基于YOLO26的珍稀鸟类检测系统

我真的很帅阿

500人浏览 · 2026-04-23 23:39:33

我真的很帅阿 · 2026-04-23 23:39:33 发布

基于YOLO26的珍稀鸟类检测系统

基于 YOLO26 与 Faster R-CNN 双模型对比，覆盖数据集构建、模型训练调优、桌面系统集成的完整深度学习工程项目。

项目概览

本项目以北美 200 种鸟类的细粒度识别为核心任务，完整经历了以下深度学习开发阶段：

数据集构建与处理：基于经典 CUB-200-2011 基准数据集，将原始分类标注转换为 YOLO 目标检测格式，按 8:1:1 完成数据集划分，构建可直接驱动检测训练的 CUB_200_8_1_1 数据集。
模型训练与调优：以 YOLO26n 为主训练模型（100 epoch，早停则提前结束），并同步训练 Faster R-CNN（30 epoch）作为对比基线，通过超参数设计、学习率调度、数据增强等手段完成调优，最终在 200 类细粒度鸟类检测任务上取得优异指标。
系统集成与功能开发：基于 PyQt6 开发桌面端珍稀鸟类检测系统，集成图片、视频、实时摄像头三种检测模式，配合历史记录、模型管理、训练指标展示等功能模块，形成完整的工程化应用。

数据集

概述

项目	内容
数据集名称	CUB_200_8_1_1
来源基准	CUB-200-2011（Caltech-UCSD Birds 200）
标注格式	YOLO 格式（归一化中心点 + 宽高）
类别数量	200 种北美鸟类
图片总数	11,788 张
图片格式	JPEG（`.jpg`）
图片尺寸	不固定，短边通常 200–500 px
标注特点	每张图片含单个目标框，各类别分布均衡

数据集划分

子集	图片数量	占比
训练集（train）	9,430	80%
验证集（val）	1,179	10%
测试集（test）	1,179	10%
合计	11,788	100%

标注格式说明

<class_id> <cx> <cy> <w> <h>

字段	说明
`class_id`	类别索引（0 ~ 199）
`cx`	目标框中心点 x（相对图片宽度，归一化）
`cy`	目标框中心点 y（相对图片高度，归一化）
`w`	目标框宽度（相对图片宽度，归一化）
`h`	目标框高度（相对图片高度，归一化）

200 种鸟类完整列表

点击展开查看全部 200 种

ID	英文名	中文名
0	Black_footed_Albatross	黑脚信天翁
1	Laysan_Albatross	莱岛信天翁
2	Sooty_Albatross	乌信天翁
3	Groove_billed_Ani	沟嘴犀鹃
4	Crested_Auklet	凤头海雀
5	Least_Auklet	小海雀
6	Parakeet_Auklet	长嘴海雀
7	Rhinoceros_Auklet	角嘴海雀
8	Brewer_Blackbird	布氏拟八哥
9	Red_winged_Blackbird	红翅黑鸟
10	Rusty_Blackbird	锈色拟八哥
11	Yellow_headed_Blackbird	黄头黑鸟
12	Bobolink	刺歌雀
13	Indigo_Bunting	靛蓝彩鹀
14	Lazuli_Bunting	天青石彩鹀
15	Painted_Bunting	彩色彩鹀
16	Cardinal	主红雀
17	Spotted_Catbird	斑猫鸟
18	Gray_Catbird	灰猫鸟
19	Yellow_breasted_Chat	黄胸聊鸟
20	Eastern_Towhee	东方唧鹀
21	Chuck_will_Widow	查克遗孀夜鹰
22	Brandt_Cormorant	布氏鸬鹚
23	Red_faced_Cormorant	红脸鸬鹚
24	Pelagic_Cormorant	远洋鸬鹚
25	Bronzed_Cowbird	铜色牛鹂
26	Shiny_Cowbird	光泽牛鹂
27	Brown_Creeper	褐旋木雀
28	American_Crow	美洲乌鸦
29	Fish_Crow	鱼鸦
30	Black_billed_Cuckoo	黑嘴杜鹃
31	Mangrove_Cuckoo	红树林杜鹃
32	Yellow_billed_Cuckoo	黄嘴杜鹃
33	Gray_crowned_Rosy_Finch	灰顶玫红雀
34	Purple_Finch	紫朱雀
35	Northern_Flicker	北扑翅䴕
36	Acadian_Flycatcher	阿卡迪亚捕蝇鸟
37	Great_Crested_Flycatcher	大冠捕蝇鸟
38	Least_Flycatcher	小捕蝇鸟
39	Olive_sided_Flycatcher	橄榄侧捕蝇鸟
40	Scissor_tailed_Flycatcher	剪尾捕蝇鸟
41	Vermilion_Flycatcher	朱红捕蝇鸟
42	Yellow_bellied_Flycatcher	黄腹捕蝇鸟
43	Frigatebird	军舰鸟
44	Northern_Fulmar	北方管鼻鹱
45	Gadwall	赤膀鸭
46	American_Goldfinch	美洲金翅雀
47	European_Goldfinch	欧洲金翅雀
48	Boat_tailed_Grackle	船尾拟八哥
49	Eared_Grebe	黑颈䴙䴘
50	Horned_Grebe	角䴙䴘
51	Pied_billed_Grebe	斑嘴䴙䴘
52	Western_Grebe	西方䴙䴘
53	Blue_Grosbeak	蓝色大嘴雀
54	Evening_Grosbeak	暮色大嘴雀
55	Pine_Grosbeak	松雀
56	Rose_breasted_Grosbeak	玫胸大嘴雀
57	Pigeon_Guillemot	鸽崖海鸦
58	California_Gull	加州鸥
59	Glaucous_winged_Gull	灰翅鸥
60	Heermann_Gull	赫氏鸥
61	Herring_Gull	银鸥
62	Ivory_Gull	象牙鸥
63	Ring_billed_Gull	环嘴鸥
64	Slaty_backed_Gull	灰背鸥
65	Western_Gull	西方鸥
66	Anna_Hummingbird	安娜蜂鸟
67	Ruby_throated_Hummingbird	红喉蜂鸟
68	Rufous_Hummingbird	棕煌蜂鸟
69	Green_Violetear	绿紫耳蜂鸟
70	Long_tailed_Jaeger	长尾贼鸥
71	Pomarine_Jaeger	中贼鸥
72	Blue_Jay	蓝松鸦
73	Florida_Jay	佛罗里达灌丛鸦
74	Green_Jay	绿松鸦
75	Dark_eyed_Junco	暗眼灯草鹀
76	Tropical_Kingbird	热带王霸鹟
77	Gray_Kingbird	灰王霸鹟
78	Belted_Kingfisher	带翠鸟
79	Green_Kingfisher	绿翠鸟
80	Pied_Kingfisher	斑翡翠
81	Ringed_Kingfisher	环翠鸟
82	White_breasted_Kingfisher	白胸翡翠
83	Red_legged_Kittiwake	红腿三趾鸥
84	Horned_Lark	角百灵
85	Pacific_Loon	太平洋潜鸟
86	Mallard	绿头鸭
87	Western_Meadowlark	西草地鹨
88	Hooded_Merganser	头巾秋沙鸭
89	Red_breasted_Merganser	红胸秋沙鸭
90	Mockingbird	北方嘲鸫
91	Nighthawk	美洲夜鹰
92	Clark_Nutcracker	克拉克星鸦
93	White_breasted_Nuthatch	白胸䴓
94	Baltimore_Oriole	巴尔的摩拟黄鹂
95	Hooded_Oriole	头巾拟黄鹂
96	Orchard_Oriole	果园拟黄鹂
97	Scott_Oriole	斯科特拟黄鹂
98	Ovenbird	灶鸟
99	Brown_Pelican	褐鹈鹕
100	White_Pelican	白鹈鹕
101	Western_Wood_Pewee	西方林霸鹟
102	Sayornis	北美鹟
103	American_Pipit	美洲鹨
104	Whip_poor_Will	三声夜鹰
105	Horned_Puffin	角海鹦
106	Common_Raven	普通渡鸦
107	White_necked_Raven	白颈渡鸦
108	American_Redstart	美洲红尾林莺
109	Geococcyx	走鹃
110	Loggerhead_Shrike	大头伯劳
111	Great_Grey_Shrike	大灰伯劳
112	Baird_Sparrow	贝氏麻雀
113	Black_throated_Sparrow	黑喉麻雀
114	Brewer_Sparrow	布氏麻雀
115	Chipping_Sparrow	棕顶麻雀
116	Clay_colored_Sparrow	土色麻雀
117	House_Sparrow	家麻雀
118	Field_Sparrow	田野麻雀
119	Fox_Sparrow	狐色麻雀
120	Grasshopper_Sparrow	蝗虫麻雀
121	Harris_Sparrow	哈里斯麻雀
122	Henslow_Sparrow	亨斯洛麻雀
123	Le_Conte_Sparrow	勒孔特麻雀
124	Lincoln_Sparrow	林肯麻雀
125	Nelson_Sharp_tailed_Sparrow	纳尔逊尖尾麻雀
126	Savannah_Sparrow	萨瓦纳麻雀
127	Seaside_Sparrow	海滨麻雀
128	Song_Sparrow	歌带鹀
129	Tree_Sparrow	美洲树麻雀
130	Vesper_Sparrow	晚祷麻雀
131	White_crowned_Sparrow	白冠麻雀
132	White_throated_Sparrow	白喉麻雀
133	Cape_Glossy_Starling	好望角辉椋鸟
134	Bank_Swallow	崖沙燕
135	Barn_Swallow	家燕
136	Cliff_Swallow	崖燕
137	Tree_Swallow	树燕
138	Scarlet_Tanager	猩红比蓝雀
139	Summer_Tanager	夏比蓝雀
140	Artic_Tern	北极燕鸥
141	Black_Tern	黑燕鸥
142	Caspian_Tern	里海燕鸥
143	Common_Tern	普通燕鸥
144	Elegant_Tern	丽色燕鸥
145	Forsters_Tern	福氏燕鸥
146	Least_Tern	小燕鸥
147	Green_tailed_Towhee	绿尾唧鹀
148	Brown_Thrasher	褐嘲鸫
149	Sage_Thrasher	鼠尾草嘲鸫
150	Black_capped_Vireo	黑冠绿鹃
151	Blue_headed_Vireo	蓝头绿鹃
152	Philadelphia_Vireo	费城绿鹃
153	Red_eyed_Vireo	红眼绿鹃
154	Warbling_Vireo	鸣唱绿鹃
155	White_eyed_Vireo	白眼绿鹃
156	Yellow_throated_Vireo	黄喉绿鹃
157	Bay_breasted_Warbler	栗胸林莺
158	Black_and_white_Warbler	黑白林莺
159	Black_throated_Blue_Warbler	黑喉蓝林莺
160	Blue_winged_Warbler	蓝翅林莺
161	Canada_Warbler	加拿大林莺
162	Cape_May_Warbler	海角林莺
163	Cerulean_Warbler	天蓝林莺
164	Chestnut_sided_Warbler	栗侧林莺
165	Golden_winged_Warbler	金翅林莺
166	Hooded_Warbler	兜帽林莺
167	Kentucky_Warbler	肯塔基林莺
168	Magnolia_Warbler	木兰林莺
169	Mourning_Warbler	悼念林莺
170	Myrtle_Warbler	桃金娘林莺
171	Nashville_Warbler	纳什维尔林莺
172	Orange_crowned_Warbler	橙冠林莺
173	Palm_Warbler	棕榈林莺
174	Pine_Warbler	松林莺
175	Prairie_Warbler	草原林莺
176	Prothonotary_Warbler	黄头林莺
177	Swainson_Warbler	斯温森林莺
178	Tennessee_Warbler	田纳西林莺
179	Wilson_Warbler	威尔逊林莺
180	Worm_eating_Warbler	食虫林莺
181	Yellow_Warbler	黄林莺
182	Northern_Waterthrush	北方水鸫莺
183	Louisiana_Waterthrush	路易斯安那水鸫莺
184	Bohemian_Waxwing	波西米亚太平鸟
185	Cedar_Waxwing	雪松太平鸟
186	American_Three_toed_Woodpecker	美洲三趾啄木鸟
187	Pileated_Woodpecker	北美黑啄木鸟
188	Red_bellied_Woodpecker	红腹啄木鸟
189	Red_cockaded_Woodpecker	红顶啄木鸟
190	Red_headed_Woodpecker	红头啄木鸟
191	Downy_Woodpecker	绒啄木鸟
192	Bewick_Wren	贝氏鹪鹩
193	Cactus_Wren	仙人掌鹪鹩
194	Carolina_Wren	卡罗来纳鹪鹩
195	House_Wren	家鹪鹩
196	Marsh_Wren	沼泽鹪鹩
197	Rock_Wren	岩鹪鹩
198	Winter_Wren	冬鹪鹩
199	Common_Yellowthroat	普通黄喉林莺

模型训练

YOLO26n 训练配置

参数	值	说明
基础模型	YOLO26n	Nano 级别，轻量高效
预训练权重	是	基于 COCO 预训练，迁移学习
训练轮次	100 epoch	—
早停耐心	30 epoch	验证指标无提升则停止
输入分辨率	640×640	—
Batch Size	16	—
初始学习率（lr0）	0.01	—
最终学习率（lrf）	0.01	余弦衰减终值比例
动量	0.937	—
权重衰减	0.0005	—
预热轮次	3 epoch	学习率从低值线性增长
优化器	auto	自动选择（AdamW/SGD）
AMP 混合精度	是	加速训练，降低显存占用
随机种子	42	保证可复现性
设备	GPU（cuda:0）	—

数据增强策略

增强方式	参数	说明
HSV 色调扰动	0.015	轻微色调变化
HSV 饱和度扰动	0.7	较强饱和度随机变换
HSV 明度扰动	0.4	中等亮度随机变换
水平翻转	0.5	50% 概率随机水平翻转
平移	0.1	随机平移 10%
缩放	0.5	随机缩放 ±50%
Mosaic	1.0	四图拼接，增强小目标识别
关闭 Mosaic	最后 10 epoch	稳定训练末期收敛
RandAugment	自动	随机组合多种增强策略
随机擦除	0.4	40% 概率随机遮盖区域

Faster R-CNN 训练配置（对比实验）

参数	值	说明
骨干网络	ResNet-50 + FPN	torchvision 预训练
预训练权重	是	COCO 预训练迁移
训练轮次	30 epoch	—
输入分辨率	640×640	—
Batch Size	2	Two-stage 模型显存需求大
初始学习率	0.005	—
动量	0.9	—
权重衰减	0.0005	—
学习率调度	StepLR（step=10，γ=0.1）	每 10 epoch 学习率缩小 10 倍
AMP 混合精度	是	—
置信度阈值	0.5	预测框过滤阈值
IoU 阈值	0.5	NMS 重叠度阈值
随机种子	42	—
设备	GPU（cuda:0）	—

训练指标

YOLO26n 最终结果

指标	值
最佳 Epoch	第 57 轮
Precision（精确率）	81.47%
Recall（召回率）	79.66%
mAP@50	86.87%
mAP@50-95	78.26%
训练总时长	~3.82 小时
单张推理耗时	21.68 ms
参数量	2.70 M
权重文件大小	5.51 MB

Faster R-CNN 最终结果

指标	值
最佳 Epoch	第 29 轮
Precision（精确率）	60.31%
Recall（召回率）	63.53%
mAP@50	69.75%
F1 分数	61.88%
平均 IoU	91.25%
训练总时长	~9.66 小时
单张推理耗时	67.19 ms
参数量	44.28 M
权重文件大小	337.36 MB

双模型对比

指标	YOLO26	Faster R-CNN	YOLO26 优势
mAP@50	86.87%	69.75%	+24.6%
Precision	81.47%	60.31%	+35.1%
Recall	79.66%	63.53%	+25.4%
训练时长	~3.82h	~9.66h	快 60.5%
推理耗时	21.68ms	67.19ms	快 67.7%
参数量	2.70M	44.28M	少 93.9%
权重大小	5.51MB	337.36MB	小 98.4%

YOLO26 在所有核心指标上全面优于 Faster R-CNN，同时具备更快的推理速度和更小的模型体积，是本项目的主力部署模型。

可视化图说明

训练过程中自动生成若干可视化曲线图，保存于 train_result_yolov26/metric_plots/（YOLO26）和 fastrcnn_result/metric_plots/（Faster R-CNN）目录，双模型对比图保存于 model_compare_result/。

YOLO26 训练曲线

图文件	含义
`train_box_loss.png`	训练集边界框回归损失（Box Loss），反映模型对目标位置预测的准确度，越低越好
`train_cls_loss.png`	训练集分类损失（Classification Loss），反映模型对 200 类鸟类识别的分类能力，越低越好
`train_dfl_loss.png`	训练集分布焦点损失（DFL Loss），YOLO 系列的边界框精细化损失，越低越好
`val_box_loss.png`	验证集边界框回归损失，用于判断模型泛化能力，与训练损失走势对比可观察过拟合情况
`val_cls_loss.png`	验证集分类损失，反映模型在未见数据上的分类稳定性
`val_dfl_loss.png`	验证集分布焦点损失
`val_precision.png`	验证集精确率曲线（Precision），表示所有正例预测中真正例的比例，趋势上升表示误检减少
`val_recall.png`	验证集召回率曲线（Recall），表示所有真实目标中被正确检出的比例，趋势上升表示漏检减少
`val_map50.png`	验证集 mAP@IoU=0.5 曲线，是目标检测的核心综合评估指标，越高代表整体检测越准确
`val_map50_95.png`	验证集 mAP@IoU=0.5:0.95 曲线，多 IoU 阈值下的严格综合指标，对定位精度要求更高
`lr_pg0.png`	第 0 参数组学习率变化曲线（主干网络），反映学习率调度策略的执行过程
`lr_pg1.png`	第 1 参数组学习率变化曲线（检测头）
`lr_pg2.png`	第 2 参数组学习率变化曲线（偏置项）

Faster R-CNN 训练曲线

图文件	含义
`train_total_loss.png`	训练总损失，为分类损失、回归损失、RPN 损失之和
`train_loss_classifier.png`	RoI 头分类损失，衡量目标类别预测的误差
`train_loss_box_reg.png`	RoI 头边界框回归损失，衡量目标定位的精度
`train_loss_objectness.png`	RPN 目标性损失，衡量候选框是否包含目标的判断能力
`train_loss_rpn_box_reg.png`	RPN 阶段边界框回归损失，衡量候选区域的定位误差
`val_precision.png`	验证集精确率曲线
`val_recall.png`	验证集召回率曲线
`val_f1.png`	验证集 F1 分数，精确率与召回率的调和平均值
`val_map50.png`	验证集 mAP@50 曲线
`val_mean_iou.png`	验证集平均 IoU，衡量预测框与真实框的平均重叠程度
`inference_time.png`	每 epoch 的平均推理耗时变化曲线（ms）

双模型对比图（`model_compare_result/`）

图文件	含义
`comparison_overview.png`	综合对比总览图，将所有核心指标并排展示，直观呈现两模型全局差异
`map50.png`	mAP@50 指标对比柱状图
`precision.png`	Precision 精确率对比柱状图
`recall.png`	Recall 召回率对比柱状图
`infer_time_ms_.png`	推理时间对比柱状图（ms），越低代表推理越快
`params_m_.png`	参数量对比柱状图（百万），越低代表模型越轻量

系统功能

桌面端应用基于 PyQt6 开发，提供以下六大功能模块：

模块	功能说明
图片识别	导入本地图片，运行 YOLO26 检测，输出标注框、类别名称（中英文）、置信度，支持结果图片保存
视频识别	导入本地视频文件，逐帧检测，实时预览检测结果，支持进度控制与结果导出
摄像头识别	调用本地摄像头，实时推流检测，适用于现场鸟类目标观测
检测历史	记录每次检测的时间、来源、模型、目标总数、识别类别数等信息，支持筛选与导出（CSV）
模型管理	切换检测模型（支持加载不同 `.pt` 文件），调整置信度阈值、IoU 阈值、最大检测数等推理参数
指标展示	在应用内直接浏览训练过程中生成的各类指标曲线图，无需离开系统即可查阅训练结果

其他特性：

用户登录认证系统，支持多账号管理
SQLite 本地数据库持久化检测历史
中英双语类别显示（200 种鸟类均提供中文名）
检测结果支持导出为 CSV 文件

技术栈

层次	技术
深度学习框架	PyTorch
目标检测（主模型）	Ultralytics YOLO26
目标检测（对比模型）	torchvision Faster R-CNN（ResNet-50 + FPN）
桌面 GUI	PyQt6
数据库	SQLite（通过 Python 内置 sqlite3）
图像处理	OpenCV（cv2）
数据处理	NumPy、Pandas
可视化	Matplotlib
语言	Python 3.10+
训练设备	NVIDIA GPU（CUDA）

项目结构

c226/
├── main.py                      # 桌面应用启动入口
├── train.py                     # YOLO 训练启动脚本（默认 YOLO26）
├── train_fastrcnn.py            # Faster R-CNN 训练启动脚本
│
├── desktop_app/                 # 桌面应用核心代码
│   ├── app_context.py           # 全局应用上下文
│   ├── bootstrap.py             # 应用初始化与启动
│   ├── core/
│   │   ├── bird_names.py        # 200 种鸟类中英文名称映射
│   │   ├── constants.py         # 全局常量（页面、默认参数、配置键）
│   │   └── paths.py             # 路径管理（模型、数据、数据库等）
│   ├── database/
│   │   └── connection.py        # SQLite 数据库连接管理
│   ├── repositories/
│   │   ├── config_repository.py # 配置项持久化
│   │   ├── history_repository.py# 检测历史记录存取
│   │   └── user_repository.py   # 用户信息管理
│   ├── services/
│   │   ├── auth_service.py      # 用户认证服务
│   │   ├── detection_service.py # 检测核心逻辑
│   │   ├── export_service.py    # 检测结果导出
│   │   ├── history_service.py   # 历史记录业务逻辑
│   │   ├── metrics_service.py   # 训练指标读取服务
│   │   └── model_service.py     # 模型加载与推理管理
│   ├── ui/
│   │   ├── login_window.py      # 登录窗口
│   │   ├── main_window.py       # 主窗口框架
│   │   ├── styles.py            # 全局样式
│   │   ├── pages/
│   │   │   ├── image_page.py    # 图片识别页面
│   │   │   ├── video_page.py    # 视频识别页面
│   │   │   ├── camera_page.py   # 摄像头识别页面
│   │   │   ├── history_page.py  # 检测历史页面
│   │   │   ├── model_page.py    # 模型管理页面
│   │   │   └── metrics_page.py  # 指标展示页面
│   │   └── widgets/
│   │       ├── common.py        # 通用 UI 组件
│   │       └── preview.py       # 检测结果预览组件
│   ├── utils/
│   │   ├── icon_utils.py        # 图标工具
│   │   ├── image_utils.py       # 图像处理工具
│   │   └── matplotlib_utils.py  # Matplotlib 嵌入 Qt 工具
│   └── workers/
│       └── detection_workers.py # 后台检测线程（异步推理）
│
├── yolo_train/                  # YOLO 训练管线
│   ├── config.py                # 训练超参数配置
│   ├── dataset.py               # 数据集加载与预处理
│   ├── train_pipeline.py        # 完整训练流程
│   ├── torch_path_io.py         # PyTorch 路径兼容补丁
│   └── visualizer.py            # 训练指标可视化
│
├── fastrcnn_train/              # Faster R-CNN 训练管线
│   ├── config.py                # 训练超参数配置
│   ├── dataset.py               # 数据集加载（YOLO 标注转换）
│   ├── modeling.py              # 模型构建（ResNet-50 + FPN）
│   ├── metrics.py               # COCO 评估指标计算
│   ├── train_pipeline.py        # 完整训练流程
│   ├── checkpoint.py            # 模型权重保存与加载
│   ├── comparison.py            # 双模型对比分析
│   └── visualizer.py            # 训练指标可视化与对比图生成
│
├── CUB_200_8_1_1/               # 数据集
│   ├── data.yaml                # YOLO 数据集配置（类别 + 路径）
│   ├── 数据集说明.md
│   ├── train/images/            # 训练集图片（9430 张）
│   ├── train/labels/            # 训练集标注
│   ├── val/images/              # 验证集图片（1179 张）
│   ├── val/labels/
│   ├── test/images/             # 测试集图片（1179 张）
│   └── test/labels/
│
├── train_result_yolov26/        # YOLO26 训练输出
│   ├── weights/
│   │   ├── best.pt              # 最佳验证集权重
│   │   └── last.pt              # 最终 epoch 权重
│   ├── args.yaml                # 完整训练参数记录
│   ├── runtime_data.yaml        # 运行时数据集配置
│   ├── results.csv              # 逐 epoch 训练/验证指标数据
│   └── metric_plots/            # 各项指标可视化曲线图
│
├── fastrcnn_result/             # Faster R-CNN 训练输出
│   ├── weights/
│   │   ├── best_model.pth       # 最佳验证集权重
│   │   └── last_model.pth       # 最终权重
│   ├── metrics.csv              # 逐 epoch 训练/验证指标数据
│   ├── summary.json             # 最终指标汇总
│   ├── train_config.json        # 完整训练配置记录
│   └── metric_plots/            # 各项指标可视化曲线图
│
├── model_compare_result/        # 双模型对比分析结果
│   ├── comparison_summary.json  # 对比数据汇总
│   └── *.png                    # 各维度对比柱状图
│
├── yolo26n.pt                   # YOLO26n 预训练权重（回退用）
└── requirements.txt             # Python 依赖列表

启动教程

环境要求

Python 3.10 或以上
NVIDIA GPU + CUDA（训练阶段必须；推理/系统运行可使用 CPU）
操作系统：Windows 10/11

安装依赖

pip install -r requirements.txt

训练 YOLO26 模型

python train.py

训练输出（权重、日志、指标曲线）自动保存至 train_result_yolov26/ 目录。

训练 Faster R-CNN 模型（对比实验）

python train_fastrcnn.py

训练输出自动保存至 fastrcnn_result/ 目录，训练完成后自动与 YOLO26 进行对比分析，结果输出至 model_compare_result/。

启动桌面应用

python main.py

首次运行时自动初始化数据库，默认加载 train_result_yolov26/weights/best.pt 作为检测模型。若权重文件不存在，将回退至项目根目录下的 yolo26n.pt。

AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

GitHub今日热榜 | 2026-08-06

今日榜单呈现大换血，10个项目中7个为新晋项目。Cloudflare的Agent虚拟环境项目computer空降榜首，提供隔离文件系统和多执行后端支持。腾讯的TencentDB-Agent-Memory虽排名下滑至第3，但日增Star上涨70%。其他亮点包括： loopx为AI Agent团队提供看板管理系统经典面试指南system-design-primer回归榜单 DeepSeek-Reas