基于YOLOv8的矿井内煤炭图像智能识别｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！
本项目实现了基于 YOLOv8 的煤炭图像智能检测系统，可对矿井现场拍摄的煤炭图像进行自动识别与分类。系统集成了 PyQt5 图形化界面，支持本地图片、文件夹批量、摄像头与视频流等多种检测方式。
✅ YOLOv8 完整训练代码（支持自定义数据训练）
✅ 标注完备的数据集（含 .yaml 配置）
✅ 训练后权重文件（.pt格式）
✅ 推理脚本（单张图像、视频、摄像头检测）
✅ PyQt5 图形界面（支持拖拽、目录浏览）
✅ 文档级别部署/训练教程（新手友好）
基本功能演示
项目摘要
本项目基于最新 YOLOv8 检测框架，构建了面向矿井场景的煤炭图像检测系统，支持端到端的模型训练、推理与图形界面部署。项目在实际运行中可识别煤块、杂质等不同种类目标，适合应用于煤炭分拣、矿区自动巡检等任务。
项目特色：
- ✨ 支持图片、视频、摄像头全输入类型
- 🧠 内置预训练权重，无需标注也可直接检测
- 💡 PyQt5 界面交互友好，适合生产级部署
- 🧰 附完整训练/部署教程，适配CPU/GPU平台
前言
随着矿井智能化水平的不断提升，传统依赖人工识别煤炭质量与类别的方式，已经难以满足当前对效率与安全性的双重要求。尤其在井下环境中，光照不足、粉尘干扰、视角偏差等问题，极大增加了图像识别的难度。
近年来，深度学习目标检测技术的快速发展为工业图像分析提供了强大助力。其中，YOLO（You Only Look Once）系列算法以其检测速度快、精度高、部署便捷等优势，成为各类工业场景的首选算法框架。尤其是最新的 YOLOv8，更是在模型结构与训练策略上进行了全面优化。
本项目旨在构建一个高效、可视化、开箱即用的煤炭图像检测系统，集成 YOLOv8 目标检测模型 与 PyQt5 图形化交互界面，不仅可以快速完成模型训练与推理，更支持图像、视频、摄像头等多种输入方式的实时检测。
无论你是刚入门的 AI 开发者，还是正在寻找部署落地方案的工程师，这个项目都能成为你迈入工业智能识别领域的重要起点。
一、软件核心功能介绍及效果演示
图像识别功能（支持拖拽与路径选择）
用户可直接通过 PyQt5 图形界面加载本地图像，系统将实时在界面中展示识别框与类别。
批量文件夹识别
自动遍历整个文件夹内的图片文件，逐张检测并输出标注结果及统计信息。
视频流与摄像头检测
支持本地视频文件以及 USB 摄像头实时检测，适合矿区监控场景部署。
检测结果可视化
在 PyQt5 界面中将检测框实时绘制于图像上，用户可点击保存或导出全部识别数据（支持 .txt / .json 格式）。
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）：
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 源码视频
演示视频：https://www.bilibili.com/video/BV1gN8RzYEoH/
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
本项目基于最新的 YOLOv8 检测框架，结合 PyQt5 可视化界面，实现了一个集成训练、推理与图形界面交互的矿井煤炭图像智能识别系统。其主要优势如下：
- 🚀 部署即用：提供训练权重与UI界面，新手也能快速上手；
- 🎯 识别准确：基于YOLOv8高性能目标检测，在复杂矿井图像中表现出色；
- 🖥️ 多输入支持：支持图像、视频、摄像头流等多种检测方式；
- 🧩 高度可拓展：支持自定义数据训练，适配多种工业应用场景。
在矿井智能化管理与煤炭自动分拣的应用中，智能图像识别系统正成为不可或缺的重要环节。本项目的开源实现，不仅降低了行业应用门槛，也为后续开发者在工业视觉方向提供了坚实的参考样例。
