正文

基于mobilenet-v3和yolov5的餐饮有害虫鼠识别及防治系统的设计与实现(代码片段)

闭关修炼——暂退  闭关修炼——暂退  2023-03-19  728

关键词：

在新时代的背景下， “清爽干净”和“卫生健康”成为老百姓对美好生活向往的两个重要因素，这也是当下餐饮行业管理者们不变的追求与目标。随着科技的发展与进步，人工智能成为了文明社会的重要产物，并逐渐应用于日常生活中的方方面面。基于此，设计并开发出一款可以有效预防虫鼠害的系统对于提升管理效率及卫生服务质量是非常有必要的……

本文阐述的内容主要包括：

基于 MobileNet-v3 的虫鼠识别功能的设计与实现
基于 YOLOv5 的鼠类检测功能的设计与实现
基于 PyQt5 的功能封装与人机交互界面的设计与实现

1 成品效果演示

2 基于 MobileNet-v3 的虫鼠识别功能的设计与实现

3 基于 YOLOv5 的鼠类检测功能的设计与实现

4 基于 PyQt5 的功能封装与人机交互界面的设计与实现

5 主要参考文献

1 成品效果演示

1.1 图片成品效果演示

1.2 视频成品效果演示

2 基于 MobileNet-v3 的虫鼠识别功能的设计与实现

2.1 数据集的获取与整理

2.1.1 数据获取

众所周知，数据获取是深度学习领域一项必不可少的技能。数据获取方式多种多样，具体而言：①找与任务相关的公开数据集（如用来进行图像识别的 COCO 数据集、ImageNet 数据集等）；②利用外包平台进行数据获取（如阿里众包、百度数据众包、京东微工等）③当然也可以根据需要自己抱着摄像头采集；④最后一种获取方式是利用网络爬虫技术获取。

在这里，用到的是第 4 种数据获取方式——网络爬虫。用到的是之前自己编写的一款百度图片爬虫APP。

关于该百度图片爬虫 APP 有兴趣的读者请移步：
首发博文：当爬虫遇到PyQt5：GUI界面实现百度图片爬取
GitHub 源码获取：PyQt5/reptile at main · zhao302014/PyQt5 · GitHub

利用自己编写的爬虫工具，共获取了包括 ant、cockroach、fly、mouse、pillworm 在内的 5 种虫鼠类别的数据集，各 50 张，共 250 张。

2.1.2 数据整理

数据整理主要可以考虑三个层面的内容：数据检查与归一化、数据去重、数据集划分。

很显然，上一步获取的数据集不论是分量还是总量都太少，容易由于数据集量太小或模型过大产生过拟合现象。因此，这里采用最简单粗暴的方法防止过拟合：隐式的正则化方法——数据增强。具体而言，用到了包括 Scale、Horizontal、Rotate、Darker、Brighter、Translation、AddNoise 在内的数据增强方法（基于 OpenCV 的相关方法实现的）

# 数据增强之缩放操作
def Scale(image, scale):
    return cv2.resize(image, None, fx=scale, fy=scale, interpolation=cv2.INTER_LINEAR)

# 数据增强之水平翻转
def Flip_Horizontal(image):
    return cv2.flip(image, 1, dst=None)  # 水平镜像

# 数据增强之垂直翻转
def Flip_Vertical(image):
    return cv2.flip(image, 0, dst=None)  # 垂直镜像

# 数据增强之旋转
def Rotate(image, angle=15, scale=0.9):
    w = image.shape[1]
    h = image.shape[0]
    M = cv2.getRotationMatrix2D((w / 2, h / 2), angle, scale)  # 旋转矩阵
    image = cv2.warpAffine(image, M, (w, h))   # 旋转
    return image

# 数据增强之变暗
def Darker(image, percetage=0.9):
    image_copy = image.copy()
    w = image.shape[1]
    h = image.shape[0]
    for xi in range(0, w):
        for xj in range(0, h):
            image_copy[xj, xi, 0] = int(image[xj, xi, 0] * percetage)
            image_copy[xj, xi, 1] = int(image[xj, xi, 1] * percetage)
            image_copy[xj, xi, 2] = int(image[xj, xi, 2] * percetage)
    return image_copy

# 数据增强之变亮
def Brighter(image, percetage=1.1):
    image_copy = image.copy()
    w = image.shape[1]
    h = image.shape[0]
    for xi in range(0, w):
        for xj in range(0, h):
            image_copy[xj, xi, 0] = np.clip(int(image[xj, xi, 0] * percetage), a_max=255, a_min=0)
            image_copy[xj, xi, 1] = np.clip(int(image[xj, xi, 1] * percetage), a_max=255, a_min=0)
            image_copy[xj, xi, 2] = np.clip(int(image[xj, xi, 2] * percetage), a_max=255, a_min=0)
    return image_copy

# 数据增强之平移
def Translation(img, x, y):
    img_info = img.shape
    height = img_info[0]
    width = img_info[1]
    mat_translation = np.float32([[1, 0, x], [0, 1, y]])  # 变换矩阵：设置平移变换所需的计算矩阵：2行3列（平移变换：其中x表示水平方向上的平移距离，y表示竖直方向上的平移距离）
    dst = cv2.warpAffine(img, mat_translation, (width, height))  # 变换函数
    return dst

# 数据增强之增加椒盐噪声
def SaltAndPepper(src, percetage):
    SP_NoiseImg = src.copy()
    SP_NoiseNum = int(percetage * src.shape[0] * src.shape[1])
    for i in range(SP_NoiseNum):
        randR = np.random.randint(0, src.shape[0] - 1)
        randG = np.random.randint(0, src.shape[1] - 1)
        randB = np.random.randint(0, 3)
        if np.random.randint(0, 1) == 0:
            SP_NoiseImg[randR, randG, randB] = 0
        else:
            SP_NoiseImg[randR, randG, randB] = 255
    return SP_NoiseImg

# 数据增强之增加高斯噪声
def GaussianNoise(image, percetage):
    G_Noiseimg = image.copy()
    w = image.shape[1]
    h = image.shape[0]
    G_NoiseNum = int(percetage * image.shape[0] * image.shape[1])
    for i in range(G_NoiseNum):
        temp_x = np.random.randint(0, h)
        temp_y = np.random.randint(0, w)
        G_Noiseimg[temp_x][temp_y][np.random.randint(3)] = np.random.randn(1)[0]
    return G_Noiseimg

# 数据增强之增加高斯滤波
def Blur(img):
    blur = cv2.GaussianBlur(img, (7, 7), 1.5)   # cv2.GaussianBlur(图像，卷积核，标准差）
    return blur

2.2 为什么选择 MobileNet-v3

2.2.1 同样数据集下与其他模型比较

2.2.2 MobileNet-v3 简介

MobileNet-v3 综合了种模型的思想：

2.3 种类提示及灭除策略实现

这两个功能实际上运用两种方式实现：“种类提示”功能实现运用的是爬虫技术，数据来源是百度百科词条概述部分内容；“灭除策略”功能实现运用的是传统的字符串返回方式。

基于爬虫技术实现的核心代码：

def class_value(content):
    # 请求地址
    url = 'https://baike.baidu.com/item/' + urllib.parse.quote(content)
    # 请求头部
    headers = 
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
    
    # 利用请求地址和请求头部构造请求对象
    req = urllib.request.Request(url=url, headers=headers, method='GET')
    # 发送请求，获得响应
    response = urllib.request.urlopen(req)
    # 读取响应，获得文本
    text = response.read().decode('utf-8')
    # 构造 _Element 对象
    html = etree.HTML(text)
    # 使用 xpath 匹配数据，得到匹配字符串列表
    sen_list = html.xpath('//div[contains(@class,"lemma-summary") or contains(@class,"lemmaWgt-lemmaSummary")]//text()')
    # 过滤数据，去掉空白
    sen_list_after_filter = [item.strip('\\n') for item in sen_list]
    # 将字符串列表连成字符串并返回
    return ''.join(sen_list_after_filter)

2.4 demo实现效果

性能指标
模型大小	速度	精确率	召回率	F1-score
5.96 MB	169ms/img	91.20％	83.71%	0.8729

2.5 未来展望

当然，这只是一个实验性的，如果要实际落地当然相差甚远。最大的原因是数据集种类太少，这也是未来的需要改进的点……

3 基于 YOLOv5 的鼠类检测功能的设计与实现

3.1 数据集的整理与获取

同样，数据集获取的是 500 张日常生活中常见的鼠类图片，用到的爬虫工具是前面提到的自己写的百度图片爬虫 APP，由于该功能的本质是目标检测，要用到 Make Sense 线上标注工具。

3.2 YOLOv5 简介

3.3 鼠类检测的设计与实现

该项目基于 YOLOv5 的设计与实现运用的是 GitHub 上 Yolov 5 v5.0 版本的开源项目源码。

关于从安装到实例运用全方位系列讲解 GitHub YOLOv5 开源代码专栏感兴趣的读者请移步：https://blog.csdn.net/it_charge/category_11244228.html

最终实现的效果演示：

性能指标
模型大小	速度	精确率	召回率	mAP_0.5
54.4 MB	69.7s/100img （NVIDIA GeForce GTX 1050 Ti）	93.17%	91.65%	0.9240

3.4 未来展望

在远距离检测方面改进
在个体检测方面改进

4 基于 PyQt5 的功能封装与人机交互界面的设计与实现

4.1 PyQt5 环境安装

首先安装 PyQt：

pip install pyQt5 -i https://pypi.tuna.tsinghua.edu.cn/simple
 
或
 
pip install -i https://mirror.baidu.com/pypi/simple pyQt5
或
pip install pyQt5 -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
或
混合使用

接下来安装 QtDesigner：

pip install pyqt5-tools  -i https://pypi.tuna.tsinghua.edu.cn/simple
 
或
 
pip install -i https://mirror.baidu.com/pypi/simple pyqt5-tools
或
pip install pyqt5-tools-i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
或
混合使用

注：关于 Python GUI 安装细则感兴趣的读者请移步：Python GUI 快速入门_荣仔的博客-CSDN博客

4.2 关键语句摘录

去边框

self.setWindowFlags(Qt.FramelessWindowHint)

设定背景图

window_pale = QtGui.QPalette()
window_pale.setBrush(self.backgroundRole(), QtGui.QBrush(QtGui.QPixmap("background.jpg"))) 
self.setPalette(window_pale)

设置弹窗

QMessageBox.information(self, "抱歉", "该功能正在抢修中...")

重写鼠标事件

# 重写鼠标移动事件
def mouseMoveEvent(self, e: QMouseEvent):
    if self._tracking:
        self._endPos = e.pos() - self._startPos
        self.move(self.pos() + self._endPos)
        self.setCursor(QCursor(Qt.SizeAllCursor))
# 重写鼠标“按”事件
def mousePressEvent(self, e: QMouseEvent):
    if e.button() == Qt.LeftButton:
        self._startPos = QPoint(e.x(), e.y())
        self._tracking = True
# 重写鼠标“抬”事件
def mouseReleaseEvent(self, e: QMouseEvent):
    if e.button() == Qt.LeftButton:
        self._tracking = False
        self._startPos = None
        self._endPos = None
        self.setCursor(QCursor(Qt.ArrowCursor))

显示图片

self.classlabel = QLabel(self)
self.classlabel.setFixedSize(100, 100)
self.classlabel.move(100, 100)
self.classlabel.setPixmap(QPixmap("image.png"))
self.classlabel.setScaledContents(True)

显示文字

self.classlabel = QLabel(self)
self.classlabel.setText("文本内容……")
self.classlabel.move(100, 100)
self.classlabel.setStyleSheet(
        "QLabelcolor:black;font-size:15px;font-weight:bold;font-family:KaiTi;"
 )

模拟系统重写“最小化”、“缩小界面”、“关闭”按钮

# 红色按钮：重写“关闭”事件
self.button_red = QPushButton(self)
self.button_red.move(900, 11)
self.button_red.setFixedSize(18, 18)
self.button_red.setStyleSheet("QPushButtonbackground:#CE0000;color:white;box-shadow: 1px 1px 3px;border-radius: 9px"
                              "QPushButton:hoverbackground:red;"
                              "QPushButton:pressedborder: 1px solid #3C3C3C!important;background:black")
self.button_red.clicked.connect(self.quit_button)
# 黄色按钮：重写“缩小”事件
self.button_orange = QPushButton(self)
self.button_orange.move(865, 11)
self.button_orange.setFixedSize(18, 18)
self.button_orange.setStyleSheet("QPushButtonbackground:orange;color:white;box-shadow: 1px 1px 3px;border-radius: 9px"
                                 "QPushButton:hoverbackground:#FFD306"
                                 "QPushButton:pressedborder: 1px solid #3C3C3C!important;background:black")
# 绿色按钮：重写“最小化”事件
self.button_green = QPushButton(self)
self.button_green.move(830, 11)
self.button_green.setFixedSize(18, 18)
self.button_green.setStyleSheet("QPushButtonbackground:green;color:white;box-shadow: 1px 1px 3px;border-radius: 9px"
                                "QPushButton:hoverbackground:#08BF14"
                                "QPushButton:pressedborder: 1px solid #3C3C3C!important;background:black")

def quit_button(self):
        quit()

实现图片轮播

    self.classlabel = QLabel(self)
    self.classlabel.setFixedSize(777, 333)
    self.classlabel.move(100, 222)
    self.classlabel.setPixmap(QPixmap("image.jpg"))
    self.classlabel.setScaledContents(True)
    global lu
    self.n = 1
    self.lu = "./images/" + str(self.n) + ".jpg"
    self.pm = QPixmap(self.lu)
    self.lbpic = myLabel(self)
    self.lbpic.setPixmap(self.pm)
    self.lbpic.resize(777, 333)
    self.lbpic.move(100, 222)
    self.lbpic.setScaledContents(True)
    self.lbpic._signal.connect(self.callbacklog)  # 连接信号
    self.timer1 = QTimer(self)
    self.timer1.timeout.connect(self.timer_TimeOut)
    self.timer1.start(2000)
    self.show()

def timer_TimeOut(self):
    self.n += 1
    if self.n > 3:
        self.n = 1
    self.lu = "./images/" + str(self.n) + ".jpg"
    self.pm = QPixmap(self.lu)
    self.lbpic.setPixmap(self.pm)

def callbacklog(self, msg):
    from PIL import Image
    import matplotlib.pyplot as plt
    img = Image.open(self.lu)
    plt.figure("image")
    plt.imshow(img)
    plt.show()

实现按钮选择

self.radioButton_1 = QtWidgets.QRadioButton(self)
self.radioButton_1.setGeometry(QtCore.QRect(100, 100, 100, 100))
self.radioButton_1.setStyleSheet("color:black;font-size:18px;font-weight:bold;font-family:KaiTi;")
self.radioButton_1.setObjectName("radioButton_1")
self.radioButton_2 = QtWidgets.QRadioButton(self)
self.radioButton_2.setGeometry(QtCore.QRect(100, 100, 100, 100))
self.radioButton_2.setStyleSheet("color:black;font-size:18px;font-weight:bold;font-family:KaiTi;")
self.radioButton_2.setObjectName("radioButton_2")
translate = QtCore.QCoreApplication.translate
self.radioButton_1.setText(translate("Form", "选项一"))
self.radioButton_1.setChecked(True)
self.radioButton_2.setText(translate("Form", "选项二"))

实现下拉列表选择

self.cb1 = QComboBox(self)
self.cb1.move(503, 181)
self.cb1.addItems(['选项 1'])
self.cb2 = QComboBox(self)
self.cb2.move(606, 181)
self.cb2.addItems(['选项 2.1', '选项 2.2', '选项 2.3'])
self.cb3 = QComboBox(self)
self.cb3.move(693, 181)
self.cb3.addItems(['选项 3.1', '选项 3.2', '选项 3.3', '选项 3.4', '选项 3.5'])

实现选择本地文件夹导出图片

def openimage(self):
    self.imgName, self.imgType = QFileDialog.getOpenFileName(self, '选择图片', '.', '图像文件(*.jpg)')
    jpg_img = QtGui.QPixmap(self.imgName).scaled(self.imglabel.width(), self.imglabel.height())
    self.imglabel.setPixmap(jpg_img)

实现选择本地文件夹导出视频

def button_video_open(self):
    video_name, _ = QtWidgets.QFileDialog.getOpenFileName(self, "打开视频", "", "*.mp4;;*.avi;;All Files(*)")
    flag = self.cap.open(video_name)
    if flag == False:
        QtWidgets.QMessageBox.warning(self, u"Warning", u"打开视频失败", buttons=QtWidgets.QMessageBox.Ok,
                                      defaultButton=QtWidgets.QMessageBox.Ok)
    else:
        self.out = cv2.VideoWriter('prediction.avi', cv2.VideoWriter_fourcc(*'MJPG'), 20,
                                   (int(self.cap.get(3)), int(self.cap.get(4))))
        self.timer_video.start(30)
        self.pushButton_video.setDisabled(True)
        self.pushButton_img.setDisabled(True)
        self.pushButton_camera.setDisabled(True)

实现摄像头显示效果

def button_camera_open(self):
    if not self.timer_video.isActive():
        # 默认使用第一个本地camera
        flag = self.cap.open(0)
        if flag == False:
            QtWidgets.QMessageBox.warning(self, u"Warning", u"打开摄像头失败", buttons=QtWidgets.QMessageBox.Ok,
                                          defaultButton=QtWidgets.QMessageBox.Ok)
        else:
            self.out = cv2.VideoWriter('prediction.avi', cv2.VideoWriter_fourcc(*'MJPG'), 20,
                                       (int(self.cap.get(3)), int(self.cap.get(4))))
            self.timer_video.start(30)
            self.pushButton_video.setDisabled(True)
            self.pushButton_img.setDisabled(True)
            self.pushButton_camera.setText(u"关闭摄像头")
    else:
        self.timer_video.stop()
        self.cap.release()
        self.out.release()
        self.label.clear()
        self.init_logo()
        self.pushButton_video.setDisabled(False)
        self.pushButton_img.setDisabled(False)
        self.pushButton_camera.setText(u"摄像头检测")

实现界面中插入网页

# 新建一个QWebEngineView()对象
self.qwebengine = QWebEngineView(self)
# 设置网页在窗口中显示的位置和大小
self.qwebengine.setGeometry(100, 100, 100, 100)
# 在QWebEngineView中加载网址
self.qwebengine.load(QUrl("http://www.baidu.com"))

4.3 未来展望

与数据库相连，实现用户注册功能，使得该项目更加接近实际落地预期。

5 主要参考文献

[1] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi. You only look once: Unified, real-time object detection. arXiv preprint arXiv:1506.02640, 2015.

[2] Joseph Redmon, Ali Farhadi. YOLO9000:Better, Faster, Stronger. arXiv preprint arXiv:1612.08242v1, 2015.

[3] J. Redmon and A. Farhadi. Yolov3: An incremental improve_x0002_ment. arXiv, 2018.

[4] Alexey Bochkovskiy, Chien-Yao Wang and Hong-Yuan Mark Liao. YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv, 2020.

[5] Andrew Howard, Mark Sandler, Grace Chu, Liang-Chieh Chen, Bo Chen, Mingxing Tan, Weijun Wang, Yukun Zhu, Ruoming Pang, Vijay Vasudevan, Quoc V. Le, Hartwig Adam.Searching for MobileNetV3. arXiv, 2019.

版权声明：本文为CSDN博主「荣仔！最靓的仔！」的原创文章，遵循 CC 4.0 BY-SA 版权协议。
         转载请在醒目位置附上原文出处链接及本声明。

CSDN博主「荣仔！最靓的仔！」的其他原创专栏链接：
《机器学习》学习笔记专栏：https://blog.csdn.net/it_charge/category_9920949.html
《数字图像处理》学习笔记专栏：https://blog.csdn.net/it_charge/category_9899861.html
《Python网络数据爬取及分析》专栏：https://blog.csdn.net/it_charge/category_10097766.html
《GitHub YOLOv5 开源代码项目系列讲解》专栏：https://blog.csdn.net/it_charge/category_11244228.html
《「深度学习一遍过」必修篇》专栏：https://blog.csdn.net/it_charge/category_11251478.html
《23种设计模式在王者荣耀中的应用》专栏：https://blog.csdn.net/it_charge/category_9842143.html

博主B站地址：荣仔python小课堂的个人空间_哔哩哔哩_Bilibili

感谢阅读！感谢支持 ! 感谢关注！

欢迎大家交流评论，一起学习！

年月日于中国大陆 • 重庆

END

基于mobilenet-v3和yolov5的餐饮有害虫鼠识别及防治系统的设计与实现(代码片段)

...非常有必要的……本文阐述的内容主要包括：基于 MobileNet-v3的虫鼠识别功能的设计与实现基于YOLOv5的鼠类检测功能的设计与实现基于PyQt5的功能封装与人机交互界面的设计与实现目录1成品效果演示2 基于 MobileNet-v3的虫鼠... 查看详情

python基于融合spd-conv改进yolov5与原生yolov5模型实践路面裂痕裂缝检测

...一定程度提升模型的检测效果，今天正好有时间就想基于SPD融合yolov5s模型来开发路面裂痕裂缝检测模型，同时与原生的yolov5s模型进行对比分析，首先看下效果图。接下来看下数据情况。标注文件如下：原生yolov5s... 查看详情

使用ymir生产基于yolov5的头盔检测模型

使用YMIR生产基于yolov5的头盔检测模型1.概述2.YOLOV5结构解析YOLOV5在coco数据集性能测试图3.算法基本信息动手实测查看训练、测试数据集模型训练启动页面模型运行中性能、进度曲线变化启动训练任务后即可查看训练过程模型发布... 查看详情

基于yolov5的目标追踪（非yolov5+deepsort版）(代码片段)

...目标框选2.5OpenCV画线、画框、画点等3源码地址1效果演示基于yolov5的目标跟踪（非yolov5+deepsort版）注：目标跟踪，全网都用的是。仅用可以实现吗？可以。该视频效果实现的是手动暂停正在播放的视频࿰... 查看详情

基于flask和网页端部署yolo自训练模型(代码片段)

@Author:Runsen基于flask和网页端部署yolo自训练模型关于yolov5模型的flask的部署,需要通过torch.hub.load加载yolov5自定义的模型，source需要设置localifopt.model=="yolov5":model=torch.hub.load("yolo","custom",path="models/yolov5s.pt",source= 查看详情

基于flask和网页端部署yolo自训练模型(代码片段)

基于yolov5n6和tkinker实现的检测模型的可视化界面(代码片段)

项目介绍本项目基于yolov5n6和tkinker实现的检测模型的可视化界面项目连接；https://github.com/MaoliRUNsen/yolov5gui环境：硬件：本人电脑的显卡是RTX3060，并配置Pytorch-GPU关于pytorch安装查看官方文档PyTorchGetStarteddocs软件:Pych... 查看详情

基于yolov5n6和tkinker实现的检测模型的可视化界面(代码片段)

基于yolov5的手势识别系统(含手势识别数据集+训练代码)(代码片段)

基于YOLOv5的手势识别系统(含手势识别数据集+训练代码)目录基于YOLOv5的手势识别系统(含手势识别数据集+训练代码)1.前言2.手势识别的方法（1）基于多目标检测的手势识别方法（2）基于手部检测+手势分类... 查看详情

基于yolov5的手势识别系统(含手势识别数据集+训练代码)(代码片段)

yolov5详细解读(代码片段)

YOLOV5检测算法详解学习前言本文主要是对基于深度学习的目标检测算法进行细节解读，以YOLOV5为例；基于深度学习的目标检测整体流程基于深度学习的目标检测主要包括训练和测试两个部分。训练阶段训练的目的是利用... 查看详情

目标检测论文解读复现之八：基于yolov5s的滑雪人员检测研究

前言此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新... 查看详情

基于java药店管理系统开题报告怎么写

科生毕业论文(设计)开题报告书题目基于JAVA的餐饮管理系统学生姓名学号＿专业班级＿指导老师＿2010年11月论文（设计）题目基于JAVA的餐饮管理系统课题目的、意义及相关研究动态：课题目的：本课题开发的目的在于使企业更... 查看详情

基于深度学习的动物识别系统（yolov5清新界面版，python代码）(代码片段)

...目录如下：文章目录前言1.效果演示2.原理与数据集3.基于YOLOv5的训练与识别下载链接结束语➷点击跳转至文末所有涉及的完整代码文件下载页☇基于深度学习的动物识别系统演示与介绍（PyQt5+YOLOv5深度学习模型+清... 查看详情

jetson系列——基于yolov5对火源或者烟雾的检测，使用tensorrtc++和int8加速(代码片段)

项目简介：代码地址：github地址:https://github.com/RichardoMrMu/yolov5-fire-smoke-detectgitee地址:https://gitee.com/mumuU1156/yolov5-fire-smoke-detect欢迎start或提出你的issue、改进建议。本项目使用yolov5实现自然状态中火源或者烟雾的检测& 查看详情

正文

基于mobilenet-v3和yolov5的餐饮有害虫鼠识别及防治系统的设计与实现(代码片段)

1 成品效果演示

1.1 图片成品效果演示

1.2 视频成品效果演示

2 基于 MobileNet-v3 的虫鼠识别功能的设计与实现

2.1 数据集的获取与整理

2.1.1 数据获取

2.1.2 数据整理

2.2 为什么选择 MobileNet-v3

2.2.1 同样数据集下与其他模型比较

2.2.2 MobileNet-v3 简介

2.3 种类提示及灭除策略实现

2.4 demo实现效果

2.5 未来展望

3 基于 YOLOv5 的鼠类检测功能的设计与实现

3.1 数据集的整理与获取

3.2 YOLOv5 简介

3.3 鼠类检测的设计与实现

3.4 未来展望

4 基于 PyQt5 的功能封装与人机交互界面的设计与实现

4.1 PyQt5 环境安装

4.2 关键语句摘录

4.3 未来展望

5 主要参考文献

感谢阅读 ！ 感谢支持 ! 感谢关注 ！

END

基于mobilenet-v3和yolov5的餐饮有害虫鼠识别及防治系统的设计与实现(代码片段)

python基于融合spd-conv改进yolov5与原生yolov5模型实践路面裂痕裂缝检测

使用ymir生产基于yolov5的头盔检测模型

基于yolov5的目标追踪（非yolov5+deepsort版）(代码片段)

基于flask和网页端部署yolo自训练模型(代码片段)

基于flask和网页端部署yolo自训练模型(代码片段)

基于flask和网页端部署yolo自训练模型(代码片段)

基于yolov5n6和tkinker实现的检测模型的可视化界面(代码片段)

基于yolov5n6和tkinker实现的检测模型的可视化界面(代码片段)

基于yolov5的手势识别系统(含手势识别数据集+训练代码)(代码片段)

基于yolov5的手势识别系统(含手势识别数据集+训练代码)(代码片段)

基于yolov5的手势识别系统(含手势识别数据集+训练代码)(代码片段)

yolov5详细解读(代码片段)

目标检测论文解读复现之八：基于yolov5s的滑雪人员检测研究

基于java药店管理系统开题报告怎么写

基于深度学习的动物识别系统（yolov5清新界面版，python代码）(代码片段)

jetson系列——基于yolov5对火源或者烟雾的检测，使用tensorrtc++和int8加速(代码片段)

基于yolov5n6和tkinker实现的检测模型的可视化界面(代码片段)

感谢阅读！感谢支持 ! 感谢关注！