一、系统概述和展示🎄
1.1 摘要 🎈
骑行智能守护实时检测系统通过先进的图像处理和人工智能技术，实时检测电动车和车上人员头盔佩戴情况，促进安全出行，减少交通事故风险。本文基于YOLOv8算法框架，通过5448张真实道路场景的训练图片（其中4358张训练集，1090张验证集），训练出一个可用于检测电动车及车上人员头盔情况的有效模型。此外，为更好地展示算法效果，基于此模型开发了一款带GUI界面的基于YOLOv8的骑行智能守护实时检测系统，可用于实时检测电动车及车上人员头盔情况，以及时告警。该系统是基于Python和Pyside6开发，并支持以下功能特性：
- 系统背景和标题修改
- 模型权重导入和初始化
- 检测置信度和IOU调节
- 检测目标的信息展示
- 检测用时的统计展示
- 图片导入、检测、结果展示、导出和结束
- 视频导入、检测、结果展示、导出和结束
- 摄像头导入、检测、结果展示、导出和结束
初始化界面
检测结果界面
下面将对部分核心功能进行简单展示
1. 更换背景和标题演示
- 用户可通过点击更换背景，选择想要更换背景的图片，系统便会自动更换壁纸；
- 用户可通过点击更换标题，然后在文字输入栏中输入想要更换的标题，然后点击确定，即可更改系统标题。
2. 模型选择和初始化演示
- 用户可通过点击模型选择，选择想要加载的系统模型；然后点击权重初始化即可完成模型的准备工作。
3. 图片检测演示
- 用户可通过点击图片中的选择，选择想要加载的图片文件；然后点击检测，等待弹出图片检测完成的提示框，再点击展示即可将对应的目标框展示在原始图片上，完成展示后，用户可手动点击导出将图片保存到指定位置，最后点击结束关闭图片展示区域。
- 相关展示信息，如耗时、检测目标数量、位置信息等可在检测信息一栏查看。
4. 视频和摄像头检测演示
- 用户可通过点击图片中的选择，选择想要加载的图片文件；然后点击检测，等待弹出图片检测完成的提示框，再点击展示即可将对应的目标框展示在原始图片上，完成展示后，用户可手动点击导出将图片保存到指定位置，最后点击结束关闭图片展示区域。
- 相关展示信息，如耗时、检测目标数量、位置信息等可在检测信息一栏查看。
- 对于摄像头检测模块和视频检测模块原理类似。
- 注意：摄像头检测会自动调用电脑摄像头来进行检测任务。
二、一站式使用教程🎄
第一步：安装Anaconda Prompt、Pycharm（或者vscode)，参考：anaconda点击 pycharm点击
第二步：创建python环境
conda create -n YOLOv8_My python=3.8.1
第三步：激活环境
conda activate YOLOv8_My
第四步：安装ultralytics和pytorch
pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu116 -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install ultralytics==8.1.3 -i https://pypi.tuna.tsinghua.edu.cn/simple
第五步：安装图形化界面库
pip install pyside6==6.6.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
第六步：打开系统界面
python base_camera.py
注意：此环境可同时满足YOLOv8的训练以及系统的运行
三、YOLOv8原理剖析🎄
3.1 YOLOv8背景和技术原理🎈
权重链接： 点击
项目地址： 点击
论文地址：（目前还在火速撰写中）
YOLOv8诞生背景
YOLOv8是Ultralytics团队基于先前成功的YOLO系列模型推出的最新版本，适用于目标检测、分割、分类任务，以及处理大规模数据集的学习。这个模型不仅能够在多种硬件设备上运行，包括CPU和GPU，而且设计上追求快速、准确且用户友好。YOLOv8引入了一系列创新，包括新的骨干网络、无锚点（Ancher-Free）检测头和损失函数，旨在提升性能和灵活性。此外，该模型支持与早期YOLO版本的兼容，便于用户根据需求切换和比较不同版本。YOLOv8提供了五个不同规模的预训练模型，从n到x，每个模型在参数数量和精度之间取得了不同的平衡，其中较大的模型l和x在减少参数的同时显著提升了精度✅
YOLOv8技术特点
YOLOv5架构特点：
- Backbone：YOLOv5使用CSPDarknet作为主干网络，它是一种轻量级的Darknet架构，具有更高的速度和更好的性能。
- PAN/FPN：YOLOv5使用PAN（Path Aggregation Network）来融合不同尺度的特征图，以提高检测性能。
- Head：YOLOv5的检测头部由多个卷积层组成，用于预测目标的边界框和类别。
- 样本分配策略：YOLOv5使用IoU阈值来分配正负样本，以平衡正负样本的数量。
- Loss：包含分类损失（BCEWithLogitsLoss）、定位损失（BCEWithLogitsLoss）、置信度损失（GIOU）。
YOLOv8架构特点：
- Backbone：
- 相同：CSP的思想(/梯度分流);并且使用SPPF模块
- 不同：将C3模块替换为C2f模块
- PAN/FPN：
- 相同：PAN的思想
- 不同：删除了YOLOv5中PAN-FPN上采样的CBS 1*1,将C3模块替换为C2f模块
- Head：Decoupled head + Anchor-free
- 样本分配策略：采用了TAL(Task Alignment Learning)动态匹配
- Loss：
- 相同：分类损失依然采用 BCE Los
- 不同：1）舍去物体的置信度损失；2）回归分支loss: CIOU loss+Distribution Focal Loss
两者推理过程的区别：在推理过程中，YOLOv5和YOLOv8的主要差异在于coupled head和decoupled head的使用。coupled head是YOLOv5中的一种推理方式，它将Distribution Focal Loss中的积分表示bbox形式进行解码，变成常规的4维度bbox，然后进行后续计算。而decoupled head是YOLOv8中的一种推理方式，它直接使用Distribution Focal Loss中的积分表示bbox形式进行计算，不需要解码过程。
总结起来，YOLOv5和YOLOv8在架构和推理过程上有一些差异，包括主干网络、特征融合、检测头部、正负样本分配策略和损失函数等方面的差异。其中，在推理过程中，YOLOv5使用coupled head进行bbox解码，而YOLOv8使用decoupled head直接计算积分表示bbox。
四、模型训练、评估和推理🎄
4.1 数据集介绍🎈
本文使用的是电动车佩戴头盔检测（TWHD）数据集，按照电动车与驾乘人员整体、未戴头盔的人头、戴头盔的人头进行定位与分类标注并转换成YOLO格式，并对此数据集进行了划分，可直接用于训练。此数据集共包含5448张图片，类别包括 **[电动车, 佩戴头盔，未佩戴头盔]**三类，本文实验使用的训练集4358张，验证集1090张。部分数据集及标注可视化信息如下：
图片数据集的存放格式如下，在项目目录中新建datasets目录，同时将YOLO格式数据集images和labels放入指定目录下，然后修改”yolov8\my_file\object_detection\dataset_cfg”下的data.yaml文件中的path路径指向datasets文件夹（绝对路径）。
datasets:
- images
- train（此文件夹全是图片）
- val（此文件夹全是图片）
- labels
- train（此文件夹全是txt文件）
- val（此文件夹全是txt文件）
4.2 模型训练🎈
数据准备完成后，通过调用detection_train.py文件进行模型训练，data参数用于加载数据集的配置文件，epochs参数用于调整训练的轮数，workers参数用于调整系统的并发能力，batch参数用于调整训练的批次大小【根据内存大小调整，最小为1】，代码如下：
import os
from ultralytics import YOLO
current_path = os.path.dirname(os.path.realpath(__file__))
root_path = os.path.abspath(os.path.join(current_path, "../..")) + "/"
# Load a mode
model = YOLO(root_path + 'ultralytics/cfg/models/v8/yolov8s.yaml').load(
root_path + 'weights/det/yolov8s.pt')
if __name__ == '__main__':
results = model.train(data=root_path + 'my_file/object_detection/dataset_cfg/data.yaml', epochs=100, imgsz=416, batch=32, workers=16, lr0=0.01, amp=False, project=root_path+"runs/det")
4.3 结果评估🎈
在深度学习中，我们通常用损失函数下降的曲线来观察模型训练的情况，避免过拟合和欠拟合现象。YOLOv8训练过程及结果文件保存在runs/det/目录下，我们可以在训练结束后进行查看，结果如下所示：
本文训练结果如下
4.4 模型推理🎈
模型训练结束后，我们可在runs/det/目录下可以得到一个最新且最佳的训练结果模型best.pt文件，在runs/det/train/weights目录下。我们可使用该文件进行后续的推理检测。
模型推理代码如下
import os
from ultralytics import YOLO
current_path = os.path.dirname(os.path.realpath(__file__))
root_path = os.path.abspath(os.path.join(current_path, "../.."))+"/"
model = YOLO(root_path + 'runs/det/train/weights/best.pt') # load a custom trained# Export the model
if __name__ == '__main__':
model.predict(root_path + 'ultralytics/assets/test1.jpg', save=True, imgsz=416, conf=0.5)
图片推理结果如下
五、项目完整目录及获取方式介绍🎄
5.1 项目完整目录🎈
本文涉及到的完整的程序文件：包括环境配置文档说明（训练和系统环境都适用）、模型训练源码、数据集、系统完整代码、系统UI文件、测试图片视频等，获取方式见文末。
模型训练代码如下
系统完整代码如下
5.2 项目获取方式🎈
获取链接：见哔哩哔哩视频置顶评论 点击
5.3 作者介绍🎈
哈喽大家好， AI应用视界工作室致力于深入探索人工智能算法与应用开发的交互，涵盖目标分类、检测、分割、跟踪、人脸识别等关键领域，以及系统架构的创新设计与实现。我们的目标是为广大人工智能研究者提供一个丰富、权威的参考资源，同时也期待与您共同交流，推动人工智能技术的进步。如有相关算法交流学习和技术需求，请关注下方公众号（或者搜索 AI应用视界）可与我们取得联系。
微信公众号搜索方式：1.AI应用视界；2.可根据CSDN下方名片进行搜索
