YOLO+PyQt+MySQL，草莓成熟度检测模型
目录
[1. 前言](#1. 前言)
[2. 项目展示](#2. 项目展示)
[2.1 五次对比试验](#2.1 五次对比试验)
[2.2 登录界面](#2.2 登录界面)
[2.3 检测界面](#2.3 检测界面)
[2.4 训练结果部分展示](#2.4 训练结果部分展示)
[2.5 资源获取](#2.5 资源获取)
[3. 代码运行](#3. 代码运行)
[3.1 数据集](#3.1 数据集)
[3.2 python环境配置](#3.2 python环境配置)
[3.3 mysql数据库](#3.3 mysql数据库)
1. 前言
大家好，这里是宋大水 ，今天给大家分享的是草莓成熟度检测模型 ，主要用到的技术包括YOLO目标检测模型、MySQL数据库和PyQt的检测界面。主要的工作量有登录、注册、图片检测、视频检测和摄像头流的检测，五次对比试验（YOLOv5s，YOLOv8s，YOLO11s，YOLO12s和基于transformer的RT-DETR）。
2. 项目展示
2.1 五次对比试验
|-------------|-----------|-----------|-----------|-----------|----------|----------|-------------|
| | P | R | mAP | mAP50-95 | 参数量（M） | GFLOPs | FPS(4060TI) |
| YOLOv5s | 0.915 | 0.902 | 0.961 | 0.612 | 17.6 | 23.8 | 221.7 |
| YOLOv8s | 0.939 | 0.916 | 0.969 | 0.623 | 21.4 | 28.4 | 210.2 |
| YOLO11s | 0.908 | 0.929 | 0.96 | 0.594 | 18.2 | 21.3 | 208.9 |
| YOLO12s | 0.897 | 0.906 | 0.957 | 0.589 | 18.1 | 21.2 | 161.9 |
| RT-DETR | 0.955 | 0.942 | 0.954 | 0.706 | 63.1 | 103.5 | 55.9 |
选择了目前主流的v5，v8，11，12和RT-DERT这五个模型进行训练，从表中可以看出RT-DERT在mAP50-95这个指标上表现最好，其数值大幅超越YOLO系列模型，但是性能可能是由巨大的数据量堆叠起来，它的FPS的数值很低，所以如果想要一个在精度和推理速度相平衡的模型来说，YOLO系列检测模型无疑还是比较好的选择，在YOLO系列的这四个模型中，YOLOv8s的检测性能相对来说是最好的。
2.2 登录界面
这个界面由PyQt设计，具备两个功能，一个是登录功能 ，一个是注册功能，使用了MySQL数据库，因此我们在登录前首先要配置好数据库，才可以进行注册和登录，登录进去后进行目标检测功能。
2.3 检测界面
这个检测界面也是由PyQt所设计的，所以可以选择四个检测模型pt文件，分别是v5,v8,11和12，选择需要检测的资源，例如图片，视频，摄像头和rtsp流，设置好置信度和IOU，选择是否要将检测结果保存到文件夹，然后点击下方的停止按钮即可开始推理检测。
2.4 训练结果部分展示
在这里展示一些重要的训练结果图片（F1曲线、P-R曲线、训练结果和训练图片）
2.5 资源获取
大家可以点击顶端的B站视频评论区置顶链接即可获取相关资源。
3. 代码运行
3.1 数据集
本实验数据集是一个草莓成熟度检测数据集，三个类别，部分图像如下图所示。
data.yaml配置文件如下：
3.2 python环境配置
本代码运行需要安装一些深度学习包，例如PyTorch，Torchvision，opencv，ultralytics等。
深度学习环境的三种搭建方式（彻底理解安装逻辑和步骤）
大家可以看上面这个视频学习如何安装深度学习环境。
3.3 mysql数据库
因为登录和注册功能使用到了MySQL数据库，所以我们需要安装配置下这个数据库，只需用该文件中的安装包安装mysql8数据库，然后将下面这个sql语句导入到数据库中，并且配置下LoginWindows.py文件的数据库用户名和密码即可使用。
这就是本次给大家分享的目标检测项目，如需更加详细的信息，可以看置顶的B站视频，谢谢。