5

325

346

0.91

0.761

0.879

0.558

il60

69

91

0.819

0.894

0.919

0.7

il80

53

59

0.707

0.859

0.872

0.663

il100

28

28

0.831

0.703

0.88

0.664

ip

60

70

0.731

0.543

0.65

0.318

p3

30

30

0.82

0.6

0.697

0.522

p5

76

79

0.765

0.646

0.703

0.523

p6

23

23

0.563

0.392

0.513

0.447

p10

69

71

0.579

0.577

0.574

0.44

p11

313

315

0.749

0.622

0.713

0.459

p12

36

36

0.489

0.389

0.331

0.255

p13

52

82

0.664

0.598

0.634

0.379

p19

24

24

0.539

0.487

0.508

0.409

p23

60

61

0.734

0.574

0.668

0.493

p26

163

172

0.685

0.616

0.692

0.499

p27

29

29

0.425

0.379

0.368

0.282

pg

29

29

0.954

0.621

0.756

0.523

ph4

22

23

0.67

0.529

0.584

0.454

ph4.5

31

35

0.694

0.713

0.693

0.542

ph5

21

24

0.439

0.208

0.294

0.198

pl5

75

110

0.657

0.473

0.533

0.336

pl20

31

33

0.598

0.0904

0.202

0.138

pl30

122

124

0.606

0.5

0.55

0.413

pl40

277

286

0.69

0.476

0.611

0.421

pl50

209

210

0.579

0.471

0.527

0.377

pl60

170

174

0.526

0.575

0.564

0.441

pl70

28

28

0.696

0.573

0.597

0.478

pl80

158

165

0.713

0.661

0.713

0.52

pl100

76

131

0.813

0.797

0.883

0.689

pl120

47

59

0.679

0.79

0.781

0.607

pm20

26

26

0.629

0.538

0.66

0.498

pm30

17

17

0.251

0.412

0.252

0.217

pm55

31

32

0.662

0.675

0.72

0.583

pn

603

633

0.901

0.736

0.829

0.526

pne

429

471

0.92

0.779

0.876

0.537

pr40

37

37

0.82

0.892

0.945

0.785

w13

27

27

0.455

0.333

0.354

0.242

w32

23

23

0.678

0.261

0.349

0.175

w55

43

43

0.531

0.512

0.513

0.364

w57

77

82

0.648

0.718

0.737

0.514

w59

43

43

0.803

0.663

0.742

0.455

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

yolo11-django-deepseek-det-system/
├── manage.py                 # Django 管理脚本
├── yolo_detection/           # 项目配置目录
│   ├── __init__.py
│   ├── settings.py          # 项目设置
│   ├── urls.py               # 主 URL 配置
│   └── wsgi.py               # WSGI 配置
├── detection/                # 检测应用
│   ├── __init__.py
│   ├── apps.py               # 应用配置
│   ├── forms.py              # 表单定义
│   ├── models.py             # 数据模型
│   ├── urls.py               # 应用 URL 配置
│   └── views.py              # 视图函数
├── templates/                # 模板目录
├── test_img/                # 测试图片目录
│   ├── index.html            # 主页面
│   └── login.html            # 登录页面
├── static/                   # 静态文件目录
├── media/                    # 媒体文件目录
│   └── uploads/              # 上传文件目录
├── requirements.txt          # 依赖列表
├── weights/                # 模板目录
│   ├── yolov11n.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+
• YOLO11 (Ultralytics)
• OpenCV
• DeepSeek API
• Chart.js
• HTML5/CSS3/JavaScript

注意事项

• 确保 ​​yolov11n.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

yolo11n.onnx模型（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