一、项目介绍
本项目旨在开发一个基于前沿目标检测模型YOLOv12的固体废物自动识别系统。系统专注于对两种最常见的可回收物——瓶类（Bottle）和罐类（Cans）进行高精度、实时的检测与定位。通过对包含近8000张图像的数据集进行模型训练与优化，该模型能够有效学习瓶罐类废物的视觉特征，为后续的自动化垃圾分类、回收流程提供核心的视觉感知能力，是推动智慧环保和城市垃圾智能化管理的关键技术实践。
目录
一、项目介绍
二、项目功能展示
2.1 用户登录系统
2.2 检测功能
2.3 检测结果显示
2.4 参数配置
2.5 其他功能
3. 技术特点
4. 系统流程
三、数据集介绍
数据集配置文件
四、项目环境配置
创建虚拟环境
安装所需要库
五、模型训练
训练代码
训练结果
六、核心代码
🔐登录注册验证
🎯 多重检测模式
🖼️ 沉浸式可视化
⚙️ 参数配置系统
✨ UI美学设计
🔄 智能工作流
七、项目源码(视频简介)
基于深度学习YOLOv12的固体垃圾废物识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习YOLOv12的固体垃圾废物识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）
二、项目功能展示
✅ 用户登录注册：支持密码检测和安全性验证。
✅ 三种检测模式：基于YOLOv12模型，支持图片、视频和实时摄像头三种检测，精准识别目标。
✅ 双画面对比：同屏显示原始画面与检测结果。
✅ 数据可视化：实时表格展示检测目标的类别、置信度及坐标。
✅智能参数调节：提供置信度滑块，动态优化检测精度，适应不同场景需求。
✅科幻风交互界面：深色主题搭配动态光效，减少视觉疲劳，提升操作体验。
✅多线程高性能架构：独立检测线程保障流畅运行，实时状态提示，响应迅速无卡顿。
2.1 用户登录系统
提供用户登录和注册功能
用户名和密码验证
账户信息本地存储(accounts.json)
密码长度至少6位的安全要求
2.2 检测功能
图片检测：支持JPG/JPEG/PNG/BMP格式图片的火焰烟雾检测
视频检测：支持MP4/AVI/MOV格式视频的逐帧检测
摄像头检测：实时摄像头流检测(默认摄像头0)
检测结果保存到"results"目录
2.3 检测结果显示
显示原始图像和检测结果图像
检测结果表格展示，包含：
检测到的类别
置信度分数
物体位置坐标(x,y)、
2.4 参数配置
模型选择
置信度阈值调节(0-1.0)
IoU(交并比)阈值调节(0-1.0)
实时同步滑块和数值输入框
2.5 其他功能
检测结果保存功能
视频检测时自动保存结果视频
状态栏显示系统状态和最后更新时间
无边框窗口设计，可拖动和调整大小
3. 技术特点
采用多线程处理检测任务，避免界面卡顿
精美的UI设计，具有科技感的视觉效果：
发光边框和按钮
悬停和按下状态效果
自定义滑块、表格和下拉框样式
检测结果保存机制
响应式布局，适应不同窗口大小
4. 系统流程
用户登录/注册
选择检测模式(图片/视频/摄像头)
调整检测参数(可选)
开始检测并查看结果
可选择保存检测结果
停止检测或切换其他模式
三、数据集介绍
本系统的性能基础是一个高质量、精心标注的专用数据集。该数据集针对瓶类和罐类废物进行了大规模收集和标注，确保了模型的泛化能力和鲁棒性。
1. 数据集概览：
类别定义（nc: 2）：数据集中共包含2个目标类别。
'Bottle': 泛指各种材质的瓶形容器，如塑料瓶、玻璃瓶等。'Cans': 泛指金属材质的罐形容器，如易拉罐、金属罐头盒等。
数据总量：数据集图像总数共计7,967 张。
数据划分：为遵循机器学习最佳实践，确保模型评估的客观性，数据集被划分为三个独立部分：
训练集（Training Set）：5,553 张图像，用于模型训练，让模型学习识别瓶和罐的特征。
验证集（Validation Set）：1,474 张图像，用于在训练过程中调整超参数和监控模型性能，防止过拟合。
测试集（Test Set）：940 张图像，用于在模型训练完成后进行最终、客观的性能评估，以衡量其真实的泛化能力。
数据集配置文件
数据集采用标准化YOLO格式组织：
train: F:\固体废物识别检测数据集\train\images val: F:\固体废物识别检测数据集\valid\images test: F:\固体废物识别检测数据集\test\images nc:2names: ['Bottle','Cans']
四、项目环境配置
创建虚拟环境
首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。
终端输入
conda create -n yolov12 python==3.9
激活虚拟环境
conda activate yolov12
安装cpu版本pytorch
pip install torch torchvision torchaudio
安装所需要库
pip install -r requirements.txt
pycharm中配置anaconda
五、模型训练
训练代码
fromultralyticsimportYOLO model_path ='yolo12s.pt'data_path ='data.yaml'if__name__ =='__main__': model = YOLO(model_path) results = model.train(data=data_path, epochs=100, batch=8, device='0', workers=0, project='runs', name='exp', )根据实际情况更换模型 # yolov12n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。 # yolov12s.yaml (small)：小模型，适合实时任务。 # yolov12m.yaml (medium)：中等大小模型，兼顾速度和精度。 # yolov12b.yaml (base)：基本版模型，适合大部分应用场景。 # yolov12l.yaml (large)：大型模型，适合对精度要求高的任务。
--batch 8：每批次8张图像。--epochs 100：训练100轮。--datasets/data.yaml：数据集配置文件。--weights yolov12s.pt：初始化模型权重，yolov12s.pt是预训练的轻量级YOLO模型。
训练结果
六、核心代码
importsysimportcv2importnumpyasnpfromPyQt5.QtWidgetsimportQApplication, QMessageBox, QFileDialogfromPyQt5.QtCoreimportQThread, pyqtSignalfromultralyticsimportYOLOfromUiMainimportUiMainWindowimporttimeimportosfromPyQt5.QtWidgetsimportQDialogfromLoginWindowimportLoginWindowclassDetectionThread(QThread): frame_received = pyqtSignal(np.ndarray, np.ndarray,list)# 原始帧, 检测帧, 检测结果finished_signal = pyqtSignal()# 线程完成信号def__init__(self, model, source, conf, iou, parent=None):super().__init__(parent) self.model = model self.source = source self.conf = conf self.iou = iou self.running =Truedefrun(self):try:ifisinstance(self.source,int)orself.source.endswith(('.mp4','.avi','.mov')):# 视频或摄像头cap = cv2.VideoCapture(self.source)whileself.runningandcap.isOpened(): ret, frame = cap.read()ifnotret:break# 保存原始帧original_frame = frame.copy()# 检测results = self.model(frame, conf=self.conf, iou=self.iou) annotated_frame = results[0].plot()# 提取检测结果detections = []forresultinresults:forboxinresult.boxes: class_id =int(box.cls) class_name = self.model.names[class_id] confidence =float(box.conf) x, y, w, h = box.xywh[0].tolist() detections.append((class_name, confidence, x, y))# 发送信号self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections )# 控制帧率time.sleep(0.03)# 约30fpscap.release()else:# 图片frame = cv2.imread(self.source)ifframeisnotNone: original_frame = frame.copy() results = self.model(frame, conf=self.conf, iou=self.iou) annotated_frame = results[0].plot()# 提取检测结果detections = []forresultinresults:forboxinresult.boxes: class_id =int(box.cls) class_name = self.model.names[class_id] confidence =float(box.conf) x, y, w, h = box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections )exceptExceptionase:print(f"Detection error:{e}")finally: self.finished_signal.emit()defstop(self): self.running =FalseclassMainWindow(UiMainWindow):def__init__(self):super().__init__()# 初始化模型self.model =Noneself.detection_thread =Noneself.current_image =Noneself.current_result =Noneself.video_writer =Noneself.is_camera_running =Falseself.is_video_running =Falseself.last_detection_result =None# 新增：保存最后一次检测结果# 连接按钮信号self.image_btn.clicked.connect(self.detect_image) self.video_btn.clicked.connect(self.detect_video) self.camera_btn.clicked.connect(self.detect_camera) self.stop_btn.clicked.connect(self.stop_detection) self.save_btn.clicked.connect(self.save_result)# 初始化模型self.load_model()defload_model(self):try: model_name = self.model_combo.currentText() self.model = YOLO(f"{model_name}.pt")# 自动下载或加载本地模型self.update_status(f"模型{model_name}加载成功")exceptExceptionase: QMessageBox.critical(self,"错误",f"模型加载失败:{str(e)}") self.update_status("模型加载失败")defdetect_image(self):ifself.detection_threadandself.detection_thread.isRunning(): QMessageBox.warning(self,"警告","请先停止当前检测任务")returnfile_path, _ = QFileDialog.getOpenFileName( self,"选择图片","","图片文件 (*.jpg *.jpeg *.png *.bmp)")iffile_path: self.clear_results() self.current_image = cv2.imread(file_path) self.current_image = cv2.cvtColor(self.current_image, cv2.COLOR_BGR2RGB) self.display_image(self.original_image_label, self.current_image)# 创建检测线程conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f"正在检测图片:{os.path.basename(file_path)}")defdetect_video(self):ifself.detection_threadandself.detection_thread.isRunning(): QMessageBox.warning(self,"警告","请先停止当前检测任务")returnfile_path, _ = QFileDialog.getOpenFileName( self,"选择视频","","视频文件 (*.mp4 *.avi *.mov)")iffile_path: self.clear_results() self.is_video_running =True# 初始化视频写入器cap = cv2.VideoCapture(file_path) frame_width =int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) frame_height =int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) fps = cap.get(cv2.CAP_PROP_FPS) cap.release()# 创建保存路径save_dir ="results"os.makedirs(save_dir, exist_ok=True) timestamp = time.strftime("%Y%m%d_%H%M%S") save_path = os.path.join(save_dir,f"result_{timestamp}.mp4") fourcc = cv2.VideoWriter_fourcc(*'mp4v') self.video_writer = cv2.VideoWriter(save_path, fourcc, fps, (frame_width, frame_height))# 创建检测线程conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f"正在检测视频:{os.path.basename(file_path)}")defdetect_camera(self):ifself.detection_threadandself.detection_thread.isRunning(): QMessageBox.warning(self,"警告","请先停止当前检测任务")returnself.clear_results() self.is_camera_running =True# 创建检测线程 (默认使用摄像头0)conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model,0, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status("正在从摄像头检测...")🔐登录注册验证
对应文件：LoginWindow.py
# 账户验证核心逻辑defhandle_login(self): username = self.username_input.text().strip() password = self.password_input.text().strip()ifnotusernameornotpassword: QMessageBox.warning(self,"警告","用户名和密码不能为空！")returnifusernameinself.accountsandself.accounts[username] == password: self.accept()# 验证通过else: QMessageBox.warning(self,"错误","用户名或密码错误！")# 密码强度检查（注册时）defhandle_register(self):iflen(password) <6:# 密码长度≥6位QMessageBox.warning(self,"警告","密码长度至少为6位！")🎯多重检测模式
对应文件：main.py
图片检测
defdetect_image(self): file_path, _ = QFileDialog.getOpenFileName( self,"选择图片","","图片文件 (*.jpg *.jpeg *.png *.bmp)")iffile_path: self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.start()# 启动检测线程视频检测
defdetect_video(self): file_path, _ = QFileDialog.getOpenFileName( self,"选择视频","","视频文件 (*.mp4 *.avi *.mov)")iffile_path: self.video_writer = cv2.VideoWriter()# 初始化视频写入器self.detection_thread = DetectionThread(self.model, file_path, conf, iou)实时摄像头
defdetect_camera(self): self.detection_thread = DetectionThread(self.model,0, conf, iou)# 摄像头设备号0self.detection_thread.start()🖼️沉浸式可视化
对应文件：UiMain.py
双画面显示
defdisplay_image(self, label, image): q_img = QImage(image.data, w, h, bytes_per_line, QImage.Format_RGB888) pixmap = QPixmap.fromImage(q_img) label.setPixmap(pixmap.scaled(label.size(), Qt.KeepAspectRatio))# 自适应缩放结果表格
defadd_detection_result(self, class_name, confidence, x, y): self.results_table.insertRow(row) items = [ QTableWidgetItem(class_name),# 类别列QTableWidgetItem(f"{confidence:.2f}"),# 置信度QTableWidgetItem(f"{x:.1f}"),# X坐标QTableWidgetItem(f"{y:.1f}")# Y坐标]⚙️参数配置系统
对应文件：UiMain.py
双阈值联动控制
# 置信度阈值同步defupdate_confidence(self, value): confidence = value /100.0self.confidence_spinbox.setValue(confidence)# 滑块→数值框self.confidence_label.setText(f"置信度阈值:{confidence:.2f}")# IoU阈值同步defupdate_iou(self, value): iou = value /100.0self.iou_spinbox.setValue(iou)✨UI美学设计
对应文件：UiMain.py
科幻风格按钮
defcreate_button(self, text, color):returnf""" QPushButton {{ border: 1px solid{color}; color:{color}; border-radius: 6px; }} QPushButton:hover {{ background-color:{self.lighten_color(color,10)}; box-shadow: 0 0 10px{color}; # 悬停发光效果 }} """动态状态栏
defupdate_status(self, message): self.status_bar.showMessage(f"状态:{message}| 最后更新:{time.strftime('%H:%M:%S')}"# 实时时间戳)🔄智能工作流
对应文件：main.py
线程管理
classDetectionThread(QThread): frame_received = pyqtSignal(np.ndarray, np.ndarray,list)# 信号量通信defrun(self):whileself.running:# 多线程检测循环results = self.model(frame, conf=self.conf, iou=self.iou) self.frame_received.emit(original_frame, result_frame, detections)七、项目源码(视频简介)
演示与介绍视频：
基于深度学习YOLOv12的固体垃圾废物识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习YOLOv12的固体垃圾废物识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）
