基于YOLO26深度学习的安全锥识别检测系统（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）
摘要
安全锥作为临时交通管控和施工区域的核心警示设施，其自动化识别对于智能交通、自动驾驶及施工安全管理具有重要意义。本研究基于YOLO26目标检测算法，构建了一个针对安全锥的单类别检测系统，数据集包含训练集5960张、验证集341张、测试集170张，共计6471张图像。训练过程中，模型在训练集上表现出损失函数的稳定下降，但在验证集上的关键评估指标表现不佳。
详细功能展示视频
https://www.bilibili.com/video/BV1j4ohBsEWo/
引言
随着自动驾驶技术和智慧交通系统的快速发展，道路场景中的小型交通设施识别成为计算机视觉领域的重要研究方向。安全锥（又称路锥、雪糕筒）广泛用于临时车道封闭、施工区域警示、事故现场隔离等场景，是交通参与者必须准确感知的关键对象。对于自动驾驶车辆而言，未能及时识别安全锥可能导致危险决策；对于智能监控系统而言，安全锥的自动检测可用于施工合规性检查与交通流量分析。
传统的安全锥识别方法依赖于手工设计的特征（如颜色、形状、边缘）结合机器学习分类器，在光照变化、遮挡、视角差异等复杂环境下鲁棒性较差。近年来，基于深度学习的目标检测算法，尤其是YOLO（You Only Look Once）系列模型，凭借其端到端、实时性强、精度高等优势，已成为目标检测任务的主流方案。
本研究基于YOLO26框架，针对安全锥这一单一类别，构建了一套完整的检测系统。系统涵盖了数据采集与标注、模型训练、性能评估与误差分析等环节。本文旨在通过系统的训练结果分析，识别当前模型存在的核心问题，并据此提出针对性的改进方向，为后续实现高精度、高召回的安全锥检测系统奠定基础。
目录
https://www.bilibili.com/video/BV1j4ohBsEWo/
功能模块
✅ 用户登录注册：支持密码检测，密码加密。
注册
登录
✅ 图片检测：可对图片进行检测，返回检测框及类别信息。
✅ 参数实时调节（置信度和IoU阈值）
✅ 视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅ 摄像头实时检测：连接USB 摄像头，实现实时监测。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 功能 | 描述 |
|---|---|
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 功能 | 描述 |
|---|---|
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 功能 | 描述 |
|---|---|
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 功能 | 描述 |
|---|---|
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 功能 | 描述 |
|---|---|
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 功能 | 描述 |
|---|---|
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 功能 | 描述 |
|---|---|
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 功能 | 描述 |
|---|---|
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 功能 | 描述 |
|---|---|
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 功能 | 描述 |
|---|---|
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
背景
安全锥识别在智能交通与自动驾驶系统中具有重要且不可替代的作用。安全锥通常用于临时交通管控场景，如道路施工、事故处理、特殊活动车道调整等。这些场景具有高度的动态性和不确定性：安全锥的摆放位置、间距、密度、排列方式因施工需求而异；环境条件方面，光照变化（强光、逆光、夜间、阴影）、天气变化（雨、雪、雾）、路面反射、遮挡（车辆、行人、其他设施）等因素均会对视觉检测造成严重干扰。此外，安全锥本身尺寸相对较小，尤其在远距离或低分辨率图像中，其在画面中的像素占比极低，属于典型的小目标检测问题。
从计算机视觉的角度来看，小目标检测一直是领域内的难点之一。小目标在深度神经网络的特征提取过程中，经过多次下采样（如YOLO通常进行8倍、16倍、32倍下采样），其空间信息会大幅衰减甚至消失。具体而言，一个在原始图像中仅占32×32像素的安全锥，经过32倍下采样后仅剩1个像素点，模型几乎无法从中提取有效形状或纹理特征，更多只能依赖上下文信息进行推测，这极大地增加了误检和漏检的风险。
在数据集构建方面，安全锥检测面临标注成本高、类内差异大、负样本丰富等问题。安全锥虽然颜色鲜艳（通常为红色或橙色），但在不同光照下色偏明显；其锥体形状在不同视角下呈现三角形、梯形甚至近似线形，给标注一致性带来挑战。此外，安全锥常常出现在复杂的道路背景中，路面标线、其他锥形物、临时围挡等易与安全锥产生混淆，要求模型具备较强的判别能力。
数据集介绍
数据集构成
本研究所使用的安全锥检测数据集共包含 6471 张图像，按照标准的目标检测任务划分方式分为三部分：
| 数据集类型 | 图像数量 | 占比 | 用途 |
|---|---|---|---|
| 训练集 | 5960 张 | 92.1% | 模型参数学习 |
| 验证集 | 341 张 | 5.3% | 超参数调优与模型选择 |
| 测试集 | 170 张 | 2.6% | 最终性能评估 |
| 总计 | 6471 张 | 100% | - |
2. 类别信息
数据集仅包含一个目标类别：
-
类别名称：
Safety Cone（安全锥） -
类别数量（nc）：1
训练结果
Ultralytics YOLO26
概述
Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。
YOLO26 的架构遵循三个核心原则：
- 简洁性: YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
- 部署效率： 端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
- 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
- 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于 Segmentation 的语义分割损失和多尺度原型模块，用于高精度 姿势估计 的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决 旋转框检测 中的边界问题。
这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在 CPU 上的运行速度提高了 43% — 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。
主要功能
-
DFL 移除
分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。 -
端到端无NMS推理
与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。 -
ProgLoss + STAL
改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。 -
MuSGD Optimizer
一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。 -
CPU推理速度提升高达43%
YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。 -
实例分割增强
引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。 -
精确姿势估计
集成残差对数似然估计(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。 -
优化旋转框检测解码
引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：
更多推荐
0
0- 0
已为社区贡献77条内容
所有评论(0)