《博主简介》小伙伴们好我是阿旭。专注于计算机视觉领域包括目标检测、图像分类、图像分割和目标跟踪等项目开发提供模型对比实验、答疑辅导等。《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【YOLOv8多目标识别与自动标注软件开发】8.【基于深度学习的行人跌倒检测系统】9.【基于深度学习的PCB板缺陷检测系统】10.【基于深度学习的生活垃圾分类目标检测系统】11.【基于深度学习的安全帽目标检测系统】12.【基于深度学习的120种犬类检测与识别系统】13.【基于深度学习的路面坑洞检测系统】14.【基于深度学习的火焰烟雾检测系统】15.【基于深度学习的钢材表面缺陷检测系统】16.【基于深度学习的舰船目标分类检测系统】17.【基于深度学习的西红柿成熟度检测系统】18.【基于深度学习的血细胞检测与计数系统】19.【基于深度学习的吸烟/抽烟行为检测系统】20.【基于深度学习的水稻害虫检测与识别系统】21.【基于深度学习的高精度车辆行人检测与计数系统】22.【基于深度学习的路面标志线检测与识别系统】23.【基于深度学习的智能小麦害虫检测识别系统】24.【基于深度学习的智能玉米害虫检测识别系统】25.【基于深度学习的200种鸟类智能检测与识别系统】26.【基于深度学习的45种交通标志智能检测与识别系统】27.【基于深度学习的人脸面部表情识别系统】28.【基于深度学习的苹果叶片病害智能诊断系统】29.【基于深度学习的智能肺炎诊断系统】30.【基于深度学习的葡萄簇目标检测系统】31.【基于深度学习的100种中草药智能识别系统】32.【基于深度学习的102种花卉智能识别系统】33.【基于深度学习的100种蝴蝶智能识别系统】34.【基于深度学习的水稻叶片病害智能诊断系统】35.【基于与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于深度学习的智能草莓病害检测与分割系统】37.【基于深度学习的复杂场景下船舶目标检测系统】38.【基于深度学习的农作物幼苗与杂草检测系统】39.【基于深度学习的智能道路裂缝检测与分析系统】40.【基于深度学习的葡萄病害智能诊断与防治系统】41.【基于深度学习的遥感地理空间物体检测系统】42.【基于深度学习的无人机视角地面物体检测系统】43.【基于深度学习的木薯病害智能诊断与防治系统】44.【基于深度学习的野外火焰烟雾检测系统】45.【基于深度学习的脑肿瘤智能检测系统】46.【基于深度学习的玉米叶片病害智能诊断与防治系统】47.【基于深度学习的橙子病害智能诊断与防治系统】48.【基于深度学习的车辆检测追踪与流量计数系统】49.【基于深度学习的行人检测追踪与双向流量计数系统】50.【基于深度学习的反光衣检测与预警系统】51.【基于深度学习的危险区域人员闯入检测与报警系统】52.【基于深度学习的高密度人脸智能检测与统计系统】53.【基于深度学习的CT扫描图像肾结石智能检测系统】54.【基于深度学习的水果智能检测系统】55.【基于深度学习的水果质量好坏智能检测系统】56.【基于深度学习的蔬菜目标检测与识别系统】57.【基于深度学习的非机动车驾驶员头盔检测系统】58.【太基于深度学习的阳能电池板检测与分析系统】59.【基于深度学习的工业螺栓螺母检测】60.【基于深度学习的金属焊缝缺陷检测系统】61.【基于深度学习的链条缺陷检测与识别系统】62.【基于深度学习的交通信号灯检测识别】63.【基于深度学习的草莓成熟度检测与识别系统】64.【基于深度学习的水下海生物检测识别系统】65.【基于深度学习的道路交通事故检测识别系统】66.【基于深度学习的安检X光危险品检测与识别系统】67.【基于深度学习的农作物类别检测与识别系统】68.【基于深度学习的危险驾驶行为检测识别系统】69.【基于深度学习的维修工具检测识别系统】70.【基于深度学习的维修工具检测识别系统】71.【基于深度学习的建筑墙面损伤检测系统】72.【基于深度学习的煤矿传送带异物检测系统】73.【基于深度学习的老鼠智能检测系统】74.【基于深度学习的水面垃圾智能检测识别系统】75.【基于深度学习的遥感视角船只智能检测系统】76.【基于深度学习的胃肠道息肉智能检测分割与诊断系统】77.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】78.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】79.【基于深度学习的果园苹果检测与计数系统】80.【基于深度学习的半导体芯片缺陷检测系统】81.【基于深度学习的糖尿病视网膜病变检测与诊断系统】82.【基于深度学习的运动鞋品牌检测与识别系统】83.【基于深度学习的苹果叶片病害检测识别系统】84.【基于深度学习的医学X光骨折检测与语音提示系统】85.【基于深度学习的遥感视角农田检测与分割系统】86.【基于深度学习的运动品牌LOGO检测与识别系统】87.【基于深度学习的电瓶车进电梯检测与语音提示系统】88.【基于深度学习的遥感视角地面房屋建筑检测分割与分析系统】89.【基于深度学习的医学CT图像肺结节智能检测与语音提示系统】90.【基于深度学习的舌苔舌象检测识别与诊断系统】91.【基于深度学习的蛀牙智能检测与语音提示系统】92.【基于深度学习的皮肤癌智能检测与语音提示系统】93.【基于深度学习的工业压力表智能检测与读数系统】94.【基于深度学习的CT扫描图像肝脏肿瘤智能检测与分析系统】95.【基于深度学习的CT扫描图像脑肿瘤智能检测与分析系统】96.【基于深度学习的甲状腺结节智能检测分割与诊断系统】97.【基于深度学习的车载视角路面病害检测系统】98.【基于深度学习的宫腔镜病变智能检测与语音提示系统】99.【基于深度学习的人群密集检测统计分析与报警系统】100.【基于深度学习的路面积水智能检测分割与分析系统】二、机器学习实战专栏【链接】已更新31期欢迎关注持续更新中~~三、深度学习【Pytorch】专栏【链接】四、【Stable Diffusion绘画系列】专栏【链接】五、YOLOv8改进专栏【链接】持续更新中~~六、YOLO性能对比专栏【链接】持续更新中~《------正文------》目录基本功能演示研究背景应用场景主要工作内容一、软件核心功能介绍及效果演示软件主要功能界面参数设置说明检测结果说明主要功能说明1图片检测说明2视频检测说明3摄像头检测说明4保存图片与视频检测说明二、模型的训练、评估与推理1.YOLO26介绍YOLO26创新点1. 移除DFL模块简化预测流程2. 端到端无NMS推理降低 latency3. ProgLossSTAL提升检测精度4. MuSGD优化器强化训练稳定性数据集准备与训练2.模型训练3. 训练结果评估4. 使用模型进行推理四、可视化系统制作Pyqt5详细介绍系统制作【获取方式】基本功能演示项目视频演示地址https://www.bilibili.com/video/BV1bHw9zREE2摘要铁路作为交通大动脉轨道健康直接关乎行车安全。铁轨长期受重载与环境侵蚀易发扣件螺栓缺失及接头损伤等隐患。传统人工巡检强度大、效率低且受环境限制难辨细微缺陷存在漏检风险。本文基于YOLO26的深度学习框架通过2571张实际场景中铁轨部件缺陷的相关图片训练了一个缺陷检测模型可对铁轨部件缺陷检测同时进行语音提示。最终基于训练好的模型制作了一款带UI界面的铁轨部件缺陷检测与语音提示系统更便于实际应用。该系统是基于python与PyQT5开发的支持图片、视频以及摄像头进行目标检测并保存检测结果。本文提供了完整的Python代码和使用教程给感兴趣的小伙伴参考学习完整的代码资源文件获取方式见文末。点击跳转至文末《完整相关文件及源码》获取研究背景铁路作为国家交通大动脉其轨道部件的健康状态直接决定行车安全。铁轨长期承受高频重载与复杂环境侵蚀极易出现扣件缺失、轨枕螺栓松动脱落、钢轨接头损伤等隐患。传统人工巡检方式劳动强度大、效率低且受天气光线限制难以实时发现细微缺陷存在漏检风险。基于YOLO深度学习框架研发的铁轨部件缺陷检测与语音提示系统能够精准识别“不良接头”、“扣件/螺栓缺失”等5类关键状态并实时统计与语音播报。该系统将被动的人工排查转变为主动的智能化实时预警大幅提升了缺陷检出率与响应速度有效防范脱轨等重大事故对降低运维成本、保障铁路运输安全畅通具有不可替代的战略意义。应用场景轨道巡检车实时监测搭载于高速或普速轨道巡检车在运行过程中实时分析前方轨道视频流。一旦检测到“扣件缺失”或“不良接头”系统立即语音警报如“前方50米扣件缺失”提示驾驶员或后台中心记录坐标实现“边走边检边报”。手持式工务维修辅助集成于工务段巡道员的手持终端或智能眼镜中。在日常徒步巡检时系统自动框选并识别“轨枕螺栓缺失”等隐患通过语音即时反馈辅助维修人员快速定位故障点减少人工肉眼疏漏。高铁动卧/综合检测列车集成嵌入既有综合检测列车的数据处理单元对全线轨道部件进行高密度扫描。自动统计每公里内的“扣件完好”率与缺陷数量生成带语音标记的缺陷报告为制定精细化维修计划提供数据支撑。主要工作内容本文的主要内容包括以下几个方面搜集与整理数据集搜集整理实际场景中铁轨部件缺陷的相关数据图片并进行相应的数据标注与处理为模型训练提供训练数据集训练模型基于整理的数据集根据最前沿的YOLO26目标检测技术训练目标检测模型实现对需要检测的对象进行有效检测的功能模型性能评估对训练出的模型在验证集上进行了充分的结果评估和对比分析主要目的是为了揭示模型在关键指标如Precision、Recall、mAP50和mAP50-95等指标上的表现情况。可视化系统制作基于训练出的目标检测模型搭配Pyqt5制作的UI界面用python开发了一款界面简洁的软件系统可支持图片、视频以及摄像头检测同时可以将图片或者视频检测结果进行保存。其目的是为检测系统提供一个用户友好的操作平台使用户能够便捷、高效地进行检测任务。软件初始界面如下图所示检测结果界面如下一、软件核心功能介绍及效果演示软件主要功能1. 可用于铁轨部件缺陷检测分5个检测类别[不良接头,扣件完好,接头完好,轨枕螺栓缺失,扣件缺失];2. 支持图片、视频及摄像头进行检测同时支持图片的批量检测3. 当检测到有缺陷时会有相应文字提示同时会进行语音提示4. 界面可实时显示目标位置、目标总数、置信度、用时、检测结果等信息;5. 支持图片或者视频的检测结果保存6. 支持将图片的检测结果保存为csv文件;界面参数设置说明置信度阈值也就是目标检测时的conf参数只有检测出的目标框置信度大于该值结果才会显示交并比阈值也就是目标检测时的iou参数对检测框重叠比例iou大于该阈值的目标框进行过滤【也就是说假如两检测框iou大于该值的话会过滤掉其中一个该值越小重叠框会越少】检测结果说明语音提示功能检测结果区域如检测到目标会显示发现缺陷同时会有语音提示。显示标签名称与置信度表示是否在检测图片上标签名称与置信度显示默认未勾选如果勾选则会在检测图片上显示标签名称与置信度目标总数表示画面中检测出的目标数目缺陷数表示检测出来的缺陷数目目标选择可选择单个目标进行位置信息、置信度查看。目标位置表示所选择目标的检测框左上角与右下角的坐标位置。默认显示的是置信度最大的一个目标信息主要功能说明功能视频演示见文章开头以下是简要的操作描述。1图片检测说明点击打开图片按钮选择需要检测的图片或者点击打开文件夹按钮选择需要批量检测图片所在的文件夹操作演示如下点击目标下拉框后可以选定指定目标的结果信息进行显示。点击保存按钮会对检测结果进行保存存储路径为save_data目录下,同时会将图片检测信息保存csv文件。注1.右侧目标位置默认显示置信度最大一个目标位置可用下拉框进行目标切换。所有检测结果均在左下方表格中显示。2视频检测说明点击视频按钮打开选择需要检测的视频就会自动显示检测结果再次点击可以关闭视频。点击保存按钮会对视频检测结果进行保存存储路径为save_data目录下。3摄像头检测说明点击打开摄像头按钮可以打开摄像头可以实时进行检测再次点击可关闭摄像头。4保存图片与视频检测说明点击保存按钮后会将当前选择的图片【含批量图片】或者视频的检测结果进行保存对于图片图片检测还会保存检测结果为csv文件,方便进行查看与后续使用。检测的图片与视频结果会存储在save_data目录下。【注暂不支持视频文件的检测结果保存为csv文件格式。】保存的检测结果文件如下图片文件保存的csv文件内容如下包括图片路径、目标在图片中的编号、目标类别、置信度、目标坐标位置。注其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。二、模型的训练、评估与推理1.YOLO26介绍本项目采用的是最新的YOLO26模型。YOLO26 是 Ultralytics 2026 年 1 月推出的新一代计算机视觉模型主打边缘优先、高效部署。它采用端到端免 NMS 架构移除 DFL 模块CPU 推理速度较前代提升 43%搭配 MuSGD 优化器与 ProgLossSTAL 损失策略强化小目标检测能力支持检测、分割、姿势估计等多任务可无缝适配树莓派、嵌入式设备等终端广泛应用于智慧农业、安防监控等领域。YOLO各版本性能对比YOLO26创新点YOLO26的性能飞跃源于四大核心技术创新从模型架构到训练机制全面优化1. 移除DFL模块简化预测流程早期YOLO模型依赖分布焦点损失DFL提升边界框精度但这一模块增加了部署复杂度且存在固定回归限制。YOLO26彻底移除DFL不仅简化了边界框预测逻辑提升了硬件兼容性还解决了超大目标检测的可靠性问题让模型在边缘设备上的导出与运行更顺畅。2. 端到端无NMS推理降低 latency传统目标检测需通过非极大值抑制NMS进行后处理过滤重叠预测框——这一步骤会增加延迟、提升部署难度。YOLO26采用原生端到端架构直接输出最终预测结果内部自动处理重复预测彻底省去NMS环节大幅降低推理延迟与集成风险完美适配实时边缘场景。3. ProgLossSTAL提升检测精度渐进式损失平衡ProgLoss让模型训练过程更稳定收敛更平滑减少训练波动小目标感知标签分配STAL针对小目标、低可见度目标优化学习机制解决边缘场景中“难检测”问题两项技术结合让YOLO26在复杂场景中仍能保持高可靠检测尤其适用于物联网、机器人、航拍等小目标密集场景。4. MuSGD优化器强化训练稳定性YOLO26采用全新混合优化器MuSGD融合传统随机梯度下降SGD的强泛化能力与大语言模型LLM训练中的先进优化思路。该优化器灵感源自Moonshot AI的Kimi K2能让模型更快达到高性能水平同时降低训练不稳定性尤其在大型复杂数据集训练中表现突出。数据集准备与训练本文主要基于YOLO26n模型进行模型训练训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。总体流程包括数据集准备、模型训练、模型评估。通过网络上搜集关于实际场景中铁轨部件缺陷的相关图片并使用Labelimg标注工具对每张图片进行标注分5个检测类别[不良接头,扣件完好,接头完好,轨枕螺栓缺失,扣件缺失]。该数据集一共包含2571张图片其中训练集包含2057张图片验证集包含266张图片测试集包含248张图片。部分图像及标注如下图所示数据集各类别数目分布情况如下2.模型训练准备好数据集后将图片数据以如下格式放置在项目目录中。在项目目录中新建datasets目录同时将检测的图片分为训练集与验证集放入Data目录下。同时我们需要新建一个data.yaml文件用于存储训练数据的路径及模型需要进行检测的类别。在进行模型训练时会读取该文件的信息用于进行模型的训练与验证。data.yaml的具体内容如下train:E:\MyCVProgram\RailDefect_26\datasets\train val:E:\MyCVProgram\RailDefect_26\datasets\valid test:E:\MyCVProgram\RailDefect_26\datasets\test nc:5names:[Defective Joint,Good Fasteners,Good Joint,Missing Dogscrew,Missing Fastener]注train与val后面表示需要训练图片的路径建议直接写自己文件的绝对路径。数据准备完成后通过调用train.py文件进行模型训练epochs参数用于调整训练的轮数batch参数用于调整训练的批次大小【根据内存大小调整最小为1】optimizer设定的优化器为SGD训练代码如下#coding:utf-8fromultralyticsimportYOLOimportmatplotlib matplotlib.use(TkAgg)# 模型配置文件model_yaml_pathultralytics/cfg/models/26/yolo26.yaml#数据集配置文件data_yaml_pathrPuddleSeg/data/data/data.yaml#预训练模型pre_model_nameyolo26n.ptif__name____main__:#加载预训练模型modelYOLO(model_yaml_path).load(pre_model_name)#训练模型resultsmodel.train(datadata_yaml_path,epochs150,batch32,nametrain_26)模型常用训练超参数参数说明YOLO26模型的训练设置包括训练过程中使用的各种超参数和配置。这些设置会影响模型的性能、速度和准确性。关键的训练设置包括批量大小、学习率、动量和权重衰减。此外优化器、损失函数和训练数据集组成的选择也会影响训练过程。对这些设置进行仔细的调整和实验对于优化性能至关重要。以下是一些常用的模型训练参数和说明参数名默认值说明modelNone指定用于训练的模型文件。接受指向.pt预训练模型或.yaml配置文件。对于定义模型结构或初始化权重至关重要。dataNone数据集配置文件的路径例如coco8.yaml).该文件包含特定于数据集的参数包括训练数据和验证数据的路径、类名和类数。epochs100训练总轮数。每个epoch代表对整个数据集进行一次完整的训练。调整该值会影响训练时间和模型性能。patience100在验证指标没有改善的情况下提前停止训练所需的epoch数。当性能趋于平稳时停止训练有助于防止过度拟合。batch16批量大小有三种模式:设置为整数(例如’ Batch 16 ‘) 60% GPU内存利用率的自动模式(’ Batch -1 ‘)或指定利用率分数的自动模式(’ Batch 0.70 )。imgsz640用于训练的目标图像尺寸。所有图像在输入模型前都会被调整到这一尺寸。影响模型精度和计算复杂度。deviceNone指定用于训练的计算设备单个 GPU (device0、多个 GPU (device0,1)、CPU (devicecpu)或苹果芯片的 MPS (devicemps).workers8加载数据的工作线程数每RANK多 GPU 训练。影响数据预处理和输入模型的速度尤其适用于多 GPU 设置。nameNone训练运行的名称。用于在项目文件夹内创建一个子目录用于存储训练日志和输出结果。pretrainedTrue决定是否从预处理模型开始训练。可以是布尔值也可以是加载权重的特定模型的字符串路径。提高训练效率和模型性能。optimizerauto为训练模型选择优化器。选项包括SGD,Adam,AdamW,NAdam,RAdam,RMSProp等或auto用于根据模型配置进行自动选择。影响收敛速度和稳定性lr00.01初始学习率即SGD1E-2,Adam1E-3) .调整这个值对优化过程至关重要会影响模型权重的更新速度。lrf0.01最终学习率占初始学习率的百分比 (lr0 * lrf)与调度程序结合使用随着时间的推移调整学习率。3. 训练结果评估在深度学习中我们通常用损失函数下降的曲线来观察模型训练的情况。YOLO26在训练时主要包含三个方面的损失定位损失(box_loss)、分类损失(cls_loss)和动态特征损失dfl_loss在训练结束后可以在runs/目录下找到训练过程及结果文件如下所示各损失函数作用说明定位损失box_loss预测框与标定框之间的误差GIoU越小定位得越准分类损失cls_loss计算锚框与对应的标定分类是否正确越小分类得越准动态特征损失dfl_lossDFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时目标框需要缩放到特征图尺度即除以相应的stride并与预测的边界框计算Ciou Loss同时与预测的anchors中心点到各边的距离计算回归DFLLoss。本文训练结果如下我们通常用PR曲线来体现精确率和召回率的关系本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积m表示平均后面的数表示判定iou为正负样本的阈值。mAP.5表示阈值大于0.5的平均mAP可以看到本文模型目标检测的mAP0.5值为0.935结果还是十分不错的。4. 使用模型进行推理模型训练完成后我们可以得到一个最佳的训练结果模型best.pt文件在runs/train/weights目录下。我们可以使用该文件进行后续的推理检测。图片检测代码如下#coding:utf-8fromultralyticsimportYOLOimportcv2# 所需加载的模型目录pathmodels/best.pt# 需要检测的图片地址img_pathTestFiles/aug_prefix_0_9027_jpg.rf.45cc8c95ebc9fa32e508d140068eaae2.jpg# 加载预训练模型modelYOLO(path,taskdetect)# 检测图片resultsmodel(img_path,conf0.3)resresults[0].plot()# res cv2.resize(res,dsizeNone,fx0.3,fy0.3,interpolationcv2.INTER_LINEAR)cv2.imshow(Detection Result,res)cv2.waitKey(0)执行上述代码后会将执行的结果直接标注在图片上结果如下更多检测结果示例如下四、可视化系统制作基于上述训练出的目标检测模型为了给此检测系统提供一个用户友好的操作平台使用户能够便捷、高效地进行检测任务。博主基于Pyqt5开发了一个可视化的系统界面通过图形用户界面GUI用户可以轻松地在图片、视频和摄像头实时检测之间切换无需掌握复杂的编程技能即可操作系统。【系统详细展示见第一部分内容】Pyqt5详细介绍关于Pyqt5的详细介绍可以参考之前的博客文章《Python中的Pyqt5详细介绍基本机构、部件、布局管理、信号与槽、跨平台》地址https://a-xu-ai.blog.csdn.net/article/details/143273797系统制作博主基于Pyqt5框架开发了此款铁轨部件缺陷检测与语音提示系统即文中第一部分的演示内容能够很好的支持图片、视频及摄像头进行检测同时支持检测结果的保存。通过图形用户界面GUI用户可以轻松地在图片、视频和摄像头实时检测之间切换无需掌握复杂的编程技能即可操作系统。这不仅提升了系统的可用性和用户体验还使得检测过程更加直观透明便于结果的实时观察和分析。此外GUI还可以集成其他功能如检测结果的保存与导出、检测参数的调整从而为用户提供一个全面、综合的检测工作环境促进智能检测技术的广泛应用。关于该系统涉及到的完整源码、UI界面代码、数据集、训练代码、训练好的模型、测试图片视频等相关文件均已打包上传感兴趣的小伙伴可以通过下载链接自行获取。【获取方式】关注末尾名片GZH【阿旭算法与机器学习】号内发送【源码】获取下载方式本文涉及到的完整全部程序文件包括python源码、数据集、训练好的结果文件、训练代码、UI源码、测试图片视频等见下图获取方式见文末注意该代码基于Python3.9开发运行界面的主程序为MainProgram.py其他测试脚本说明见上图。为确保程序顺利运行请按照程序运行说明文档txt配置软件运行所需环境。
基于YOLO26深度学习的铁轨部件缺陷检测与语音提示系统【python源码+Pyqt5界面+数据集+训练代码】
《博主简介》小伙伴们好我是阿旭。专注于计算机视觉领域包括目标检测、图像分类、图像分割和目标跟踪等项目开发提供模型对比实验、答疑辅导等。《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【YOLOv8多目标识别与自动标注软件开发】8.【基于深度学习的行人跌倒检测系统】9.【基于深度学习的PCB板缺陷检测系统】10.【基于深度学习的生活垃圾分类目标检测系统】11.【基于深度学习的安全帽目标检测系统】12.【基于深度学习的120种犬类检测与识别系统】13.【基于深度学习的路面坑洞检测系统】14.【基于深度学习的火焰烟雾检测系统】15.【基于深度学习的钢材表面缺陷检测系统】16.【基于深度学习的舰船目标分类检测系统】17.【基于深度学习的西红柿成熟度检测系统】18.【基于深度学习的血细胞检测与计数系统】19.【基于深度学习的吸烟/抽烟行为检测系统】20.【基于深度学习的水稻害虫检测与识别系统】21.【基于深度学习的高精度车辆行人检测与计数系统】22.【基于深度学习的路面标志线检测与识别系统】23.【基于深度学习的智能小麦害虫检测识别系统】24.【基于深度学习的智能玉米害虫检测识别系统】25.【基于深度学习的200种鸟类智能检测与识别系统】26.【基于深度学习的45种交通标志智能检测与识别系统】27.【基于深度学习的人脸面部表情识别系统】28.【基于深度学习的苹果叶片病害智能诊断系统】29.【基于深度学习的智能肺炎诊断系统】30.【基于深度学习的葡萄簇目标检测系统】31.【基于深度学习的100种中草药智能识别系统】32.【基于深度学习的102种花卉智能识别系统】33.【基于深度学习的100种蝴蝶智能识别系统】34.【基于深度学习的水稻叶片病害智能诊断系统】35.【基于与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于深度学习的智能草莓病害检测与分割系统】37.【基于深度学习的复杂场景下船舶目标检测系统】38.【基于深度学习的农作物幼苗与杂草检测系统】39.【基于深度学习的智能道路裂缝检测与分析系统】40.【基于深度学习的葡萄病害智能诊断与防治系统】41.【基于深度学习的遥感地理空间物体检测系统】42.【基于深度学习的无人机视角地面物体检测系统】43.【基于深度学习的木薯病害智能诊断与防治系统】44.【基于深度学习的野外火焰烟雾检测系统】45.【基于深度学习的脑肿瘤智能检测系统】46.【基于深度学习的玉米叶片病害智能诊断与防治系统】47.【基于深度学习的橙子病害智能诊断与防治系统】48.【基于深度学习的车辆检测追踪与流量计数系统】49.【基于深度学习的行人检测追踪与双向流量计数系统】50.【基于深度学习的反光衣检测与预警系统】51.【基于深度学习的危险区域人员闯入检测与报警系统】52.【基于深度学习的高密度人脸智能检测与统计系统】53.【基于深度学习的CT扫描图像肾结石智能检测系统】54.【基于深度学习的水果智能检测系统】55.【基于深度学习的水果质量好坏智能检测系统】56.【基于深度学习的蔬菜目标检测与识别系统】57.【基于深度学习的非机动车驾驶员头盔检测系统】58.【太基于深度学习的阳能电池板检测与分析系统】59.【基于深度学习的工业螺栓螺母检测】60.【基于深度学习的金属焊缝缺陷检测系统】61.【基于深度学习的链条缺陷检测与识别系统】62.【基于深度学习的交通信号灯检测识别】63.【基于深度学习的草莓成熟度检测与识别系统】64.【基于深度学习的水下海生物检测识别系统】65.【基于深度学习的道路交通事故检测识别系统】66.【基于深度学习的安检X光危险品检测与识别系统】67.【基于深度学习的农作物类别检测与识别系统】68.【基于深度学习的危险驾驶行为检测识别系统】69.【基于深度学习的维修工具检测识别系统】70.【基于深度学习的维修工具检测识别系统】71.【基于深度学习的建筑墙面损伤检测系统】72.【基于深度学习的煤矿传送带异物检测系统】73.【基于深度学习的老鼠智能检测系统】74.【基于深度学习的水面垃圾智能检测识别系统】75.【基于深度学习的遥感视角船只智能检测系统】76.【基于深度学习的胃肠道息肉智能检测分割与诊断系统】77.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】78.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】79.【基于深度学习的果园苹果检测与计数系统】80.【基于深度学习的半导体芯片缺陷检测系统】81.【基于深度学习的糖尿病视网膜病变检测与诊断系统】82.【基于深度学习的运动鞋品牌检测与识别系统】83.【基于深度学习的苹果叶片病害检测识别系统】84.【基于深度学习的医学X光骨折检测与语音提示系统】85.【基于深度学习的遥感视角农田检测与分割系统】86.【基于深度学习的运动品牌LOGO检测与识别系统】87.【基于深度学习的电瓶车进电梯检测与语音提示系统】88.【基于深度学习的遥感视角地面房屋建筑检测分割与分析系统】89.【基于深度学习的医学CT图像肺结节智能检测与语音提示系统】90.【基于深度学习的舌苔舌象检测识别与诊断系统】91.【基于深度学习的蛀牙智能检测与语音提示系统】92.【基于深度学习的皮肤癌智能检测与语音提示系统】93.【基于深度学习的工业压力表智能检测与读数系统】94.【基于深度学习的CT扫描图像肝脏肿瘤智能检测与分析系统】95.【基于深度学习的CT扫描图像脑肿瘤智能检测与分析系统】96.【基于深度学习的甲状腺结节智能检测分割与诊断系统】97.【基于深度学习的车载视角路面病害检测系统】98.【基于深度学习的宫腔镜病变智能检测与语音提示系统】99.【基于深度学习的人群密集检测统计分析与报警系统】100.【基于深度学习的路面积水智能检测分割与分析系统】二、机器学习实战专栏【链接】已更新31期欢迎关注持续更新中~~三、深度学习【Pytorch】专栏【链接】四、【Stable Diffusion绘画系列】专栏【链接】五、YOLOv8改进专栏【链接】持续更新中~~六、YOLO性能对比专栏【链接】持续更新中~《------正文------》目录基本功能演示研究背景应用场景主要工作内容一、软件核心功能介绍及效果演示软件主要功能界面参数设置说明检测结果说明主要功能说明1图片检测说明2视频检测说明3摄像头检测说明4保存图片与视频检测说明二、模型的训练、评估与推理1.YOLO26介绍YOLO26创新点1. 移除DFL模块简化预测流程2. 端到端无NMS推理降低 latency3. ProgLossSTAL提升检测精度4. MuSGD优化器强化训练稳定性数据集准备与训练2.模型训练3. 训练结果评估4. 使用模型进行推理四、可视化系统制作Pyqt5详细介绍系统制作【获取方式】基本功能演示项目视频演示地址https://www.bilibili.com/video/BV1bHw9zREE2摘要铁路作为交通大动脉轨道健康直接关乎行车安全。铁轨长期受重载与环境侵蚀易发扣件螺栓缺失及接头损伤等隐患。传统人工巡检强度大、效率低且受环境限制难辨细微缺陷存在漏检风险。本文基于YOLO26的深度学习框架通过2571张实际场景中铁轨部件缺陷的相关图片训练了一个缺陷检测模型可对铁轨部件缺陷检测同时进行语音提示。最终基于训练好的模型制作了一款带UI界面的铁轨部件缺陷检测与语音提示系统更便于实际应用。该系统是基于python与PyQT5开发的支持图片、视频以及摄像头进行目标检测并保存检测结果。本文提供了完整的Python代码和使用教程给感兴趣的小伙伴参考学习完整的代码资源文件获取方式见文末。点击跳转至文末《完整相关文件及源码》获取研究背景铁路作为国家交通大动脉其轨道部件的健康状态直接决定行车安全。铁轨长期承受高频重载与复杂环境侵蚀极易出现扣件缺失、轨枕螺栓松动脱落、钢轨接头损伤等隐患。传统人工巡检方式劳动强度大、效率低且受天气光线限制难以实时发现细微缺陷存在漏检风险。基于YOLO深度学习框架研发的铁轨部件缺陷检测与语音提示系统能够精准识别“不良接头”、“扣件/螺栓缺失”等5类关键状态并实时统计与语音播报。该系统将被动的人工排查转变为主动的智能化实时预警大幅提升了缺陷检出率与响应速度有效防范脱轨等重大事故对降低运维成本、保障铁路运输安全畅通具有不可替代的战略意义。应用场景轨道巡检车实时监测搭载于高速或普速轨道巡检车在运行过程中实时分析前方轨道视频流。一旦检测到“扣件缺失”或“不良接头”系统立即语音警报如“前方50米扣件缺失”提示驾驶员或后台中心记录坐标实现“边走边检边报”。手持式工务维修辅助集成于工务段巡道员的手持终端或智能眼镜中。在日常徒步巡检时系统自动框选并识别“轨枕螺栓缺失”等隐患通过语音即时反馈辅助维修人员快速定位故障点减少人工肉眼疏漏。高铁动卧/综合检测列车集成嵌入既有综合检测列车的数据处理单元对全线轨道部件进行高密度扫描。自动统计每公里内的“扣件完好”率与缺陷数量生成带语音标记的缺陷报告为制定精细化维修计划提供数据支撑。主要工作内容本文的主要内容包括以下几个方面搜集与整理数据集搜集整理实际场景中铁轨部件缺陷的相关数据图片并进行相应的数据标注与处理为模型训练提供训练数据集训练模型基于整理的数据集根据最前沿的YOLO26目标检测技术训练目标检测模型实现对需要检测的对象进行有效检测的功能模型性能评估对训练出的模型在验证集上进行了充分的结果评估和对比分析主要目的是为了揭示模型在关键指标如Precision、Recall、mAP50和mAP50-95等指标上的表现情况。可视化系统制作基于训练出的目标检测模型搭配Pyqt5制作的UI界面用python开发了一款界面简洁的软件系统可支持图片、视频以及摄像头检测同时可以将图片或者视频检测结果进行保存。其目的是为检测系统提供一个用户友好的操作平台使用户能够便捷、高效地进行检测任务。软件初始界面如下图所示检测结果界面如下一、软件核心功能介绍及效果演示软件主要功能1. 可用于铁轨部件缺陷检测分5个检测类别[不良接头,扣件完好,接头完好,轨枕螺栓缺失,扣件缺失];2. 支持图片、视频及摄像头进行检测同时支持图片的批量检测3. 当检测到有缺陷时会有相应文字提示同时会进行语音提示4. 界面可实时显示目标位置、目标总数、置信度、用时、检测结果等信息;5. 支持图片或者视频的检测结果保存6. 支持将图片的检测结果保存为csv文件;界面参数设置说明置信度阈值也就是目标检测时的conf参数只有检测出的目标框置信度大于该值结果才会显示交并比阈值也就是目标检测时的iou参数对检测框重叠比例iou大于该阈值的目标框进行过滤【也就是说假如两检测框iou大于该值的话会过滤掉其中一个该值越小重叠框会越少】检测结果说明语音提示功能检测结果区域如检测到目标会显示发现缺陷同时会有语音提示。显示标签名称与置信度表示是否在检测图片上标签名称与置信度显示默认未勾选如果勾选则会在检测图片上显示标签名称与置信度目标总数表示画面中检测出的目标数目缺陷数表示检测出来的缺陷数目目标选择可选择单个目标进行位置信息、置信度查看。目标位置表示所选择目标的检测框左上角与右下角的坐标位置。默认显示的是置信度最大的一个目标信息主要功能说明功能视频演示见文章开头以下是简要的操作描述。1图片检测说明点击打开图片按钮选择需要检测的图片或者点击打开文件夹按钮选择需要批量检测图片所在的文件夹操作演示如下点击目标下拉框后可以选定指定目标的结果信息进行显示。点击保存按钮会对检测结果进行保存存储路径为save_data目录下,同时会将图片检测信息保存csv文件。注1.右侧目标位置默认显示置信度最大一个目标位置可用下拉框进行目标切换。所有检测结果均在左下方表格中显示。2视频检测说明点击视频按钮打开选择需要检测的视频就会自动显示检测结果再次点击可以关闭视频。点击保存按钮会对视频检测结果进行保存存储路径为save_data目录下。3摄像头检测说明点击打开摄像头按钮可以打开摄像头可以实时进行检测再次点击可关闭摄像头。4保存图片与视频检测说明点击保存按钮后会将当前选择的图片【含批量图片】或者视频的检测结果进行保存对于图片图片检测还会保存检测结果为csv文件,方便进行查看与后续使用。检测的图片与视频结果会存储在save_data目录下。【注暂不支持视频文件的检测结果保存为csv文件格式。】保存的检测结果文件如下图片文件保存的csv文件内容如下包括图片路径、目标在图片中的编号、目标类别、置信度、目标坐标位置。注其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。二、模型的训练、评估与推理1.YOLO26介绍本项目采用的是最新的YOLO26模型。YOLO26 是 Ultralytics 2026 年 1 月推出的新一代计算机视觉模型主打边缘优先、高效部署。它采用端到端免 NMS 架构移除 DFL 模块CPU 推理速度较前代提升 43%搭配 MuSGD 优化器与 ProgLossSTAL 损失策略强化小目标检测能力支持检测、分割、姿势估计等多任务可无缝适配树莓派、嵌入式设备等终端广泛应用于智慧农业、安防监控等领域。YOLO各版本性能对比YOLO26创新点YOLO26的性能飞跃源于四大核心技术创新从模型架构到训练机制全面优化1. 移除DFL模块简化预测流程早期YOLO模型依赖分布焦点损失DFL提升边界框精度但这一模块增加了部署复杂度且存在固定回归限制。YOLO26彻底移除DFL不仅简化了边界框预测逻辑提升了硬件兼容性还解决了超大目标检测的可靠性问题让模型在边缘设备上的导出与运行更顺畅。2. 端到端无NMS推理降低 latency传统目标检测需通过非极大值抑制NMS进行后处理过滤重叠预测框——这一步骤会增加延迟、提升部署难度。YOLO26采用原生端到端架构直接输出最终预测结果内部自动处理重复预测彻底省去NMS环节大幅降低推理延迟与集成风险完美适配实时边缘场景。3. ProgLossSTAL提升检测精度渐进式损失平衡ProgLoss让模型训练过程更稳定收敛更平滑减少训练波动小目标感知标签分配STAL针对小目标、低可见度目标优化学习机制解决边缘场景中“难检测”问题两项技术结合让YOLO26在复杂场景中仍能保持高可靠检测尤其适用于物联网、机器人、航拍等小目标密集场景。4. MuSGD优化器强化训练稳定性YOLO26采用全新混合优化器MuSGD融合传统随机梯度下降SGD的强泛化能力与大语言模型LLM训练中的先进优化思路。该优化器灵感源自Moonshot AI的Kimi K2能让模型更快达到高性能水平同时降低训练不稳定性尤其在大型复杂数据集训练中表现突出。数据集准备与训练本文主要基于YOLO26n模型进行模型训练训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。总体流程包括数据集准备、模型训练、模型评估。通过网络上搜集关于实际场景中铁轨部件缺陷的相关图片并使用Labelimg标注工具对每张图片进行标注分5个检测类别[不良接头,扣件完好,接头完好,轨枕螺栓缺失,扣件缺失]。该数据集一共包含2571张图片其中训练集包含2057张图片验证集包含266张图片测试集包含248张图片。部分图像及标注如下图所示数据集各类别数目分布情况如下2.模型训练准备好数据集后将图片数据以如下格式放置在项目目录中。在项目目录中新建datasets目录同时将检测的图片分为训练集与验证集放入Data目录下。同时我们需要新建一个data.yaml文件用于存储训练数据的路径及模型需要进行检测的类别。在进行模型训练时会读取该文件的信息用于进行模型的训练与验证。data.yaml的具体内容如下train:E:\MyCVProgram\RailDefect_26\datasets\train val:E:\MyCVProgram\RailDefect_26\datasets\valid test:E:\MyCVProgram\RailDefect_26\datasets\test nc:5names:[Defective Joint,Good Fasteners,Good Joint,Missing Dogscrew,Missing Fastener]注train与val后面表示需要训练图片的路径建议直接写自己文件的绝对路径。数据准备完成后通过调用train.py文件进行模型训练epochs参数用于调整训练的轮数batch参数用于调整训练的批次大小【根据内存大小调整最小为1】optimizer设定的优化器为SGD训练代码如下#coding:utf-8fromultralyticsimportYOLOimportmatplotlib matplotlib.use(TkAgg)# 模型配置文件model_yaml_pathultralytics/cfg/models/26/yolo26.yaml#数据集配置文件data_yaml_pathrPuddleSeg/data/data/data.yaml#预训练模型pre_model_nameyolo26n.ptif__name____main__:#加载预训练模型modelYOLO(model_yaml_path).load(pre_model_name)#训练模型resultsmodel.train(datadata_yaml_path,epochs150,batch32,nametrain_26)模型常用训练超参数参数说明YOLO26模型的训练设置包括训练过程中使用的各种超参数和配置。这些设置会影响模型的性能、速度和准确性。关键的训练设置包括批量大小、学习率、动量和权重衰减。此外优化器、损失函数和训练数据集组成的选择也会影响训练过程。对这些设置进行仔细的调整和实验对于优化性能至关重要。以下是一些常用的模型训练参数和说明参数名默认值说明modelNone指定用于训练的模型文件。接受指向.pt预训练模型或.yaml配置文件。对于定义模型结构或初始化权重至关重要。dataNone数据集配置文件的路径例如coco8.yaml).该文件包含特定于数据集的参数包括训练数据和验证数据的路径、类名和类数。epochs100训练总轮数。每个epoch代表对整个数据集进行一次完整的训练。调整该值会影响训练时间和模型性能。patience100在验证指标没有改善的情况下提前停止训练所需的epoch数。当性能趋于平稳时停止训练有助于防止过度拟合。batch16批量大小有三种模式:设置为整数(例如’ Batch 16 ‘) 60% GPU内存利用率的自动模式(’ Batch -1 ‘)或指定利用率分数的自动模式(’ Batch 0.70 )。imgsz640用于训练的目标图像尺寸。所有图像在输入模型前都会被调整到这一尺寸。影响模型精度和计算复杂度。deviceNone指定用于训练的计算设备单个 GPU (device0、多个 GPU (device0,1)、CPU (devicecpu)或苹果芯片的 MPS (devicemps).workers8加载数据的工作线程数每RANK多 GPU 训练。影响数据预处理和输入模型的速度尤其适用于多 GPU 设置。nameNone训练运行的名称。用于在项目文件夹内创建一个子目录用于存储训练日志和输出结果。pretrainedTrue决定是否从预处理模型开始训练。可以是布尔值也可以是加载权重的特定模型的字符串路径。提高训练效率和模型性能。optimizerauto为训练模型选择优化器。选项包括SGD,Adam,AdamW,NAdam,RAdam,RMSProp等或auto用于根据模型配置进行自动选择。影响收敛速度和稳定性lr00.01初始学习率即SGD1E-2,Adam1E-3) .调整这个值对优化过程至关重要会影响模型权重的更新速度。lrf0.01最终学习率占初始学习率的百分比 (lr0 * lrf)与调度程序结合使用随着时间的推移调整学习率。3. 训练结果评估在深度学习中我们通常用损失函数下降的曲线来观察模型训练的情况。YOLO26在训练时主要包含三个方面的损失定位损失(box_loss)、分类损失(cls_loss)和动态特征损失dfl_loss在训练结束后可以在runs/目录下找到训练过程及结果文件如下所示各损失函数作用说明定位损失box_loss预测框与标定框之间的误差GIoU越小定位得越准分类损失cls_loss计算锚框与对应的标定分类是否正确越小分类得越准动态特征损失dfl_lossDFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时目标框需要缩放到特征图尺度即除以相应的stride并与预测的边界框计算Ciou Loss同时与预测的anchors中心点到各边的距离计算回归DFLLoss。本文训练结果如下我们通常用PR曲线来体现精确率和召回率的关系本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积m表示平均后面的数表示判定iou为正负样本的阈值。mAP.5表示阈值大于0.5的平均mAP可以看到本文模型目标检测的mAP0.5值为0.935结果还是十分不错的。4. 使用模型进行推理模型训练完成后我们可以得到一个最佳的训练结果模型best.pt文件在runs/train/weights目录下。我们可以使用该文件进行后续的推理检测。图片检测代码如下#coding:utf-8fromultralyticsimportYOLOimportcv2# 所需加载的模型目录pathmodels/best.pt# 需要检测的图片地址img_pathTestFiles/aug_prefix_0_9027_jpg.rf.45cc8c95ebc9fa32e508d140068eaae2.jpg# 加载预训练模型modelYOLO(path,taskdetect)# 检测图片resultsmodel(img_path,conf0.3)resresults[0].plot()# res cv2.resize(res,dsizeNone,fx0.3,fy0.3,interpolationcv2.INTER_LINEAR)cv2.imshow(Detection Result,res)cv2.waitKey(0)执行上述代码后会将执行的结果直接标注在图片上结果如下更多检测结果示例如下四、可视化系统制作基于上述训练出的目标检测模型为了给此检测系统提供一个用户友好的操作平台使用户能够便捷、高效地进行检测任务。博主基于Pyqt5开发了一个可视化的系统界面通过图形用户界面GUI用户可以轻松地在图片、视频和摄像头实时检测之间切换无需掌握复杂的编程技能即可操作系统。【系统详细展示见第一部分内容】Pyqt5详细介绍关于Pyqt5的详细介绍可以参考之前的博客文章《Python中的Pyqt5详细介绍基本机构、部件、布局管理、信号与槽、跨平台》地址https://a-xu-ai.blog.csdn.net/article/details/143273797系统制作博主基于Pyqt5框架开发了此款铁轨部件缺陷检测与语音提示系统即文中第一部分的演示内容能够很好的支持图片、视频及摄像头进行检测同时支持检测结果的保存。通过图形用户界面GUI用户可以轻松地在图片、视频和摄像头实时检测之间切换无需掌握复杂的编程技能即可操作系统。这不仅提升了系统的可用性和用户体验还使得检测过程更加直观透明便于结果的实时观察和分析。此外GUI还可以集成其他功能如检测结果的保存与导出、检测参数的调整从而为用户提供一个全面、综合的检测工作环境促进智能检测技术的广泛应用。关于该系统涉及到的完整源码、UI界面代码、数据集、训练代码、训练好的模型、测试图片视频等相关文件均已打包上传感兴趣的小伙伴可以通过下载链接自行获取。【获取方式】关注末尾名片GZH【阿旭算法与机器学习】号内发送【源码】获取下载方式本文涉及到的完整全部程序文件包括python源码、数据集、训练好的结果文件、训练代码、UI源码、测试图片视频等见下图获取方式见文末注意该代码基于Python3.9开发运行界面的主程序为MainProgram.py其他测试脚本说明见上图。为确保程序顺利运行请按照程序运行说明文档txt配置软件运行所需环境。
