基于深度学习的狗品种检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)

姚鑫發表於 2026-2-2 19:57:00

基于深度学习的狗品种检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)

<h2 id="%E8%A7%86%E9%A2%91%E6%BC%94%E7%A4%BA">视频演示</h2>
基于深度学习的狗品种检测系统演示
<h2>1. 前言</h2>
大家好，欢迎来到 Coding 茶水间！
今天要给大家介绍的项目是——基于 YOLO 算法的狗品种检测系统。随着宠物经济的兴起和动物保护意识的增强，人们对犬只的管理、识别和研究需求越来越高，比如在犬展、宠物店、流浪动物救助站等场景，都需要快速判断一只狗属于什么品种。然而，传统的人工识别方式不仅依赖经验，而且面对外形相似或混血犬只时容易出现误判，效率也不高。现有的一些识别工具要么支持的品种有限，要么准确率不足，难以满足精细化管理的需求。借助深度学习目标检测技术，我们可以在图像或视频中自动识别多达 120 种犬类品种，实现高效、准确的分类与定位。本项目基于 YOLO 系列模型开发，不仅能检测单张图片、视频、批量文件及实时摄像头画面中的狗，还能显示品种名称、置信度及位置信息，并支持结果保存、导出和语音播报。接下来，我会带大家逐步了解系统的界面布局、参数调节与实际演示效果，看看它是如何在真实场景中帮助我们快速识别狗品种的。
<img alt="wechat_副本" data-src="https://img2024.cnblogs.com/blog/3687401/202601/3687401-20260122195459096-454164006.jpg" class="lazyload">
<h2 id="2.%20%E9%A1%B9%E7%9B%AE%E6%BC%94%E7%A4%BA">2. 项目演示</h2>
<h3 id="2.1%20%E7%99%BB%E5%BD%95%E7%95%8C%E9%9D%A2">2.1 用户登录界面</h3>
登录界面布局简洁清晰，左侧展示系统主题，用户需输入用户名、密码及验证码完成身份验证后登录系统。
<img alt="1" data-src="https://img2024.cnblogs.com/blog/3687401/202602/3687401-20260202194456308-905962977.png" class="lazyload">
<h3 id="2.2%20%E7%94%A8%E6%88%B7%E6%B3%A8%E5%86%8C">2.2 新用户注册</h3>
注册时可自定义用户名与密码，支持上传个人头像；如未上传，系统将自动使用默认头像完成账号创建。
<img alt="ScreenShot_2026-01-06_174909_978" data-src="https://img2024.cnblogs.com/blog/3687401/202602/3687401-20260202194518242-1825295405.png" class="lazyload">
<h3 id="2.3%20%E4%B8%BB%E7%95%8C%E9%9D%A2">2.3 主界面布局</h3>
主界面采用三栏结构，左侧为功能操作区，中间用于展示检测画面，右侧呈现目标详细信息，布局合理，交互流畅。
<img alt="2" data-src="https://img2024.cnblogs.com/blog/3687401/202602/3687401-20260202194526883-1278078887.png" class="lazyload">
<h3 id="2.4%20%E4%BF%AE%E6%94%B9%E7%94%A8%E6%88%B7%E4%BF%A1%E6%81%AF">2.4 个人信息管理</h3>
用户可在此模块中修改密码或更换头像，个人信息支持随时更新与保存。
<img alt="ScreenShot_2026-01-06_174603_115" data-src="https://img2024.cnblogs.com/blog/3687401/202602/3687401-20260202194507489-287541946.png" class="lazyload">
<h3 id="2.5%20%E6%A3%80%E6%B5%8B%E5%8A%9F%E8%83%BD%E5%B1%95%E7%A4%BA">2.5 多模态检测展示</h3>
系统支持图片、视频及摄像头实时画面的目标检测。识别结果将在画面中标注显示，并且带有语音播报提醒，并在下方列表中逐项列出。点击具体目标可查看其类别、置信度及位置坐标等详细信息。
<img alt="3" data-src="https://img2024.cnblogs.com/blog/3687401/202602/3687401-20260202194541909-1258447840.png" class="lazyload">
<h3>2.6 检测结果保存</h3>
可以将检测后的图片、视频进行保存，生成新的图片和视频，新生成的图片和视频中会带有检测结果的标注信息，并且还可以将所有检测结果的数据信息保存到excel中进行，方便查看检测结果。
<h3> </h3>
<h3><img alt="010" data-src="https://img2024.cnblogs.com/blog/3687401/202602/3687401-20260202194740866-316551373.jpg" class="lazyload"></h3>
<h3><img alt="WX20260202-194718@2x" data-src="https://img2024.cnblogs.com/blog/3687401/202602/3687401-20260202194745164-2111296316.png" class="lazyload"></h3>
<h3>2.7 多模型切换</h3>
系统内置多种已训练模型，用户可根据实际需求灵活切换，以适应不同检测场景或对比识别效果。
<img alt="ScreenShot_2026-01-06_174841_299" data-src="https://img2024.cnblogs.com/blog/3687401/202602/3687401-20260202194802469-723781930.png" class="lazyload">
<h2 id="3.%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83%E6%A0%B8%E5%BF%83%E4%BB%A3%E7%A0%81">3.模型训练核心代码</h2>
本脚本是YOLO模型批量训练工具，可自动修正数据集路径为绝对路径，从pretrained文件夹加载预训练模型，按设定参数（100轮/640尺寸/批次8）一键批量训练YOLOv5nu/v8n/v11n/v12n模型。
<div class="cke_widget_wrapper cke_widget_block cke_widget_codeSnippet cke_widget_selected" data-cke-display-name="代码段" data-cke-filter="off" data-cke-widget-id="8" data-cke-widget-wrapper="1">
<pre class="cke_widget_element highlighter-hljs" data-cke-widget-data="%7B%22lang%22%3A%22python%22%2C%22code%22%3A%22%23%20-*-%20coding%3A%20utf-8%20-*-%5Cn%5C%22%5C%22%5C%22%5Cn%E8%AF%A5%E8%84%9A%E6%9C%AC%E7%94%A8%E4%BA%8E%E6%89%A7%E8%A1%8CYOLO%E6%A8%A1%E5%9E%8B%E7%9A%84%E8%AE%AD%E7%BB%83%E3%80%82%5Cn%5Cn%E5%AE%83%E4%BC%9A%E8%87%AA%E5%8A%A8%E5%A4%84%E7%90%86%E4%BB%A5%E4%B8%8B%E4%BB%BB%E5%8A%A1%EF%BC%9A%5Cn1.%20%E5%8A%A8%E6%80%81%E4%BF%AE%E6%94%B9%E6%95%B0%E6%8D%AE%E9%9B%86%E9%85%8D%E7%BD%AE%E6%96%87%E4%BB%B6%20(data.yaml)%EF%BC%8C%E5%B0%86%E7%9B%B8%E5%AF%B9%E8%B7%AF%E5%BE%84%E6%9B%B4%E6%96%B0%E4%B8%BA%E7%BB%9D%E5%AF%B9%E8%B7%AF%E5%BE%84%EF%BC%8C%E4%BB%A5%E7%A1%AE%E4%BF%9D%E8%AE%AD%E7%BB%83%E6%97%B6%E8%83%BD%E6%AD%A3%E7%A1%AE%E6%89%BE%E5%88%B0%E6%95%B0%E6%8D%AE%E3%80%82%5Cn2.%20%E4%BB%8E%20'pretrained'%20%E6%96%87%E4%BB%B6%E5%A4%B9%E5%8A%A0%E8%BD%BD%E6%8C%87%E5%AE%9A%E7%9A%84%E9%A2%84%E8%AE%AD%E7%BB%83%E6%A8%A1%E5%9E%8B%E3%80%82%5Cn3.%20%E4%BD%BF%E7%94%A8%E9%A2%84%E8%AE%BE%E7%9A%84%E5%8F%82%E6%95%B0%EF%BC%88%E5%A6%82epochs%2C%20imgsz%2C%20batch%EF%BC%89%E5%90%AF%E5%8A%A8%E8%AE%AD%E7%BB%83%E8%BF%87%E7%A8%8B%E3%80%82%5Cn%5Cn%E8%A6%81%E5%BC%80%E5%A7%8B%E8%AE%AD%E7%BB%83%EF%BC%8C%E5%8F%AA%E9%9C%80%E7%9B%B4%E6%8E%A5%E8%BF%90%E8%A1%8C%E6%AD%A4%E8%84%9A%E6%9C%AC%E3%80%82%5Cn%5C%22%5C%22%5C%22%5Cnimport%20os%5Cnimport%20yaml%5Cnfrom%20pathlib%20import%20Path%5Cnfrom%20ultralytics%20import%20YOLO%5Cn%5Cndef%20main()%3A%5Cn%20%20%20%20%5C%22%5C%22%5C%22%5Cn%20%20%20%20%E4%B8%BB%E8%AE%AD%E7%BB%83%E5%87%BD%E6%95%B0%E3%80%82%5Cn%20%20%20%20%5Cn%20%20%20%20%E8%AF%A5%E5%87%BD%E6%95%B0%E8%B4%9F%E8%B4%A3%E6%89%A7%E8%A1%8CYOLO%E6%A8%A1%E5%9E%8B%E7%9A%84%E8%AE%AD%E7%BB%83%E6%B5%81%E7%A8%8B%EF%BC%8C%E5%8C%85%E6%8B%AC%EF%BC%9A%5Cn%20%20%20%201.%20%E9%85%8D%E7%BD%AE%E9%A2%84%E8%AE%AD%E7%BB%83%E6%A8%A1%E5%9E%8B%E3%80%82%5Cn%20%20%20%202.%20%E5%8A%A8%E6%80%81%E4%BF%AE%E6%94%B9%E6%95%B0%E6%8D%AE%E9%9B%86%E7%9A%84YAML%E9%85%8D%E7%BD%AE%E6%96%87%E4%BB%B6%EF%BC%8C%E7%A1%AE%E4%BF%9D%E8%B7%AF%E5%BE%84%E4%B8%BA%E7%BB%9D%E5%AF%B9%E8%B7%AF%E5%BE%84%E3%80%82%5Cn%20%20%20%203.%20%E5%8A%A0%E8%BD%BD%E9%A2%84%E8%AE%AD%E7%BB%83%E6%A8%A1%E5%9E%8B%E3%80%82%5Cn%20%20%20%204.%20%E4%BD%BF%E7%94%A8%E6%8C%87%E5%AE%9A%E5%8F%82%E6%95%B0%E5%BC%80%E5%A7%8B%E8%AE%AD%E7%BB%83%E3%80%82%5Cn%20%20%20%20%5C%22%5C%22%5C%22%5Cn%20%20%20%20%23%20---%201.%20%E9%85%8D%E7%BD%AE%E6%A8%A1%E5%9E%8B%E5%92%8C%E8%B7%AF%E5%BE%84%20---%5Cn%20%20%20%20%5Cn%20%20%20%20%23%20%E8%A6%81%E8%AE%AD%E7%BB%83%E7%9A%84%E6%A8%A1%E5%9E%8B%E5%88%97%E8%A1%A8%5Cn%20%20%20%20models_to_train%20%3D%20%5B%5Cn%20%20%20%20%20%20%20%20%7B'name'%3A%20'yolov5nu.pt'%2C%20'train_name'%3A%20'train_yolov5nu'%7D%2C%5Cn%20%20%20%20%20%20%20%20%7B'name'%3A%20'yolov8n.pt'%2C%20'train_name'%3A%20'train_yolov8n'%7D%2C%5Cn%20%20%20%20%20%20%20%20%7B'name'%3A%20'yolo11n.pt'%2C%20'train_name'%3A%20'train_yolo11n'%7D%2C%5Cn%20%20%20%20%20%20%20%20%7B'name'%3A%20'yolo12n.pt'%2C%20'train_name'%3A%20'train_yolo12n'%7D%5Cn%20%20%20%20%5D%5Cn%20%20%20%20%5Cn%20%20%20%20%23%20%E8%8E%B7%E5%8F%96%E5%BD%93%E5%89%8D%E5%B7%A5%E4%BD%9C%E7%9B%AE%E5%BD%95%E7%9A%84%E7%BB%9D%E5%AF%B9%E8%B7%AF%E5%BE%84%EF%BC%8C%E4%BB%A5%E9%81%BF%E5%85%8D%E7%9B%B8%E5%AF%B9%E8%B7%AF%E5%BE%84%E5%B8%A6%E6%9D%A5%E7%9A%84%E9%97%AE%E9%A2%98%5Cn%20%20%20%20current_dir%20%3D%20os.path.abspath(os.getcwd())%5Cn%20%20%20%20%5Cn%20%20%20%20%23%20---%202.%20%E5%8A%A8%E6%80%81%E9%85%8D%E7%BD%AE%E6%95%B0%E6%8D%AE%E9%9B%86YAML%E6%96%87%E4%BB%B6%20---%5Cn%20%20%20%20%5Cn%20%20%20%20%23%20%E6%9E%84%E5%BB%BA%E6%95%B0%E6%8D%AE%E9%9B%86yaml%E6%96%87%E4%BB%B6%E7%9A%84%E7%BB%9D%E5%AF%B9%E8%B7%AF%E5%BE%84%5Cn%20%20%20%20data_yaml_path%20%3D%20os.path.join(current_dir%2C%20'train_data'%2C%20'data.yaml')%5Cn%20%20%20%20%5Cn%20%20%20%20%23%20%E8%AF%BB%E5%8F%96%E5%8E%9F%E5%A7%8Byaml%E6%96%87%E4%BB%B6%E5%86%85%E5%AE%B9%5Cn%20%20%20%20with%20open(data_yaml_path%2C%20'r'%2C%20encoding%3D'utf-8')%20as%20f%3A%5Cn%20%20%20%20%20%20%20%20data_config%20%3D%20yaml.safe_load(f)%5Cn%20%20%20%20%5Cn%20%20%20%20%23%20%E5%B0%86yaml%E6%96%87%E4%BB%B6%E4%B8%AD%E7%9A%84%20'path'%20%E5%AD%97%E6%AE%B5%E4%BF%AE%E6%94%B9%E4%B8%BA%E6%95%B0%E6%8D%AE%E9%9B%86%E7%9B%AE%E5%BD%95%E7%9A%84%E7%BB%9D%E5%AF%B9%E8%B7%AF%E5%BE%84%5Cn%20%20%20%20%23%20%E8%BF%99%E6%98%AF%E4%B8%BA%E4%BA%86%E7%A1%AE%E4%BF%9Dultralytics%E5%BA%93%E8%83%BD%E6%AD%A3%E7%A1%AE%E5%AE%9A%E4%BD%8D%E5%88%B0%E8%AE%AD%E7%BB%83%E3%80%81%E9%AA%8C%E8%AF%81%E5%92%8C%E6%B5%8B%E8%AF%95%E9%9B%86%5Cn%20%20%20%20data_config%5B'path'%5D%20%3D%20os.path.join(current_dir%2C%20'train_data')%5Cn%20%20%20%20%5Cn%20%20%20%20%23%20%E5%B0%86%E4%BF%AE%E6%94%B9%E5%90%8E%E7%9A%84%E9%85%8D%E7%BD%AE%E5%86%99%E5%9B%9Eyaml%E6%96%87%E4%BB%B6%5Cn%20%20%20%20with%20open(data_yaml_path%2C%20'w'%2C%20encoding%3D'utf-8')%20as%20f%3A%5Cn%20%20%20%20%20%20%20%20yaml.dump(data_config%2C%20f%2C%20default_flow_style%3DFalse%2C%20allow_unicode%3DTrue)%5Cn%20%20%20%20%5Cn%20%20%20%20%23%20---%203.%20%E5%BE%AA%E7%8E%AF%E8%AE%AD%E7%BB%83%E6%AF%8F%E4%B8%AA%E6%A8%A1%E5%9E%8B%20---%5Cn%20%20%20%20%5Cn%20%20%20%20for%20model_info%20in%20models_to_train%3A%5Cn%20%20%20%20%20%20%20%20model_name%20%3D%20model_info%5B'name'%5D%5Cn%20%20%20%20%20%20%20%20train_name%20%3D%20model_info%5B'train_name'%5D%5Cn%20%20%20%20%20%20%20%20%5Cn%20%20%20%20%20%20%20%20print(f%5C%22%5C%5Cn%7B'%3D'*60%7D%5C%22)%5Cn%20%20%20%20%20%20%20%20print(f%5C%22%E5%BC%80%E5%A7%8B%E8%AE%AD%E7%BB%83%E6%A8%A1%E5%9E%8B%3A%20%7Bmodel_name%7D%5C%22)%5Cn%20%20%20%20%20%20%20%20print(f%5C%22%E8%AE%AD%E7%BB%83%E5%90%8D%E7%A7%B0%3A%20%7Btrain_name%7D%5C%22)%5Cn%20%20%20%20%20%20%20%20print(f%5C%22%7B'%3D'*60%7D%5C%22)%5Cn%20%20%20%20%20%20%20%20%5Cn%20%20%20%20%20%20%20%20%23%20%E6%9E%84%E5%BB%BA%E9%A2%84%E8%AE%AD%E7%BB%83%E6%A8%A1%E5%9E%8B%E7%9A%84%E5%AE%8C%E6%95%B4%E8%B7%AF%E5%BE%84%5Cn%20%20%20%20%20%20%20%20pretrained_model_path%20%3D%20os.path.join(current_dir%2C%20'pretrained'%2C%20model_name)%5Cn%20%20%20%20%20%20%20%20if%20not%20os.path.exists(pretrained_model_path)%3A%5Cn%20%20%20%20%20%20%20%20%20%20%20%20print(f%5C%22%E8%AD%A6%E5%91%8A%3A%20%E9%A2%84%E8%AE%AD%E7%BB%83%E6%A8%A1%E5%9E%8B%E6%96%87%E4%BB%B6%E4%B8%8D%E5%AD%98%E5%9C%A8%3A%20%7Bpretrained_model_path%7D%5C%22)%5Cn%20%20%20%20%20%20%20%20%20%20%20%20print(f%5C%22%E8%B7%B3%E8%BF%87%E6%A8%A1%E5%9E%8B%20%7Bmodel_name%7D%20%E7%9A%84%E8%AE%AD%E7%BB%83%5C%22)%5Cn%20%20%20%20%20%20%20%20%20%20%20%20continue%5Cn%20%20%20%20%20%20%20%20%5Cn%20%20%20%20%20%20%20%20try%3A%5Cn%20%20%20%20%20%20%20%20%20%20%20%20%23%20%E5%8A%A0%E8%BD%BD%E6%8C%87%E5%AE%9A%E7%9A%84%E9%A2%84%E8%AE%AD%E7%BB%83%E6%A8%A1%E5%9E%8B%5Cn%20%20%20%20%20%20%20%20%20%20%20%20model%20%3D%20YOLO(pretrained_model_path)%5Cn%20%20%20%20%20%20%20%20%20%20%20%20%5Cn%20%20%20%20%20%20%20%20%20%20%20%20%23%20---%204.%20%E5%BC%80%E5%A7%8B%E8%AE%AD%E7%BB%83%20---%5Cn%20%20%20%20%20%20%20%20%20%20%20%20%5Cn%20%20%20%20%20%20%20%20%20%20%20%20print(f%5C%22%E5%BC%80%E5%A7%8B%E8%AE%AD%E7%BB%83%20%7Bmodel_name%7D...%5C%22)%5Cn%20%20%20%20%20%20%20%20%20%20%20%20%23%20%E8%B0%83%E7%94%A8train%E6%96%B9%E6%B3%95%E5%BC%80%E5%A7%8B%E8%AE%AD%E7%BB%83%5Cn%20%20%20%20%20%20%20%20%20%20%20%20model.train(%5Cn%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20data%3Ddata_yaml_path%2C%20%20%23%20%E6%95%B0%E6%8D%AE%E9%9B%86%E9%85%8D%E7%BD%AE%E6%96%87%E4%BB%B6%5Cn%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20epochs%3D100%2C%20%20%20%20%20%20%20%20%20%20%20%23%20%E8%AE%AD%E7%BB%83%E8%BD%AE%E6%AC%A1%5Cn%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20imgsz%3D640%2C%20%20%20%20%20%20%20%20%20%20%20%20%23%20%E8%BE%93%E5%85%A5%E5%9B%BE%E5%83%8F%E5%B0%BA%E5%AF%B8%5Cn%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20batch%3D8%2C%20%20%20%20%20%20%20%20%20%20%20%20%20%23%20%E6%AF%8F%E6%89%B9%E6%AC%A1%E7%9A%84%E5%9B%BE%E5%83%8F%E6%95%B0%E9%87%8F%5Cn%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20name%3Dtrain_name%2C%20%20%20%20%20%20%23%20%E6%A8%A1%E5%9E%8B%E5%90%8D%E7%A7%B0%5Cn%20%20%20%20%20%20%20%20%20%20%20%20)%5Cn%20%20%20%20%20%20%20%20%20%20%20%20%5Cn%20%20%20%20%20%20%20%20%20%20%20%20print(f%5C%22%7Bmodel_name%7D%20%E8%AE%AD%E7%BB%83%E5%AE%8C%E6%88%90%EF%BC%81%5C%22)%5Cn%20%20%20%20%20%20%20%20%20%20%20%20%5Cn%20%20%20%20%20%20%20%20except%20Exception%20as%20e%3A%5Cn%20%20%20%20%20%20%20%20%20%20%20%20print(f%5C%22%E8%AE%AD%E7%BB%83%20%7Bmodel_name%7D%20%E6%97%B6%E5%87%BA%E7%8E%B0%E9%94%99%E8%AF%AF%3A%20%7Bstr(e)%7D%5C%22)%5Cn%20%20%20%20%20%20%20%20%20%20%20%20print(f%5C%22%E8%B7%B3%E8%BF%87%E6%A8%A1%E5%9E%8B%20%7Bmodel_name%7D%EF%BC%8C%E7%BB%A7%E7%BB%AD%E8%AE%AD%E7%BB%83%E4%B8%8B%E4%B8%80%E4%B8%AA%E6%A8%A1%E5%9E%8B%5C%22)%5Cn%20%20%20%20%20%20%20%20%20%20%20%20continue%5Cn%20%20%20%20%5Cn%20%20%20%20print(f%5C%22%5C%5Cn%7B'%3D'*60%7D%5C%22)%5Cn%20%20%20%20print(%5C%22%E6%89%80%E6%9C%89%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83%E5%AE%8C%E6%88%90%EF%BC%81%5C%22)%5Cn%20%20%20%20print(f%5C%22%7B'%3D'*60%7D%5C%22)%5Cn%5Cnif%20__name__%20%3D%3D%20%5C%22__main__%5C%22%3A%5Cn%20%20%20%20%23%20%E5%BD%93%E8%AF%A5%E8%84%9A%E6%9C%AC%E8%A2%AB%E7%9B%B4%E6%8E%A5%E6%89%A7%E8%A1%8C%E6%97%B6%EF%BC%8C%E8%B0%83%E7%94%A8main%E5%87%BD%E6%95%B0%5Cn%20%20%20%20main()%5Cn%22%2C%22classes%22%3Anull%7D" data-cke-widget-keep-attr="0" data-cke-widget-upcasted="1" data-widget="codeSnippet"><code># -*- coding: utf-8 -*-
"""
该脚本用于执行YOLO模型的训练。

它会自动处理以下任务：
1. 动态修改数据集配置文件 (data.yaml)，将相对路径更新为绝对路径，以确保训练时能正确找到数据。
2. 从 'pretrained' 文件夹加载指定的预训练模型。
3. 使用预设的参数（如epochs, imgsz, batch）启动训练过程。

要开始训练，只需直接运行此脚本。
"""
import os
import yaml
from pathlib import Path
from ultralytics import YOLO

def main():
"""
主训练函数。

该函数负责执行YOLO模型的训练流程，包括：
1. 配置预训练模型。
2. 动态修改数据集的YAML配置文件，确保路径为绝对路径。
3. 加载预训练模型。
4. 使用指定参数开始训练。
"""
# --- 1. 配置模型和路径 ---

# 要训练的模型列表
models_to_train = [
 {'name': 'yolov5nu.pt', 'train_name': 'train_yolov5nu'},
 {'name': 'yolov8n.pt', 'train_name': 'train_yolov8n'},
 {'name': 'yolo11n.pt', 'train_name': 'train_yolo11n'},
 {'name': 'yolo12n.pt', 'train_name': 'train_yolo12n'}
]

# 获取当前工作目录的绝对路径，以避免相对路径带来的问题
current_dir = os.path.abspath(os.getcwd())

# --- 2. 动态配置数据集YAML文件 ---

# 构建数据集yaml文件的绝对路径
data_yaml_path = os.path.join(current_dir, 'train_data', 'data.yaml')

# 读取原始yaml文件内容
with open(data_yaml_path, 'r', encoding='utf-8') as f:
 data_config = yaml.safe_load(f)

# 将yaml文件中的 'path' 字段修改为数据集目录的绝对路径
# 这是为了确保ultralytics库能正确定位到训练、验证和测试集
data_config['path'] = os.path.join(current_dir, 'train_data')

# 将修改后的配置写回yaml文件
with open(data_yaml_path, 'w', encoding='utf-8') as f:
 yaml.dump(data_config, f, default_flow_style=False, allow_unicode=True)

# --- 3. 循环训练每个模型 ---

for model_info in models_to_train:
 model_name = model_info['name']
 train_name = model_info['train_name']

 print(f"\n{'='*60}")
 print(f"开始训练模型: {model_name}")
 print(f"训练名称: {train_name}")
 print(f"{'='*60}")

 # 构建预训练模型的完整路径
 pretrained_model_path = os.path.join(current_dir, 'pretrained', model_name)
 if not os.path.exists(pretrained_model_path):
 print(f"警告: 预训练模型文件不存在: {pretrained_model_path}")
 print(f"跳过模型 {model_name} 的训练")
 continue

 try:
 # 加载指定的预训练模型
 model = YOLO(pretrained_model_path)

 # --- 4. 开始训练 ---

 print(f"开始训练 {model_name}...")
 # 调用train方法开始训练
 model.train(
 data=data_yaml_path,# 数据集配置文件
 epochs=100, # 训练轮次
 imgsz=640, # 输入图像尺寸
 batch=8, # 每批次的图像数量
 name=train_name, # 模型名称
 )

 print(f"{model_name} 训练完成！")

 except Exception as e:
 print(f"训练 {model_name} 时出现错误: {str(e)}")
 print(f"跳过模型 {model_name}，继续训练下一个模型")
 continue

print(f"\n{'='*60}")
print("所有模型训练完成！")
print(f"{'='*60}")

if __name__ == "__main__":
# 当该脚本被直接执行时，调用main函数
main()</code></pre>
<img class="cke_reset cke_widget_drag_handler lazyload" height="15" width="15" data-cke-widget-drag-handler="1" data-src="https://img2024.cnblogs.com/blog/3687401/202508/3687401-20250822165457676-1808144825.gif"></div>
<h2 id="3.%20%E6%8A%80%E6%9C%AF%E6%A0%88">4. 技术栈</h2>
<ul>
<li>
语言：Python 3.10
</li>
<li>
前端界面：PyQt5
</li>
<li>
数据库：SQLite（存储用户信息）
</li>
<li>
模型：YOLOv5、YOLOv8、YOLOv11、YOLOv12
</li>
</ul>
<h2 id="4.%20YOLO%E6%A8%A1%E5%9E%8B%E5%AF%B9%E6%AF%94%E4%B8%8E%E8%AF%86%E5%88%AB%E6%95%88%E6%9E%9C%E8%A7%A3%E6%9E%90">5. YOLO模型对比与识别效果解析</h2>
<h3 id="4.1%20YOLOv5%2FYOLOv8%2FYOLOv11%2FYOLOv12%E6%A8%A1%E5%9E%8B%E5%AF%B9%E6%AF%94">5.1 YOLOv5/YOLOv8/YOLOv11/YOLOv12模型对比</h3>
基于Ultralytics官方COCO数据集训练结果：
<table class="mceItemTable">
<thead>
<tr>
<th>
模型
</th>
<th>
尺寸(像素)
</th>
<th>
mAPval 50-95
</th>
<th>
速度(CPU ONNX/毫秒)
</th>
<th>
参数(M)
</th>
<th>
FLOPs(B)
</th>
</tr>
</thead>
<tbody>
<tr>
<td>
YOLO12n
</td>
<td>
640
</td>
<td>
40.6
</td>
<td>
-
</td>
<td>
2.6
</td>
<td>
6.5
</td>
</tr>
<tr>
<td>
YOLO11n
</td>
<td>
640
</td>
<td>
39.5
</td>
<td>
56.1 ± 0.8
</td>
<td>
2.6
</td>
<td>
6.5
</td>
</tr>
<tr>
<td>
YOLOv8n
</td>
<td>
640
</td>
<td>
37.3
</td>
<td>
80.4
</td>
<td>
3.2
</td>
<td>
8.7
</td>
</tr>
<tr>
<td>
YOLOv5nu
</td>
<td>
640
</td>
<td>
34.3
</td>
<td>
73.6
</td>
<td>
2.6
</td>
<td>
7.7
</td>
</tr>
</tbody>
</table>
关键结论：
<ol>
<li>
精度最高：YOLO12n（mAP 40.6%），显著领先其他模型（较YOLOv5nu高约6.3个百分点）；
</li>
<li>
速度最优：YOLO11n（CPU推理56.1ms），比YOLOv8n快42%，适合实时轻量部署；
</li>
<li>
效率均衡：YOLO12n/YOLO11n/YOLOv8n/YOLOv5nu参数量均为2.6M，FLOPs较低（YOLO12n/11n仅6.5B）；YOLOv8n参数量（3.2M）与计算量（8.7B）最高，但精度优势不明显。
</li>
</ol>
综合推荐：
<ul>
<li>
追求高精度：优先选YOLO12n（精度与效率兼顾）；
</li>
<li>
需高速低耗：选YOLO11n（速度最快且精度接近YOLO12n）；
</li>
<li>
YOLOv5nu/YOLOv8n因性能劣势，无特殊需求时不建议首选。
</li>
</ul>
<h3 id="5.2%C2%A0%E6%95%B0%E6%8D%AE%E9%9B%86%E5%88%86%E6%9E%90">5.2 数据集分析</h3>
<img alt="labels" data-src="https://img2024.cnblogs.com/blog/3687401/202602/3687401-20260202194816625-507077120.jpg" class="lazyload">
数据集中训练集和验证集一共20000+张图片，数据集目标类别120种，数据集配置代码如下：
<div class="cke_widget_wrapper cke_widget_block cke_widget_codeSnippet cke_widget_selected" data-cke-display-name="代码段" data-cke-filter="off" data-cke-widget-id="6" data-cke-widget-wrapper="1">
<pre class="language-xml highlighter-hljs"><code># 犬类品种检测数据集配置文件
# 数据集路径配置
path:
train: train/images # 训练集图片相对路径
val: val/images # 验证集图片相对路径

# 类别数量
nc: 120# 共120个犬类品种

# 类别名称列表 (按ID顺序排列)
names: [
'Chihuahua', 'Japanese_spaniel', 'Maltese_dog', 'Pekinese', 'Shih-Tzu',
'Blenheim_spaniel', 'papillon', 'toy_terrier', 'Rhodesian_ridgeback', 'Afghan_hound',
'basset', 'beagle', 'bloodhound', 'bluetick', 'black-and-tan_coonhound',
'Walker_hound', 'English_foxhound', 'redbone', 'borzoi', 'Irish_wolfhound',
'Italian_greyhound', 'whippet', 'Ibizan_hound', 'Norwegian_elkhound', 'otterhound',
'Saluki', 'Scottish_deerhound', 'Weimaraner', 'Staffordshire_bullterrier', 'American_Staffordshire_terrier',
'Bedlington_terrier', 'Border_terrier', 'Kerry_blue_terrier', 'Irish_terrier', 'Norfolk_terrier',
'Yorkshire_terrier', 'wire-haired_fox_terrier', 'Lakeland_terrier', 'Sealyham_terrier', 'Airedale',
'cairn', 'Australian_terrier', 'Dandie_Dinmont', 'Boston_bull', 'miniature_schnauzer',
'giant_schnauzer', 'standard_schnauzer', 'Scotch_terrier', 'Tibetan_terrier', 'silky_terrier',
'soft-coated_wheaten_terrier', 'West_Highland_white_terrier', 'Lhasa', 'flat-coated_retriever', 'curly-coated_retriever',
'golden_retriever', 'Labrador_retriever', 'Chesapeake_Bay_retriever', 'German_short-haired_pointer', 'vizsla',
'English_setter', 'Irish_setter', 'Gordon_setter', 'Brittany_spaniel', 'clumber',
'English_springer', 'Welsh_springer_spaniel', 'cocker_spaniel', 'Sussex_spaniel', 'Irish_water_spaniel',
'kuvasz', 'schipperke', 'groenendael', 'malinois', 'briard',
'kelpie', 'komondor', 'Old_English_sheepdog', 'Shetland_sheepdog', 'collie',
'Border_collie', 'Bouvier_des_Flandres', 'Rottweiler', 'German_shepherd', 'Doberman',
'miniature_pinscher', 'Greater_Swiss_Mountain_dog', 'Bernese_mountain_dog', 'Appenzeller', 'EntleBucher',
'boxer', 'bull_mastiff', 'Tibetan_mastiff', 'French_bulldog', 'Great_Dane',
'Saint_Bernard', 'Eskimo_dog', 'malamute', 'Siberian_husky', 'affenpinscher',
'basenji', 'pug', 'Leonberg', 'Newfoundland', 'Great_Pyrenees',
'Samoyed', 'Pomeranian', 'chow', 'keeshond', 'Brabancon_griffon',
'Pembroke', 'Cardigan', 'toy_poodle', 'miniature_poodle', 'standard_poodle',
'Mexican_hairless', 'dingo', 'dhole', 'African_hunting_dog', 'Norwich_terrier'
]</code></pre>
</div>
<img alt="train_batch0" data-src="https://img2024.cnblogs.com/blog/3687401/202602/3687401-20260202194925955-450670515.jpg" class="lazyload"><img alt="train_batch1" data-src="https://img2024.cnblogs.com/blog/3687401/202602/3687401-20260202194931601-53282188.jpg" class="lazyload">
上面的图片就是部分样本集训练中经过数据增强后的效果标注。
<h3 id="5.3%20%E8%AE%AD%E7%BB%83%E7%BB%93%E6%9E%9C">5.3 训练结果</h3>
<img alt="confusion_matrix_normalized" data-src="https://img2024.cnblogs.com/blog/3687401/202602/3687401-20260202194941315-149725693.png" class="lazyload">
混淆矩阵显示中识别精准度显示是一条对角线，方块颜色越深代表对应的类别识别的精准度越高。
<img alt="BoxF1_curve" data-src="https://img2024.cnblogs.com/blog/3687401/202602/3687401-20260202194950390-258269108.png" class="lazyload">
F1指数（F1 Score）是统计学和机器学习中用于评估分类模型性能的核心指标，综合了模型的精确率（Precision）和召回率（Recall），通过调和平均数平衡两者的表现。 
当置信度为0.420时，所有类别的综合F1值达到了0.79（蓝色曲线）。
<img alt="BoxPR_curve" data-src="https://img2024.cnblogs.com/blog/3687401/202602/3687401-20260202195008952-1503903228.png" class="lazyload">
mAP@0.5：是目标检测任务中常用的评估指标，表示在交并比（IoU）阈值为0.5时计算的平均精度均值（mAP）。其核心含义是：只有当预测框与真实框的重叠面积（IoU）≥50%时，才认为检测结果正确。
图中可以看到综合mAP@0.5达到了0.846（84.6%），准确率非常高。
<h2 id="4.%20YOLO%E6%A8%A1%E5%9E%8B%E5%AF%B9%E6%AF%94%E4%B8%8E%E8%AF%86%E5%88%AB%E6%95%88%E6%9E%9C%E8%A7%A3%E6%9E%90">6. 源码获取方式</h2>
源码获取方式：https://www.bilibili.com/video/BV1sU6ZBTENk/ 
来源：https://www.cnblogs.com/codingtea/p/19566255

頁: [1]

琼殿技术论坛's Archiver

基于深度学习的狗品种检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)