基于 YOLOv8 的河道漂浮垃圾智能检测｜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

https://www.bilibili.com/video/BV1ctr6BQEPX/

源码在文末哔哩哔哩视频简介处。

项目摘要

随着城市化进程加快与水域生态压力的持续增加，河道漂浮垃圾已成为影响城市形象、水体安全与生态环境的重要问题。传统人工巡查方式存在效率低、成本高、实时性差等不足，难以满足大范围、全天候的监管需求。

本项目基于 YOLOv8 目标检测算法，构建了一套 河道漂浮垃圾智能检测系统，可对河面常见漂浮垃圾（如塑料瓶、泡沫、包装物等）进行实时、精准识别与定位。系统集成 PyQt5 可视化界面，支持图片、视频、文件夹及摄像头等多种输入方式，具备良好的易用性与工程化落地能力。

项目提供完整源码、标注数据集、训练脚本、模型权重以及部署教程，覆盖从数据准备、模型训练到实际应用的完整流程，实现真正的开箱即用，适用于科研学习、课程设计以及智慧水务、环保监测等实际场景。

前言

在“智慧城市”“数字孪生水利”等理念不断落地的背景下，河道环境的精细化管理正逐步从人工经验驱动转向数据与智能驱动。河面漂浮垃圾不仅影响景观，更可能造成排水口堵塞、水质恶化，甚至引发生态安全隐患，因此实现高效、自动化的垃圾监测具有重要现实意义。

近年来，基于深度学习的目标检测技术在工业检测、交通监控、安防巡检等领域取得了显著成果。其中，YOLO 系列模型以其速度快、精度高、部署灵活的优势，成为工程实践中的主流选择。YOLOv8 作为 Ultralytics 推出的新一代模型，在网络结构、训练策略和推理效率方面均有明显提升，非常适合实时场景应用。

基于上述背景，本项目围绕“河道漂浮垃圾自动检测”这一典型应用场景，设计并实现了一套完整的智能识别系统，重点解决以下问题：

• 河道复杂背景下小目标垃圾的检测难题
• 模型从训练到部署的工程化落地问题
• 非算法人员使用门槛高的问题

通过算法与界面的深度结合，使该系统不仅“能跑模型”，更“能实际使用”。

一、软件核心功能介绍及效果演示

1. 多源数据输入支持

系统支持多种数据输入方式，满足不同应用场景需求：

• 单张图片检测：快速验证模型对不同河道场景的识别效果
• 文件夹批量检测：对历史采集数据进行集中分析
• 视频文件检测：适用于无人机巡河、固定监控录像分析
• 实时摄像头检测：支持 USB 摄像头 / RTSP 视频流，实现实时监测

所有检测结果均可实时显示，便于直观观察模型性能。

2. 基于 YOLOv8 的高精度漂浮垃圾检测

核心检测模块基于 YOLOv8 目标检测模型，具有以下特点：

• 对河面复杂光照、水纹反射具有较强鲁棒性
• 支持多类别漂浮垃圾同时检测
• 检测速度快，满足实时或准实时应用需求
• 模型结构轻量，便于后续边缘端部署

检测结果以边界框 + 类别标签 + 置信度形式直观呈现。

3. PyQt5 可视化界面设计

为降低使用门槛，系统采用 PyQt5 构建桌面端可视化界面，主要功能包括：

• 一键加载模型权重
• 输入源快速切换（图片 / 视频 / 摄像头）
• 检测过程实时显示
• 检测结果自动保存

即使不具备深度学习背景，也可通过图形界面完成完整检测流程。

4. 完整训练与部署流程支持

项目不仅提供推理程序，还包含完整训练链路：

• 数据集组织方式与标注格式说明
• YOLOv8 训练参数配置示例
• 模型训练、验证与评估流程
• 权重导出与推理部署方法

用户可基于现有数据集直接训练，也可替换为自己的河道或水域数据进行二次开发。

5. 实际效果演示说明

在真实河道与公开视频测试中，系统能够稳定识别多种漂浮垃圾目标，在复杂背景下仍保持较高的检测准确率。通过 PyQt5 界面，可清晰观察每一帧的检测结果，为后续垃圾统计、告警联动与智能清理提供可靠数据支撑。

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/BV1ctr6BQEPX/

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

本文围绕 “基于 YOLOv8 的河道漂浮垃圾智能检测系统”，系统性地介绍了从问题背景、技术选型到工程实现与效果验证的完整过程。项目以 YOLOv8 目标检测模型为核心，结合 PyQt5 图形化界面，实现了对河道漂浮垃圾的自动化、可视化与实时化检测，有效弥补了传统人工巡查在效率、覆盖范围和实时性方面的不足。

在工程层面，项目不仅验证了 YOLOv8 在复杂水面场景下对小目标垃圾的良好检测能力，还通过完整的数据集组织方式、训练与评估流程，保证了模型具备较强的可复现性与可扩展性。同时，PyQt5 界面的引入显著降低了系统使用门槛，使算法能力能够以“产品化”的形式落地，真正做到算法即服务、模型即工具。

从应用价值来看，该系统可广泛应用于智慧水务、河道巡检、环保监管及无人机巡河等场景，并具备进一步扩展垃圾统计分析、告警联动、边缘端部署等能力的潜力。整体而言，本项目不仅是一个完整可运行的目标检测实战案例，也为水环境智能感知与治理提供了一种具有实际落地价值的技术方案。