)
视频演示
基于深度学习的花朵识别系统
目录
视频演示
1. 前言
2. 项目演示
2.1 用户登录界面
2.2 新用户注册
2.3 主界面布局
2.4 个人信息管理
2.5 多模态检测展示
2.6 检测结果保存
2.7 多模型切换
3.模型训练核心代码
4. 技术栈
5. YOLO模型对比与识别效果解析
5.1 YOLOv5/YOLOv8/YOLOv11/YOLOv12模型对比
5.2 数据集分析
5.3 训练结果
6. 源码获取方式
1. 前言
大家好，欢迎来到 Coding 茶水间！
今天我们带来的分享主题是《基于 YOLO 算法的花朵识别系统》。在进入具体演示前，先简单介绍一下现状与我们团队的定位——这是我们已经完成并可交付使用的成品项目，涵盖从算法研发到可视化系统的全流程落地。如果有定制化开发需求的伙伴，也可以通过私信与我们沟通合作。我们的核心技术覆盖计算机视觉 全链条，支持Python 与 MATLAB 双语言开发，业务方向包括目标检测、图像分类与识别、图像分割与增强，以及深度学习算法的复现与优化。
本系统可识别103 种常见花卉，从山茶花、美人蕉、风铃草，到牵牛、矮牵牛、一品红等，覆盖广泛。系统界面采用三区布局，功能按钮、参数调节、实时展示与数据统计一应俱全，并支持单图、批量图片、视频及摄像头实时流 检测，同时提供模型切换、置信度与 IOU 调节、语音播报、结果保存与导出 等完整功能。此外，还包含用户登录管理、脚本化无界面检测、以及完整的模型训练流程，并配套训练集与验证集（共计 5400+ 张图像），支持多模型（YOLOv8、YOLO12 等）训练与评估。
接下来，我们将带大家完整走一遍系统的功能演示，从界面操作到后台训练，帮助大家快速了解这一套可实际落地的花卉识别解决方案。
2. 项目演示
2.1用户登录界面
登录界面布局简洁清晰，左侧展示系统主题，用户需输入用户名、密码及验证码完成身份验证后登录系统。
2.2新用户注册
注册时可自定义用户名与密码，支持上传个人头像；如未上传，系统将自动使用默认头像完成账号创建。
2.3主界面布局
主界面采用三栏结构，左侧为功能操作区，中间用于展示检测画面，右侧呈现目标详细信息，布局合理，交互流畅。
2.4个人信息管理
用户可在此模块中修改密码或更换头像，个人信息支持随时更新与保存。
2.5多模态检测展示
系统支持图片、视频及摄像头实时画面的目标检测。识别结果将在画面中标注显示，并且带有语音播报提醒，并在下方列表中逐项列出。点击具体目标可查看其类别、置信度及位置坐标等详细信息。
2.6 检测结果保存
可以将检测后的图片、视频进行保存，生成新的图片和视频，新生成的图片和视频中会带有检测结果的标注信息，并且还可以将所有检测结果的数据信息保存到excel中进行，方便查看检测结果。
2.7多模型切换
系统内置多种已训练模型，用户可根据实际需求灵活切换，以适应不同检测场景或对比识别效果。
3.模型训练核心代码
本脚本是YOLO模型批量训练工具，可自动修正数据集路径为绝对路径，从pretrained文件夹加载预训练模型，按设定参数（100轮/640尺寸/批次8）一键批量训练YOLOv5nu/v8n/v11n/v12n模型。
# -*- coding: utf-8 -*- """ 该脚本用于执行YOLO模型的训练。 它会自动处理以下任务： 1. 动态修改数据集配置文件 (data.yaml)，将相对路径更新为绝对路径，以确保训练时能正确找到数据。 2. 从 'pretrained' 文件夹加载指定的预训练模型。 3. 使用预设的参数（如epochs, imgsz, batch）启动训练过程。 要开始训练，只需直接运行此脚本。 """ import os import yaml from pathlib import Path from ultralytics import YOLO def main(): """ 主训练函数。 该函数负责执行YOLO模型的训练流程，包括： 1. 配置预训练模型。 2. 动态修改数据集的YAML配置文件，确保路径为绝对路径。 3. 加载预训练模型。 4. 使用指定参数开始训练。 """ # --- 1. 配置模型和路径 --- # 要训练的模型列表 models_to_train = [ {'name': 'yolov5nu.pt', 'train_name': 'train_yolov5nu'}, {'name': 'yolov8n.pt', 'train_name': 'train_yolov8n'}, {'name': 'yolo11n.pt', 'train_name': 'train_yolo11n'}, {'name': 'yolo12n.pt', 'train_name': 'train_yolo12n'} ] # 获取当前工作目录的绝对路径，以避免相对路径带来的问题 current_dir = os.path.abspath(os.getcwd()) # --- 2. 动态配置数据集YAML文件 --- # 构建数据集yaml文件的绝对路径 data_yaml_path = os.path.join(current_dir, 'train_data', 'data.yaml') # 读取原始yaml文件内容 with open(data_yaml_path, 'r', encoding='utf-8') as f: data_config = yaml.safe_load(f) # 将yaml文件中的 'path' 字段修改为数据集目录的绝对路径 # 这是为了确保ultralytics库能正确定位到训练、验证和测试集 data_config['path'] = os.path.join(current_dir, 'train_data') # 将修改后的配置写回yaml文件 with open(data_yaml_path, 'w', encoding='utf-8') as f: yaml.dump(data_config, f, default_flow_style=False, allow_unicode=True) # --- 3. 循环训练每个模型 --- for model_info in models_to_train: model_name = model_info['name'] train_name = model_info['train_name'] print(f"\n{'='*60}") print(f"开始训练模型: {model_name}") print(f"训练名称: {train_name}") print(f"{'='*60}") # 构建预训练模型的完整路径 pretrained_model_path = os.path.join(current_dir, 'pretrained', model_name) if not os.path.exists(pretrained_model_path): print(f"警告: 预训练模型文件不存在: {pretrained_model_path}") print(f"跳过模型 {model_name} 的训练") continue try: # 加载指定的预训练模型 model = YOLO(pretrained_model_path) # --- 4. 开始训练 --- print(f"开始训练 {model_name}...") # 调用train方法开始训练 model.train( data=data_yaml_path, # 数据集配置文件 epochs=100, # 训练轮次 imgsz=640, # 输入图像尺寸 batch=8, # 每批次的图像数量 name=train_name, # 模型名称 ) print(f"{model_name} 训练完成！") except Exception as e: print(f"训练 {model_name} 时出现错误: {str(e)}") print(f"跳过模型 {model_name}，继续训练下一个模型") continue print(f"\n{'='*60}") print("所有模型训练完成！") print(f"{'='*60}") if __name__ == "__main__": # 当该脚本被直接执行时，调用main函数 main()4. 技术栈
语言：Python 3.10
前端界面：PyQt5
数据库：SQLite（存储用户信息）
模型：YOLOv5、YOLOv8、YOLOv11、YOLOv12
5. YOLO模型对比与识别效果解析
5.1 YOLOv5/YOLOv8/YOLOv11/YOLOv12模型对比
基于Ultralytics官方COCO数据集训练结果：
模型 | 尺寸(像素) | mAPval 50-95 | 速度(CPU ONNX/毫秒) | 参数(M) | FLOPs(B) |
|---|---|---|---|---|---|
YOLO12n | 640 | 40.6 | - | 2.6 | 6.5 |
YOLO11n | 640 | 39.5 | 56.1 ± 0.8 | 2.6 | 6.5 |
YOLOv8n | 640 | 37.3 | 80.4 | 3.2 | 8.7 |
YOLOv5nu | 640 | 34.3 | 73.6 | 2.6 | 7.7 |
关键结论：
精度最高：YOLO12n（mAP 40.6%），显著领先其他模型（较YOLOv5nu高约6.3个百分点）；
速度最优：YOLO11n（CPU推理56.1ms），比YOLOv8n快42%，适合实时轻量部署；
效率均衡：YOLO12n/YOLO11n/YOLOv8n/YOLOv5nu参数量均为2.6M，FLOPs较低（YOLO12n/11n仅6.5B）；YOLOv8n参数量（3.2M）与计算量（8.7B）最高，但精度优势不明显。
综合推荐：
追求高精度：优先选YOLO12n（精度与效率兼顾）；
需高速低耗：选YOLO11n（速度最快且精度接近YOLO12n）；
YOLOv5nu/YOLOv8n因性能劣势，无特殊需求时不建议首选。
5.2 数据集分析
数据集中训练集和验证集一共5400+张图片，数据集目标类别103种，数据集配置代码如下：
train: ../train/images val: ../valid/images nc: 103 names: ['flowers', 'alpine_sea_holly', 'anthurium', 'artichoke', 'azalea', 'ball_moss', 'balloon_flower', 'barbeton_daisy', 'bearded_iris', 'bee_balm', 'bird_of_paradise', 'bishop_of_llandaff', 'black_eyed_susan', 'blackberry_lily', 'blanket_flower', 'bolero_deep_blue', 'bougainvillea', 'bromelia', 'buttercup', 'californian_poppy', 'camellia', 'canna_lily', 'canterbury_bells', 'cape_flower', 'carnation', 'cautleya_spicata', 'clematis', 'colts_foot', 'columbine', 'common_dandelion', 'corn_poppy', 'cyclamen', 'daffodil', 'desert-rose', 'english_marigold', 'fire_lily', 'foxglove', 'frangipani', 'fritillary', 'garden_phlox', 'gaura', 'gazania', 'geranium', 'giant_white_arum_lily', 'globe_flower', 'globe_thistle', 'grape_hyacinth', 'great_masterwort', 'hard-leaved_pocket_orchid', 'hibiscus', 'hippeastrum', 'japanese_anemone', 'king_protea', 'lenten_rose', 'lotus', 'love_in_the_mist', 'magnolia', 'mallow', 'marigold', 'mexican_aster', 'mexican_petunia', 'monkshood', 'moon_orchid', 'morning_glory', 'orange_dahlia', 'osteospermum', 'oxeye_daisy', 'passion_flower', 'pelargonium', 'peruvian_lily', 'petunia', 'pincushion_flower', 'pink-yellow_dahlia', 'pink_primrose', 'poinsettia', 'primula', 'prince_of_wales_feathers', 'purple_coneflower', 'red_ginger', 'rose', 'ruby-lipped_cattleya', 'siam_tulip', 'silverbush', 'snapdragon', 'spear_thistle', 'spring_crocus', 'stemless_gentian', 'sunflower', 'sweet_pea', 'sweet_william', 'sword_lily', 'thorn_apple', 'tiger_lily', 'toad_lily', 'tree_mallow', 'tree_poppy', 'trumpet_creeper', 'wallflower', 'water_lily', 'watercress', 'wild_pansy', 'windflower', 'yellow_iris']上面的图片就是部分样本集训练中经过数据增强后的效果标注。
5.3 训练结果
混淆矩阵显示中识别精准度显示是一条对角线，方块颜色越深代表对应的类别识别的精准度越高。
F1指数（F1 Score）是统计学和机器学习中用于评估分类模型性能的核心指标，综合了模型的精确率（Precision）和召回率（Recall），通过调和平均数平衡两者的表现。
当置信度为0.560时，所有类别的综合F1值达到了0.89（蓝色曲线）。
mAP@0.5：是目标检测任务中常用的评估指标，表示在交并比（IoU）阈值为0.5时计算的平均精度均值（mAP）。其核心含义是：只有当预测框与真实框的重叠面积（IoU）≥50%时，才认为检测结果正确。
图中可以看到综合mAP@0.5达到了0.923（92.3%），准确率非常高。
6. 源码获取方式
源码获取方式：https://www.bilibili.com/video/BV1tAreBCEY1
