基于YOLOv8的河道垃圾塑料瓶子识别项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！
源码包含：完整YOLOv8训练代码+数据集(带标注)+权重文件+直接可允许检测的yolo检测程序+直接部署教程/训练教程
基本功能演示
哔哩哔哩：https://www.bilibili.com/video/BV1unTXzNESm
项目摘要
本项目集成了 YOLOv8 垃圾检测模型 与 PyQt5 图形界面工具，实现了包括图片、文件夹、视频与摄像头等多种输入方式的 河道塑料瓶检测功能。配套完整源码与训练流程说明，让你开箱即用，快速部署属于你自己的环境检测系统，源码已打包上传。
源码打包在文末。
前言
🧠 关键词：YOLOv8、目标检测、PyQt5、河道垃圾识别、塑料瓶、部署实战、AI环保
本项目提供了一个完整的河道垃圾（塑料瓶）智能识别系统，基于先进的 YOLOv8 检测框架，结合 PyQt5 图形界面，支持图片、视频、摄像头多种输入方式，适合 AI 环保类课题开发、工程实践、毕设选题等场景。
✅ 包含内容：
- ✅ 完整 YOLOv8 训练与推理代码
- ✅ 已标注的数据集（2 万张图片，塑料瓶目标）
- ✅ 训练好的模型权重（.pt）
- ✅ 基于 PyQt5 的图形用户界面
- ✅ 支持摄像头实时识别
- ✅ 附带详细训练教程、部署手册
一、软件核心功能介绍及效果演示
| 功能名称 | 支持状态 | 说明 |
|---|---|---|
| 图片识别 | ✅ | 支持选择本地单张图片进行检测 |
| 批量检测 | ✅ | 支持选择整个文件夹自动批量检测 |
| 视频识别 | ✅ | 支持加载视频文件进行识别 |
| 摄像头实时识别 | ✅ | 支持 USB 摄像头实时检测并标注目标 |
| PyQt5 图形界面 | ✅ | 所有功能封装进可视化窗口 |
| 模型训练模块 | ✅ | 从头开始训练或微调支持 |
| 权重加载 | ✅ | 支持加载已训练 .pt 权重文件 |
二、软件效果演示
为了直观展示本系统基于 YOLOv8 模型的检测能力，我们设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。
（1）单图片检测演示
用户点击“选择图片”，即可加载本地图像并执行检测：
（2）多文件夹图片检测演示
用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。
（3）视频检测演示
支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：
（4）摄像头检测演示
实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。由于原理和视频检测相同，就不重复演示了。
（5）保存图片与视频检测结果
用户可通过按钮勾选是否保存检测结果，所有检测图像自动加框标注并保存至指定文件夹，支持后续数据分析与复审。
三、模型的训练、评估与推理
YOLOv8是Ultralytics公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如CIoU、TaskAlignedAssigner）与Anchor-Free策略，在COCO等数据集上表现优异。
其核心优势如下：
- 高速推理，适合实时检测任务
- 支持Anchor-Free检测
- 支持可扩展的Backbone和Neck结构
- 原生支持ONNX导出与部署
3.1 YOLOv8的基本原理
YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：
- 速度快：推理速度提升明显；
- 准确率高：支持 Anchor-Free 架构；
- 支持分类/检测/分割/姿态多任务；
- 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。
YOLOv8 由Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。
YOLOv8原理图如下：
3.2 数据集准备与训练
采用 YOLO 格式的数据集结构如下：
dataset/
├── images/
│ ├── train/
│ └── val/
├── labels/
│ ├── train/
│ └── val/
每张图像有对应的 .txt 文件，内容格式为：
4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757
分类包括（可自定义）：
nc: 1
names: ['bottle']
3.3. 训练结果评估
训练完成后，将在 runs/detect/train 目录生成结果文件，包括：
results.png：损失曲线和 mAP 曲线；weights/best.pt：最佳模型权重；confusion_matrix.png：混淆矩阵分析图。
若 mAP@0.5 达到 90% 以上，即可用于部署。
在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在runs/目录下，具体内容如下：
3.4检测结果识别
使用 PyTorch 推理接口加载模型：
import cv2
from ultralytics import YOLO
import torch
from torch.serialization import safe_globals
from ultralytics.nn.tasks import DetectionModel
# 加入可信模型结构
safe_globals().add(DetectionModel)
# 加载模型并推理
model = YOLO('runs/detect/train/weights/best.pt')
results = model('test.jpg', save=True, conf=0.25)
# 获取保存后的图像路径
# 默认保存到 runs/detect/predict/ 目录
save_path = results[0].save_dir / results[0].path.name
# 使用 OpenCV 加载并显示图像
img = cv2.imread(str(save_path))
cv2.imshow('Detection Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
预测结果包含类别、置信度、边框坐标等信息。
四.YOLOV8+YOLOUI完整源码打包
本文涉及到的完整全部程序文件：包括python源码、数据集、训练代码、UI文件、测试图片视频等（见下图），获取方式见【4.2 完整源码下载】：
4.1 项目开箱即用
作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。
运行项目只需输入下面命令。
python main.py
读者也可自行配置训练集，或使用打包好的数据集直接训练。
自行训练项目只需输入下面命令。
yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001
4.2 完整源码下载
计算机视觉YOLO项目源码：ComputerVisionProject
💾 Gitee项目地址：https://gitee.com/goodnsxxc/yolo-main
包含：
📦完整项目源码
📦 预训练模型权重
🗂️ 数据集地址（含标注脚本）
总结 ✅
本项目从实战角度出发，提供了一个基于 YOLOv8 的完整河道垃圾（塑料瓶）检测系统，涵盖了从数据标注、模型训练、结果评估到 PyQt5 可视化界面集成与多种输入形式（图片、视频、摄像头）支持的全流程。其特点在于：
- 🎯 一站式开箱即用：无需繁琐配置，运行
main.py即可开始检测； - 📊 提供完整训练教程和评估指标，方便定制优化；
- 🧠 结合 PyQt5 可视化，适合项目演示、课程实验和工程部署；
- 🌱 面向环保领域，响应智能化水体管理与可持续发展趋势。
无论你是学生、科研人员，还是工程开发者，该项目都可以作为一个优秀的**目标检测实战，助力你在 AI+环保领域落地更多创意应用！
