面向海洋保护的YOLOv8水下垃圾分类检测系统｜含训练与部署代码

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

项目摘要

本项目融合了 YOLOv8 强大目标检测能力 与 PyQt5 图形用户界面，不仅支持完整训练流程，还支持用户一键使用图形化界面部署水下垃圾识别系统，适用于科研、教育、产业等多种场景。

🎯 技术关键词：

• YOLOv8 检测模型（Ultralytics）
• PyQt5 图形界面封装
• 多线程实时检测
• 自定义水下数据集训练

前言

近年来，海洋垃圾污染问题日益严重，尤其是塑料制品、渔具等水下垃圾对海洋生态系统造成了极大威胁。为此，我们设计并实现了一个基于 YOLOv8 的水下垃圾检测与分类系统，助力海洋保护与水下智能识别技术的落地。

系统可对水下拍摄图像或视频中的目标进行实时检测、识别并分类，为水下机器人清洁与海洋环保科研提供基础数据。

一、软件核心功能介绍及效果演示

本系统以 Ultralytics 的 YOLOv8 为核心，集成图形化操作界面（PyQt5），支持用户通过可视化方式进行水下垃圾目标检测，兼顾高精度与易用性，适用于教学演示、科研实验、实地部署等多场景。

1️⃣ 多种输入方式支持

2️⃣ 支持12类海洋垃圾智能分类

通过对训练数据的优化与模型调参，系统可稳定识别以下 12 类水下垃圾：

bash复制编辑['有机物', '布料', '渔具', '金属', '纸张A', '纸张B', 
 '塑料', 'ROV设备', '橡胶', '时间信息', '未知类别', '木材']

识别示例图如下所示：

✅ 示例检测图（可插入带预测框的图像）
✅ 每类目标均有独立颜色区分，结果更直观

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 完整源码

至项目实录视频下方获取：https://www.bilibili.com/video/BV1UihnzTEya/

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

本项目围绕海洋环境保护问题，构建了一个基于 YOLOv8 的水下垃圾目标检测系统，具备良好的实用性与可扩展性。系统集成了自定义数据训练、图形界面封装、实时检测展示等多个关键模块，能够有效识别和分类 12 类典型水下垃圾。

✅ 项目亮点回顾：

• 全流程支持：从数据标注、训练、测试到部署，全套流程开箱即用
• 识别精度高：在复杂水下环境中表现稳定，支持多类目标同时检测
• 界面友好：采用 PyQt5 封装界面，零代码基础也可操作
• 多输入源支持：图像、视频、摄像头全覆盖
• 适用场景广泛：可用于科研、环保监测、水下机器人辅助视觉等任务

🌊 对海洋保护的意义：

通过智能化、自动化手段监测水下垃圾，本系统可大大提升数据获取效率与准确性，为科研机构、环保组织提供高质量的技术工具，助力全球范围内的海洋环境治理工作。

🔧 如果你正在从事相关研究，或想快速搭建自己的水下识别系统，本项目将是一个极具参考价值的开源起点。