效果展示
登录界面
主界面
基于 YOLO11 的目标检测系统，支持图片、视频和实时摄像头检测，集成 DeepSeek AI 分析功能。
功能特性
- 图片目标检测
- 视频文件检测
- 实时摄像头检测
- DeepSeek AI 智能分析
- 可调节的检测参数（置信度、IoU）
- 美观的用户界面
【测试环境】
windows10
anaconda3+python3.10
torch2.3.1
ultralytics8.4.7
Django==5.2.11
【模型可以检测出3类别】
Platelet
RBC
WBC
【训练数据集介绍】
数据集格式：YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的yolo格式txt文件)
图片数量(jpg文件个数)：360
标注数量(txt文件个数)：360
训练集数量：248
验证集数量：73
测试集数量：39
标注类别数：3
所在github仓库：firc-dataset
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):['Platelet','RBC','WBC']
每个类别标注的框数：
Platelet（血小板） 框数=359
RBC（红细胞） 框数=4131
WBC（白细胞） 框数=368
总框数=4858
使用标注工具：labelImg
标注规则：对类别进行画矩形框
重要说明：暂无
特别声明：本数据集不对训练的模型或者权重文件精度作任何保证
图片预览：
标注例子：
【训练信息】
训练集图片数=248
验证集图片数=73
训练map=92.3%
训练精度(Precision)=83.4%
训练召回率(Recall)=93.5%
【验证集精度】
类别=Map50(%)
MAP50
all=92
Platelet=93
RBC=85
WBC=99
安装依赖
bash
pip install -r requirements.txt数据库迁移
bash
python manage.py makemigrations
python manage.py migrate运行项目
bash
python manage.py runserver默认登录信息
- 用户名: admin
- 密码: admin
项目结构
yolo11-django-deepseek-det-system/
├── manage.py # Django 管理脚本
├── yolo_detection/ # 项目配置目录
│ ├── __init__.py
│ ├── settings.py # 项目设置
│ ├── urls.py # 主 URL 配置
│ └── wsgi.py # WSGI 配置
├── detection/ # 检测应用
│ ├── __init__.py
│ ├── apps.py # 应用配置
│ ├── forms.py # 表单定义
│ ├── models.py # 数据模型
│ ├── urls.py # 应用 URL 配置
│ └── views.py # 视图函数
├── templates/ # 模板目录
├── test_img/ # 测试图片目录
│ ├── index.html # 主页面
│ └── login.html # 登录页面
├── static/ # 静态文件目录
├── media/ # 媒体文件目录
│ └── uploads/ # 上传文件目录
├── requirements.txt # 依赖列表
├── weights/ # 模板目录
│ ├── yolov11n.onnx # 模型文件
│ └── results.png # 训练日志图片
│ ├── class_names # 模型类别文件
│ └── 模型说明.txt # 训练简单介绍和训练过程map0.5参数技术栈
- Django 4.2+
- YOLO11 (Ultralytics)
- OpenCV
- DeepSeek API
- Chart.js
- HTML5/CSS3/JavaScript
注意事项
- 确保
yolov11n.onnx模型文件在项目weights目录 - DeepSeek API 密钥需要在
settings.py中配置 - 建议使用 Python 3.8+
常用评估参数介绍
在目标检测任务中，评估模型的性能是至关重要的。你提到的几个术语是评估模型性能的常用指标。下面是对这些术语的详细解释：
Class：
这通常指的是模型被设计用来检测的目标类别。例如，一个模型可能被训练来检测车辆、行人或动物等不同类别的对象。
Images：
表示验证集中的图片数量。验证集是用来评估模型性能的数据集，与训练集分开，以确保评估结果的公正性。
Instances：
在所有图片中目标对象的总数。这包括了所有类别对象的总和，例如，如果验证集包含100张图片，每张图片平均有5个目标对象，则Instances为500。
P（精确度Precision）：
精确度是模型预测为正样本的实例中，真正为正样本的比例。计算公式为：Precision = TP / (TP + FP)，其中TP表示真正例（True Positives），FP表示假正例（False Positives）。
R（召回率Recall）：
召回率是所有真正的正样本中被模型正确预测为正样本的比例。计算公式为：Recall = TP / (TP + FN)，其中FN表示假负例（False Negatives）。
mAP50：
表示在IoU（交并比）阈值为0.5时的平均精度（mean Average Precision）。IoU是衡量预测框和真实框重叠程度的指标。mAP是一个综合指标，考虑了精确度和召回率，用于评估模型在不同召回率水平上的性能。在IoU=0.5时，如果预测框与真实框的重叠程度达到或超过50%，则认为该预测是正确的。
mAP50-95：
表示在IoU从0.5到0.95（间隔0.05）的范围内，模型的平均精度。这是一个更严格的评估标准，要求预测框与真实框的重叠程度更高。在目标检测任务中，更高的IoU阈值意味着模型需要更准确地定位目标对象。mAP50-95的计算考虑了从宽松到严格的多个IoU阈值，因此能够更全面地评估模型的性能。
这些指标共同构成了评估目标检测模型性能的重要框架。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。
常见问题
目标检测训练中，Mean Average Precision（MAP）偏低可能有以下原因：
原因一：欠拟合：如果训练数据量过小，模型可能无法学习到足够的特征，从而影响预测效果，导致欠拟合，进而使MAP偏低。因此可以加大数据集数量
原因二：小目标：如果数据集包含大部分小目标则一般会有可能产生map偏低情况，因为小目标特征不明显，模型很难学到特征。
原因三：模型调参不对：比如学习率调整过大可能会导致学习能力过快，模型参数调节出现紊乱
原因四：过拟合（现在模型基本不存在这种情况）：如果模型在训练数据上表现非常好，但在验证或测试数据上表现较差，可能是出现了过拟合。这通常是因为模型参数过多，而训练数据量相对较小，导致模型学习到了训练数据中的噪声或特定模式，而无法泛化到新的数据。如今现在目标检测模型都对这个情况做的很好，很少有这种情况发生。
原因五：场景不一样：验证集验证精度高，测试集不行，则有可能是与训练模型场景图片不一致导致测试map过低
针对以上原因，可以采取以下措施来提高MAP：
（1）优化模型结构：根据任务和数据集的特点选择合适的模型，并尝试使用不同的网络架构和构件来改进模型性能。
（2）增强数据预处理：对数据进行适当的预处理和增强，如数据归一化、缺失值填充、数据扩增等，以提高模型的泛化能力。
（3）调整损失函数：尝试使用不同的损失函数或组合多种损失函数来优化模型性能。
（4）优化训练策略：调整学习率、批次大小、训练轮数等超参数，以及使用学习率衰减、动量等优化算法来改善模型训练效果。
（5）使用预训练模型：利用在大规模数据集上预训练的模型进行迁移学习，可以加速模型收敛并提高性能。
（6）增加数据集数量
提供的文件
python源码
yolo11n.onnx模型（不提供pytorch模型）
训练的map,P,R曲线图(在weights\results.png)
测试图片（在test_img文件夹下面）
注意提供数据集在数据集地址.xlsx文件中