关键词：
摘要：动物识别系统用于识别和统计常见动物数量，通过深度学习技术检测日常几种动物图像识别，支持图片、视频和摄像头画面等形式。在介绍算法原理的同时，给出Python的实现代码、训练数据集以及PyQt的UI界面。动物识别系统主要用于常见动物的识别，检测几种动物的数目、位置、预测置信度等；检测模型可选择切换，识别结果记录在界面表格中；系统设计有注册登录功能，方便用户进行管理和使用。博文提供了完整的Python代码和使用教程，适合新入门的朋友参考，完整代码资源文件请转至文末的下载链接。本博文目录如下：
文章目录
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+清新界面）
前言
人工智能的出现引发了动物监测与识别的巨大变革，如何应用智能技术，来开展野生动物资源的观测与评估工作成为研究重点。如今CNN作为一种学习效率极高且易于训练的深度学习模型，在动物识别中最为常用。在CNN的基础上，人们通过对卷积层、池化层、全连接层等结构的交替与优化，加强对图像的特征提取并通过调整网络层数加强学习能力，进一步训练提高识别性能。
这里博主也设计了基于深度学习的动物识别系统，下面给出了软件界面，同款的简约风，功能也可以满足图片、视频和摄像头的识别检测，希望大家可以喜欢，初始界面如下图：
检测动物时的界面截图（点击图片可放大）如下图，可识别画面中存在的多个动物，也可开启摄像头或视频检测：
详细的功能演示效果参见博主的B站视频或下一节的动图演示，觉得不错的朋友敬请点赞、关注加收藏！系统UI界面的设计工作量较大，界面美化更需仔细雕琢，大家有任何建议或意见和可在下方评论交流。
1. 效果演示
这里通过动图看一下识别动物的效果，系统主要实现的功能是对图片、视频和摄像头画面中的动物属性进行识别，识别的结果可视化显示在界面和图像中，另外提供多个动物的显示选择功能，演示效果如下。
（一）用户注册登录界面
这里设计了一个登录界面，可以注册账号和密码，然后进行登录。界面还是参考了当前流行的UI设计，左侧是一个logo，右侧输入账号、密码、验证码
（二）选择图片识别
系统允许选择图片文件进行识别，点击图片选择按钮图标选择图片后，显示所有动物识别的结果，可通过下拉选框查看单个动物的类别。本功能的界面展示如下图所示：
（三）视频识别效果展示
很多时候我们需要识别一段视频中的动物种类，这里设计了视频选择功能。点击视频按钮可选择待检测的视频，系统会自动解析视频逐帧识别动物，并将结果记录在右下角表格中，效果如下图所示：
2. 原理与数据集
（一）源码简介
基于人工特征的野生动物识别方法主要通过人工对野生动物图像中具有辨识度的特征信息进行提取，并通过特征比对的方式就可以对野生动物所属的类别进行识别判断。本文借助YOLOv5实现，下面介绍一下YOLOv5原理。
YOLOv5的调用、训练和预测都十分方便，并且它为不同的设备需求和不同的应用场景提供了大小和参数数量不同的网络。
（1）主干部分：使用了Focus网络结构，具体操作是在一张图片中每隔一个像素拿到一个值，这个时候获得了四个独立的特征层，然后将四个独立的特征层进行堆叠，此时宽高信息就集中到了通道信息，输入通道扩充了四倍。该结构在YoloV5第5版之前有所应用，最新版本中未使用。
（2）数据增强：Mosaic数据增强、Mosaic利用了四张图片进行拼接实现数据中增强，优点是可以丰富检测物体的背景，且在BN计算的时候可以计算四张图片的数据。
（3）多正样本匹配：在之前的Yolo系列里面，在训练时每一个真实框对应一个正样本，即在训练时，每一个真实框仅由一个先验框负责预测。YoloV5中为了加快模型的训练效率，增加了正样本的数量，在训练时，每一个真实框可以由多个先验框负责预测。
（二）数据集准备
这里我们使用的动物识别数据集，是从COCO和VOC数据集中抽取的包含鸟、猫、狗、马、羊等类别的图像数据，每张图片除包括类别标签外，还有一个标注的物体边框（Bounding Box）。组成的训练数据集包含1284张图片，验证集321张图片，测试集321张图片，共计1926张图片。
Chinese_name = 'bird': "鸟",
'cat': "猫",
'cow': "牛",
'dog': "狗子",
'horse': "马",
'sheep': "羊"
由于原数据集采用的是xml的标注文件格式，所以我们需要将xml格式修改为YOLOv5能够使用的标注格式，可通过以下代码进行转换：
classes = dict()
num_classes = 0
parentpath = '' # "Directory path with parent dir before xml_dir or img_dir"
addxmlpath = parentpath + 'PersonCar/annotations/train' # "Directory path with XML files"
addimgpath = parentpath + 'PersonCar/images/train' # "Directory path with IMG files"
outputpath = parentpath + 'PersonCar/labels/train' # "output folder for yolo format"
classes_txt = './personcar_classes.txt' # "File containing classes"
ext = '.jpg' # "Image file extension [.jpg or .png]"
if os.path.isfile(classes_txt):
with open(classes_txt, "r") as f:
class_list = f.read().strip().split()
classes = k: v for (v, k) in enumerate(class_list)
xmlPaths = glob(addxmlpath + "/*.xml")
# 保存数据集图片路径到txt
imgPaths = glob(addimgpath + "/*.jpg")
with open("./train.txt","w") as f:
for imgPath in imgPaths:
imgPath = imgPath.replace("\\\\", "/")
f.write(imgPath+"\\n")
for xmlPath in xmlPaths:
tVocParseReader = PascalVocReader(xmlPath)
shapes = tVocParseReader.getShapes()
with open(outputpath + "/" + os.path.basename(xmlPath)[:-4] + ".txt", "w") as f:
for shape in shapes:
class_name = shape[0]
box = shape[1]
# filename = os.path.splittext(xmlPath)[0] + ext
filename = os.path.splitext(addimgpath + "/" + os.path.basename(xmlPath)[:-4])[0] + ext
if class_name not in classes.keys():
classes[class_name] = num_classes
num_classes += 1
class_idx = classes[class_name]
(height, width, _) = cv2.imread(filename).shape
coord_min = box[0]
coord_max = box[2]
xcen = float((coord_min[0] + coord_max[0])) / 2 / width
ycen = float((coord_min[1] + coord_max[1])) / 2 / height
w = float((coord_max[0] - coord_min[0])) / width
h = float((coord_max[1] - coord_min[1])) / height
f.write("%d %.06f %.06f %.06f %.06f\\n" % (class_idx, xcen, ycen, w, h))
print(class_idx, xcen, ycen, w, h)
with open(parentpath + "classes.txt", "w") as f:
for key in classes.keys():
f.write("%s\\n" % key)
print(key)
打开具体的标注文件，你将会看到下面的内容，txt文件中每一行表示一个目标，以空格进行区分，分别表示目标的类别id，归一化处理之后的中心点x坐标、y坐标、目标框的w和h。
3. 基于YOLOv5的训练与识别
（一）训练过程
我们可以在终端输入如下命令进行训练，当然也可以直接点击train.py运行。
python train.py --batch 32 --epochs 300
在深度学习中，我们通常通过损失函数下降的曲线来观察模型训练的情况。而YOLOv5训练时主要包含三个方面的损失：矩形框损失(box_loss)、置信度损失（obj_loss）和分类损失(cls_loss)，在训练结束后，我们也可以在logs目录下找到生成对若干训练过程统计图。下图为博主训练动物类识别的模型训练曲线图。
一般我们会接触到两个指标，分别是召回率recall和精度precision，两个指标p和r都是简单地从一个角度来判断模型的好坏，均是介于0到1之间的数值，其中接近于1表示模型的性能越好，接近于0表示模型的性能越差，为了综合评价目标检测的性能，一般采用均值平均密度map来进一步评估模型的好坏。我们通过设定不同的置信度的阈值，可以得到在模型在不同的阈值下所计算出的p值和r值，一般情况下，p值和r值是负相关的，绘制出来可以得到如下图所示的曲线，其中曲线的面积我们称AP，目标检测模型中每种目标可计算出一个AP值，对所有的AP值求平均则可以得到模型的mAP值。
以PR-curve为例，可以看到我们的模型在验证集上的均值平均准确率为0.755。
（二）预测过程
执行predict.py得到的结果如下图所示，图中动物的种类和置信度值都标注出来了，预测速度较快。基于此模型我们可以将其设计成一个带有界面的系统，在界面上选择图片、视频或摄像头然后调用模型进行检测。
博主整个系统进行了详细测试，最终开发出一版流畅得到清新界面，就是博文演示部分的展示，完整的UI界面、测试图片视频、代码文件，以及Python离线依赖包（方便安装运行，也可自行配置环境），均已打包上传，感兴趣的朋友可以通过下载链接获取。
下载链接
若您想获得博文中涉及的实现完整全部程序文件（包括测试图片、视频，py, UI文件等，如下图），这里已打包上传至博主的面包多平台，见可参考博客与视频，已将所有涉及的文件同时打包到里面，点击即可运行，完整文件截图如下：
在文件夹下的资源显示如下，下面的链接中也给出了Python的离线依赖包，读者可在正确安装Anaconda和Pycharm软件后，复制离线依赖包至项目目录下进行安装，离线依赖的使用详细演示也可见本人B站视频：win11从头安装软件和配置环境运行深度学习项目、Win10中使用pycharm和anaconda进行python环境配置教程。
注意：该代码采用Pycharm+Python3.8开发，经过测试能成功运行，运行界面的主程序为runMain.py和LoginUI.py，测试图片脚本可运行testPicture.py，测试视频脚本可运行testVideo.py。为确保程序顺利运行，请按照requirements.txt配置Python依赖包的版本。Python版本：3.8，请勿使用其他版本，详见requirements.txt文件；
完整资源中包含数据集及训练代码，环境配置与界面中文字、图片、logo等的修改方法请见视频，项目完整文件下载请见参考博客文章里面，或参考视频的简介处给出：➷➷➷
参考博客文章：https://zhuanlan.zhihu.com/p/615308511
参考视频演示：https://www.bilibili.com/video/BV1yT411r7kG/
离线依赖库下载链接：https://pan.baidu.com/s/1hW9z9ofV1FRSezTSj59JSg?pwd=oy4n （提取码：oy4n ）
界面中文字、图标和背景图修改方法：
在Qt Designer中可以彻底修改界面的各个控件及设置，然后将ui文件转换为py文件即可调用和显示界面。如果只需要修改界面中的文字、图标和背景图的，可以直接在ConfigUI.config文件中修改，步骤如下：
（1）打开UI_rec/tools/ConfigUI.config文件，若乱码请选择GBK编码打开。
（2）如需修改界面文字，只要选中要改的字符替换成自己的就好。
（3）如需修改背景、图标等，只需修改图片的路径。例如，原文件中的背景图设置如下：
mainWindow = :/images/icons/back-image.png
可修改为自己的名为background2.png图片（位置在UI_rec/icons/文件夹中），可将该项设置如下即可修改背景图：
mainWindow = ./icons/background2.png
结束语
由于博主能力有限，博文中提及的方法即使经过试验，也难免会有疏漏之处。希望您能热心指出其中的错误，以便下次修改时能以一个更完美更严谨的样子，呈现在大家面前。同时如果有更好的实现方法也请您不吝赐教。
基于深度学习的火焰检测系统（yolov5清新界面版，python代码）(代码片段)
...火焰检测系统主要用于日常生活中火情图像的识别，基于YOLOv5模型识别图像中可能出现火灾的位置、着火点数目、置信度等；可分析图片、视频和摄像画面中的火焰情况，自由切换火焰检测模型；系统设计有注册... 查看详情
基于深度学习的车型识别系统（python+清新界面+数据集）(代码片段)
摘要：基于深度学习的车型识别系统用于识别不同类型的车辆，应用YOLOV5算法根据不同尺寸大小区分和检测车辆，并统计各类型数量以辅助智能交通管理。本文详细介绍车型识别系统，在介绍算法原理的同时，... 查看详情
基于深度学习的安全帽检测系统（yolov5清新界面版，python代码）(代码片段)
安全帽检测系统用于自动化监测安全帽佩戴情况，在需要佩戴安全帽的场合自动安全提醒，实现图片、视频和摄像头等多种形式监测。在介绍算法原理的同时，给出Python的实现代码、训练数据集，以及PyQt的UI界面。安全帽检测系... 查看详情
基于yolov5的疲劳驾驶检测系统（python+清新界面+数据集）(代码片段)
基于YOLOv5的疲劳驾驶检测系统使用深度学习技术检测常见驾驶图片、视频和实时视频中的疲劳行为，识别其闭眼、打哈欠等结果并记录和保存，以防止交通事故发生。本文详细介绍疲劳驾驶检测系统实现原理的同时，给出Python的... 查看详情
基于深度学习的安全帽检测系统（yolov5清新界面版，python代码）(代码片段)
...束语➷点击跳转至文末所有涉及的完整代码文件下载页☇基于深度学习的安全帽检测系统演示与介绍前言 近年来，随着计算机视觉的飞速发展，越来越多的目标检测算法被应用到生活中，对人体安全的研... 查看详情
血细胞智能检测与计数软件（python+yolov5深度学习模型+清新界面版）(代码片段)
血细胞智能检测与计数软件应用深度学习技术智能检测血细胞图像中红细胞、镰状细胞等不同形态细胞并可视化计数，以辅助医学细胞检测。本文详细介绍血细胞智能检测与计数软件，在介绍算法原理的同时，给出Python的实现代... 查看详情
基于yolov5的停车位检测系统（清新ui+深度学习+训练数据集）(代码片段)
摘要：基于YOLOv5的停车位检测系统用于露天停车场车位检测，应用深度学习技术检测停车位是否占用，以辅助停车场对车位进行智能化管理。在介绍算法原理的同时，给出Python的实现代码、训练数据集以及PyQt的UI... 查看详情
智能火焰与烟雾检测系统（python+yolov5深度学习模型+清新界面）(代码片段)
...持图片、视频火焰检测并进行结果可视化。本文详细介绍基于智能火焰与烟雾检测系统，在介绍算法原理的同时，给出Python的实现代码以及PyQt的UI界面。在界面中可以选择各种图片、视频进行检测识别；可对图像中存... 查看详情
行人车辆检测与计数系统（python+yolov5深度学习模型+清新界面）(代码片段)
行人车辆检测与计数系统用于交通路口行人及车辆检测计数，道路人流量、车流量智能监测，方便记录、显示、查看和保存检测结果。本文详细介绍行人车辆检测，在介绍算法原理的同时，给出Python的实现代码、PyQt的UI界面以及... 查看详情
行人车辆检测与计数系统（python+yolov5深度学习模型+清新界面）(代码片段)
摘要：行人车辆检测与计数系统用于交通路口行人及车辆检测计数，道路人流量、车流量智能监测，方便记录、显示、查看和保存检测结果。本文详细介绍行人车辆检测，在介绍算法原理的同时，给出Python的... 查看详情
智能零售柜商品检测软件（python+yolov5深度学习模型+清新界面）(代码片段)
智能零售柜商品检测软件用于识别零售柜常见商品，检测商品名和位置以了解销售情况，为零售柜商品智能检测和自动销售提供检测功能。本文详细智能零售柜商品检测软件，在介绍算法原理的同时，给出Python的实现代码、训练... 查看详情
基于深度学习的农作物叶片病害检测系统（ui界面+yolov5+训练数据集）(代码片段)
...类型，辅助作物病害防治以增加产值。本文详细介绍基于YOLOv5深度学习模型的农作物叶片病害检测系统，在介绍算法原理的同时，给出Python的实现代码、PyQt的UI界面以及训练数据集。在界面中可以选择各种图片、视频... 查看详情
基于深度学习的鸟类检测识别系统（含ui界面，python代码）(代码片段)
...学习和机器视觉领域的一个热门应用，本文详细介绍基于YOLOv5的鸟类检测识别系统，在介绍算法原理的同时，给出Python的实现代码以及PyQt的UI界面。在界面中可以选择各种鸟类图片、视频以及开启摄像头进行检测识别... 查看详情
毕业设计题目：基于深度学习的动物识别-卷积神经网络机器视觉图像识别(代码片段)
...家介绍一个深度学习项目，采用了卷积神经网络技术基于深度学习的动物识别算法研究与实现1背景大家可以参考学长写的背景意义目前，由于计算机能力和相关理论的发展获得了重大突破，基于深度学习的图像检测... 查看详情
基于深度学习的口罩检测系统（python+清新界面+数据集）(代码片段)
口罩检测系统用于日常生活中检测行人是否规范佩戴口罩，利用深度学习算法可实现图片、视频、连接摄像头等方式的口罩检测，另外支持和结果可视化。在介绍算法原理的同时，给出Python的实现代码以及PyQt的UI界面。口罩检测... 查看详情
camera基于深度学习的车牌检测与识别系统实现（课程设计）
基于深度学习的车牌检测与识别系统实现（课程设计）代码+数据集下载地址：下载地址用python3+opencv3做的中国车牌识别，包括算法和客户端界面，只有2个文件，surface.py是界面代码，predict.py是算法代码，界面不是重点所以用tkint... 查看详情
毕设系列-检测专题-基于卷积神经网络的动物识别系统
我们之前做过一期基于Yolov5的口罩检测系统（手把手教你使用YOLOV5训练自己的目标检测模型-口罩检测-视频教程_dejahu的博客-博客），里面的代码是基于YOLOV56.0开发的，并且是适用其他数据集的，只需要修改数据集之后... 查看详情
实时车辆行人多目标检测与跟踪系统-上篇（ui界面清新版，python代码）
摘要：本文详细介绍如何利用深度学习中的YOLO及SORT算法实现车辆、行人等多目标的实时检测和跟踪，并利用PyQt5设计了清新简约的系统UI界面，在界面中既可选择自己的视频、图片文件进行检测跟踪，也可以通过电脑自带的摄像... 查看详情