基于yolov26+pyqt5的药片胶囊计数系统python源码+pytorch模型+精美GUI界面

作品简介

 


基于yolov26+pyqt5的药片胶囊计数系统python源码+pytorch模型+精美GUI界面

【效果展示】


【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)：2017

标注数量(txt文件个数)：2017

训练集数量：1804

验证集数量：135

测试集数量：78

标注类别数：2

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):['jiaonang','yaopian']

每个类别标注的框数：

jiaonang 框数=15854

yaopian 框数=25381

总框数=41235

使用标注工具：labelImg

标注规则：对类别进行画矩形框

重要说明：数据集大约1100是原图剩余为旋转增强生成图片

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：


【测试环境】

windows10

anaconda3+python3.8

torch==2.3.1

ultralytics==8.4.31

【模型可以检测出2类别】

药片和胶囊

【训练信息】

参数值训练集图片数1804验证集图片数135训练map90.7%训练精度(Precision)85.9%训练召回率(Recall)85.7%

验证集评估精度信息：

name=map@50%

all=91

0（胶囊）=87

1（药片）=95

【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：

  1. 1. 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。
  1. 2. 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。
  1. 3. 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。
  1. 4. 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）。
  1. 5. 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）。
  1. 6. 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。
  1. 7. 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。

【使用步骤】

使用步骤：

（1）首先根据官方框架ultralytics安装教程安装好yolo26环境，并安装好pyqt5

（2）切换到自己安装的yolo26环境后，并切换到源码目录，执行python gui.py即可运行启动界面，进行相应的操作即可

【提供文件】

python源码

pytorch模型

训练的map,P,R曲线图(在weights\results.png)

测试图片若干张（在test_img文件夹下面）

注意提供训练的数据集

 

创作时间：