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
-
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
-
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
- 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
- 多模态检测方式: 支持图片、视频、实时摄像头三种检测模式
- YOLO模型集成: 集成YOLOv8/YOLO11/YOLO12等先进目标检测模型
- 智能检测分析: 基于AI的遥感目标自动识别和定位
- 分层权限管理: 支持管理员和普通用户的差异化功能访问
- 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
- 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
- 遥感监测机构: 卫星影像和航空影像的目标识别与分析
- 城市规划部门: 城市基础设施和地物目标的智能识别
- 环境监测部门: 环境变化监测和地物分类分析
- 科研院所: 遥感影像处理和目标检测算法研究
- 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
- 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) - 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 - 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) - 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 - 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