基于「YOLO目标检测 + 多模态AI分析」的遥感影像目标检测分析系统(vue+flask+数据集+模型训练)

一、项目演示视频

基于「YOLO目标检测 + 多模态AI分析」的遥感影像目标检测分析系统(vue+flask+数据集+模型训练)

二、技术栈

  1. 前端技术栈 (web-vue)

    核心框架: Vue 3.5.13 (Composition API)

    UI组件库: Element Plus 2.9.4

    状态管理: Pinia 2.3.1

    路由管理: Vue Router 4.5.0

    HTTP客户端: Axios 1.7.9

    图表可视化: ECharts 5.6.0

    文档渲染: Marked 16.1.2

    构建工具: Vite 6.1.0 + TypeScript 5.7.2

  2. 后端+算法端技术栈 (web-flask)

    核心框架: Flask (Python)

    数据库: SQLite 3

    身份认证: JWT

    图像处理: OpenCV + NumPy

    深度学习: YOLOv8/YOLO11/YOLO12

    大语言模型: Qwen-VL的API接口

三、功能模块

核心创新点

  1. 多类型目标检测: 支持10种常见遥感目标的智能识别和分类
  2. 多模态检测方式: 支持图片、视频、实时摄像头三种检测模式
  3. YOLO模型集成: 集成YOLOv8/YOLO11/YOLO12等先进目标检测模型
  4. 智能检测分析: 基于AI的遥感目标自动识别和定位
  5. 分层权限管理: 支持管理员和普通用户的差异化功能访问
  6. 完整工作流程: 从数据集管理到模型训练再到目标检测的完整闭环
  7. 多模态大模型辅助分析:使用多模态大模型根据YOLO检测识别结果和遥感影像进一步分析并给出合理建议(属于图片识别功能模块)

应用场景

  1. 遥感监测机构: 卫星影像和航空影像的目标识别与分析
  2. 城市规划部门: 城市基础设施和地物目标的智能识别
  3. 环境监测部门: 环境变化监测和地物分类分析
  4. 科研院所: 遥感影像处理和目标检测算法研究
  5. 教育培训: 遥感技术和目标检测的教学演示

四、项目链接

链接: https://pan.baidu.com/s/1GZcTznkQjjAcx9qkAXfC8g?pwd=g6a8 提取码: g6a8

  1. 完整系统源码
    (1)前端源码(web-vue)
    (2)后端+算法端源码(web-flask)
    (3)模型训练代码(other/model_train/detect)
  2. 项目介绍文档
    (1)项目概述
    (2)项目技术栈
    (3)项目目录结构
    (4)系统架构图、功能模块图
  3. 项目启动教程
    (1)环境安装教程(视频+文档)
    (2)系统启动教程(视频+文档)
  4. 遥感影像目标检测数据集
    (1)总样本数:800张遥感影像
    (2)训练集:559张影像 (正样本: 454, 负样本: 105)
    (3)验证集:160张影像 (正样本: 130, 负样本: 30)
    (4)测试集:81张影像 (正样本: 66, 负样本: 15)
    (5)目标类别: 10类遥感目标检测
    0: airplane - 飞机 - 各类型飞行器的识别和定位
    1: ship - 船舶 - 海上船只的检测和分类
    2: storage_tank - 储油罐 - 工业储罐和储油设施
    3: baseball_diamond - 棒球场 - 体育场馆和运动设施
    4: tennis_court - 网球场 - 网球场地和相关设施
    5: basketball_court - 篮球场 - 篮球场地和体育设施
    6: ground_track_field - 田径场 - 田径运动场和跑道
    7: harbor - 港口 - 港口设施和码头区域
    8: bridge - 桥梁 - 各类桥梁和跨江设施
    9: vehicle - 车辆 - 各类车辆和交通工具
  5. 已经训练好的模型权重,整体精度如下:
    (1)precision (精确率): 0.959
    (2)recall (召回率): 0.85
    (3)mAP50 (IoU阈值0.5时的平均精度): 0.918
    (4)mAP50-95 (IoU阈值0.5-0.95的平均精度): 0.609
    各类别精度表现:
    airplane(飞机): mAP50=0.995, precision=1.0
    ship(船舶): mAP50=0.928, precision=0.917
    storage_tank(储油罐): mAP50=0.995, precision=1.0
    baseball_diamond(棒球场): mAP50=0.964, precision=0.885
    tennis_court(网球场): mAP50=0.995, precision=1.0
    basketball_court(篮球场): mAP50=0.923, precision=0.95
    ground_track_field(田径场): mAP50=0.988, precision=0.978
    harbor(港口): mAP50=0.928, precision=0.955
    bridge(桥梁): mAP50=0.653, precision=1.0
    vehicle(车辆): mAP50=0.81, precision=0.903
相关推荐
爱喝白开水a23 分钟前
2025时序数据库选型,从架构基因到AI赋能来解析
开发语言·数据库·人工智能·架构·langchain·transformer·时序数据库
小咕聊编程1 小时前
【含文档+PPT+源码】基于微信小程序的农产品自主供销商城系统
微信小程序·小程序·毕业设计·农产品
小关会打代码1 小时前
计算机视觉进阶教学之Mediapipe库(一)
人工智能·计算机视觉
羊羊小栈1 小时前
基于知识图谱(Neo4j)和大语言模型(LLM)的图检索增强(GraphRAG)的智能音乐推荐系统(vue+flask+AI算法)
人工智能·毕业设计·neo4j·大作业
缘友一世1 小时前
机器学习决策树与大模型的思维树
人工智能·决策树·机器学习
缘友一世1 小时前
机器学习中的决策树
人工智能·决策树·机器学习
2401_841495642 小时前
【计算机视觉】分水岭实现医学诊断
图像处理·人工智能·python·算法·计算机视觉·分水岭算法·医学ct图像分割
罗小罗同学2 小时前
虚拟细胞赋能药物研发:AI驱动的“细胞模拟器”如何破解研发困局
人工智能·医学ai·虚拟细胞
艾醒3 小时前
探索大语言模型(LLM):参数量背后的“黄金公式”与Scaling Law的启示
人工智能·算法
艾醒3 小时前
探索大语言模型(LLM):使用EvalScope进行模型评估(API方式)
人工智能·算法