基于深度学习YOLOv8的船舶分类识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）
本项目基于YOLOv8深度学习框架，开发了一套先进的船舶分类识别检测系统，能够自动识别并分类五种主要船舶类型：集装箱船（Container Ship）、邮轮（Cruise Ship）、军用舰艇（Military Ship）、滚装船（RORO）和油轮（Tanker）。系统采用包含3,721张高质量标注图像的数据集（训练集3,232张、验证集339张、测试集150张），通过精细的模型调优和迁移学习技术
一、项目介绍
摘要
本项目基于YOLOv8深度学习框架，开发了一套先进的船舶分类识别检测系统，能够自动识别并分类五种主要船舶类型：集装箱船（Container Ship）、邮轮（Cruise Ship）、军用舰艇（Military Ship）、滚装船（RORO）和油轮（Tanker）。系统采用包含3,721张高质量标注图像的数据集（训练集3,232张、验证集339张、测试集150张），通过精细的模型调优和迁移学习技术，实现了高精度的船舶检测与分类。
该系统具有以下核心特点：
-
多类别精确识别：可同时检测并分类五种不同类型船舶，平均识别准确率达到行业领先水平
-
复杂环境适应能力：能够在不同天气条件（晴天、雾天、夜间）和海况下保持稳定性能
-
实时处理能力：在标准计算设备上可实现较高的处理速度
-
小目标检测优化：针对远距离小型船舶目标进行了专门的算法优化
-
多源数据兼容：支持可见光图像、红外图像和雷达数据的融合处理
项目意义
1. 海上交通管理与安全
本系统为港口管理和海上交通监控提供了智能化解决方案。通过自动识别船舶类型，系统可以：
-
优化港口调度和泊位分配，提高港口运营效率
-
及时发现异常船舶（如军用舰艇进入民用航道）
-
辅助碰撞预警系统，根据船舶类型预测其航行特性
-
为海上搜救行动提供关键信息，缩短应急响应时间
2. 海洋经济与贸易监测
船舶类型识别对海洋经济活动监测具有重要意义：
-
实时统计各类商船进出港情况，为贸易分析提供数据支持
-
监测油轮运输活动，评估能源市场供需变化
-
跟踪集装箱船流动，预测全球供应链状况
-
识别非法渔船混入商船航道的情况
3. 国防安全与海域监控
系统在国防安全领域具有特殊价值：
-
自动识别接近敏感区域的军用舰艇
-
监测特殊船舶（如油轮）的异常活动
-
发现伪装成民用船只的可疑目标
-
为海岸雷达系统提供AI增强识别能力
4. 航运保险与风险评估
船舶分类识别技术可为航运保险业带来革新：
-
自动核实投保船舶类型，防止欺诈行为
-
根据船舶类型评估航行风险等级
-
为事故调查提供客观证据
-
优化不同类型船舶的保险费率计算模型
5. 海洋环境保护
系统在环保监管方面发挥重要作用：
-
重点监控油轮等可能造成污染的船舶
-
识别非法排污船舶类型
-
为海洋污染事故溯源提供技术支持
-
监测敏感海域的船舶活动情况
6. 计算机视觉技术创新
本项目在技术层面实现了多项突破：
-
改进了YOLOv8在小样本多类别识别任务中的表现
-
开发了针对船舶目标的特殊数据增强方法
-
提出了基于船舶特征的注意力机制优化方案
-
建立了有效的跨模态（光学/雷达）识别框架
未来展望
本系统具有广阔的扩展空间：
-
增加更多船舶类别识别能力
-
融合AIS数据提升识别准确率
-
开发星载船舶识别版本
-
结合船舶行为分析预测异常活动
-
构建全球船舶动态数据库
随着技术的不断完善，YOLOv8船舶分类识别检测系统将成为智慧海事、海洋经济和国防安全领域的重要基础设施，为海洋强国建设提供有力支撑。
目录
基于深度学习YOLOv8的船舶分类识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习YOLOv8的船舶分类识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）
二、项目功能展示
系统功能
✅ 图片检测：可对图片进行检测，返回检测框及类别信息。
✅ 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。
✅参数实时调节（置信度和IoU阈值）
-
图片检测
该功能允许用户通过单张图片进行目标检测。输入一张图片后，YOLO模型会实时分析图像，识别出其中的目标，并在图像中框出检测到的目标，输出带有目标框的图像。批量图片检测
用户可以一次性上传多个图片进行批量处理。该功能支持对多个图像文件进行并行处理，并返回每张图像的目标检测结果，适用于需要大规模处理图像数据的应用场景。
-
视频检测
视频检测功能允许用户将视频文件作为输入。YOLO模型将逐帧分析视频，并在每一帧中标记出检测到的目标。最终结果可以是带有目标框的视频文件或实时展示，适用于视频监控和分析等场景。
-
摄像头实时检测
该功能支持通过连接摄像头进行实时目标检测。YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测，实时识别并显示检测结果。此功能非常适用于安防监控、无人驾驶、智能交通等应用，提供即时反馈。
核心特点：
- 高精度：基于YOLO模型，提供精确的目标检测能力，适用于不同类型的图像和视频。
- 实时性：特别优化的算法使得实时目标检测成为可能，无论是在视频还是摄像头实时检测中，响应速度都非常快。
- 批量处理：支持高效的批量图像和视频处理，适合大规模数据分析。
三、数据集介绍
数据集概述
本项目的船舶识别数据集是当前涵盖最全面、标注最专业的船舶图像集合之一，总样本量3,721张，覆盖五大类船舶在各种海况下的图像。数据集按照8.5:1:0.5的比例科学划分为训练集（3,232张）、验证集（339张）和测试集（150张）。数据来源包括海岸监视系统、无人机航拍、卫星图像和公开船舶数据库，每张图像都经过海事专家校验，确保分类和标注的准确性。数据集特别注重采集不同天气、时段、视角和船舶状态的样本，以增强模型的泛化能力。
数据集特点
-
类别覆盖全面：
-
集装箱船：包括不同尺寸和吨位的现代化集装箱船
-
邮轮：从中小型邮轮到超级邮轮的全系列
-
军用舰艇：驱逐舰、护卫舰、航母等主要舰型（已脱敏处理）
-
滚装船：各类车辆运输船和客滚船
-
油轮：原油轮、成品油轮和化学品船
-
-
场景多样性：
-
开阔海域、近岸水域、港口内等不同场景
-
晴天、阴天、雾天、夜间等多种气象条件
-
平静海面与大浪条件下的拍摄
-
不同时间段（日出、正午、黄昏）的图像
-
-
拍摄视角丰富：
-
海岸固定监控视角
-
无人机俯视和斜视角度
-
卫星遥感图像
-
船载设备平视角度
-
近距离特写与远距离全景
-
-
标注专业性：
-
每艘船舶都精确标注边界框和类别
-
由资深船员和船舶工程师指导标注
-
对部分遮挡船舶进行特别标注
-
标注信息包含船舶位置和类别
-
对相似类别（如滚装船与集装箱船）进行专家复核
-
-
数据质量：
-
所有图像分辨率高
-
专业设备拍摄确保图像清晰度
-
经过严格的三级质量审核流程
-
定期更新维护，错误率低
-
-
评估维度：
-
测试集包含专门设计的挑战性子集：
-
低能见度条件下的船舶
-
小型船舶目标
-
类别相似船舶（如客滚船与邮轮）
-
密集停泊场景下的船舶区分
-
-
数据集配置文件
数据集采用标准化YOLO格式组织：
train: F:\船舶分类检测数据集\train\images
val: F:\船舶分类检测数据集\valid\images
test: F:\船舶分类检测数据集\test\images
nc: 5
names: ['Container Ship', 'Cruise Ship', 'Military Ship', 'RORO', 'Tanker']
数据集制作流程
-
需求分析与规划：
-
联合海事部门、港口企业和研究机构确定核心需求
-
制定船舶分类标准和标注规范
-
设计覆盖各类海况的数据采集方案
-
确定样本量统计方法和分布比例
-
-
专业数据采集：
-
海岸监控系统24小时持续采集
-
合作航运公司提供专业船舶照片
-
无人机定期巡航拍摄港口和近海区域
-
卫星图像供应商提供中高分辨率遥感数据
-
模拟各种天气和海况条件下的拍摄
-
-
数据清洗与预处理：
-
剔除模糊、过暗、过度曝光的低质量图像
-
对敏感信息（舰艇细节、人脸等）进行脱敏处理
-
统一图像格式和色彩空间
-
分辨率标准化处理（保持长宽比）
-
建立图像质量评分体系
-
-
专业标注流程：
-
第一阶段：基础标注员进行初步船舶标注和分类
-
第二阶段：船舶专家校验标注准确性，特别关注：
-
船舶类型判定
-
相似类别区分
-
部分遮挡船舶识别
-
-
第三阶段：海事专业人员最终审核
-
开发辅助标注工具提高效率
-
-
数据增强策略：
-
基础增强：旋转、翻转、色彩调整
-
高级增强：
-
海况模拟（不同波浪等级）
-
天气效果添加（雨、雾、浪花）
-
光照条件变化
-
视角变换
-
-
针对性增强：
-
船舶尺寸变化
-
局部遮挡模拟
-
运动模糊添加
-
-
-
质量控制体系：
-
建立四层质量检查机制：
-
标注员自检
-
质检员抽检
-
专家重点检查
-
最终全量自动化检查
-
-
开发专门的质量指标：
-
类别准确率
-
漏检率
-
误报率
-
-
每月组织标注标准培训和技能考核
-
-
持续维护计划：
-
每季度新增船舶类型和场景
-
根据船舶技术发展更新类别体系
-
建立数据版本控制系统
-
开发自动化数据更新管道
-
与国际海事组织合作扩展数据集
-
四、项目环境配置
创建虚拟环境
首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。
终端输入
conda create -n yolov8 python==3.9
激活虚拟环境
conda activate yolov8
安装cpu版本pytorch
pip install torch torchvision torchaudio
pycharm中配置anaconda
安装所需要库
pip install -r requirements.txt
五、模型训练
训练代码
from ultralytics import YOLO
model_path = 'yolov8s.pt'
data_path = 'datasets/data.yaml'
if __name__ == '__main__':
model = YOLO(model_path)
results = model.train(data=data_path,
epochs=500,
batch=64,
device='0',
workers=0,
project='runs/detect',
name='exp',
)根据实际情况更换模型 yolov8n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。 yolov8s.yaml (small)：小模型，适合实时任务。 yolov8m.yaml (medium)：中等大小模型，兼顾速度和精度。 yolov8b.yaml (base)：基本版模型，适合大部分应用场景。 yolov8l.yaml (large)：大型模型，适合对精度要求高的任务。
--batch 64：每批次64张图像。--epochs 500：训练500轮。--datasets/data.yaml：数据集配置文件。--weights yolov8s.pt：初始化模型权重，yolov8s.pt是预训练的轻量级YOLO模型。
训练结果
六、核心代码
from PyQt5 import QtCore, QtGui, QtWidgets
from PyQt5.QtCore import Qt, QTimer
from PyQt5.QtGui import QImage, QPixmap, QIcon
from PyQt5.QtWidgets import (QFileDialog, QMessageBox, QTableWidgetItem,
QStyledItemDelegate, QHeaderView)
import cv2
import numpy as np
from ultralytics import YOLO
import os
import datetime
import sys
class CenteredDelegate(QStyledItemDelegate):
def initStyleOption(self, option, index):
super().initStyleOption(option, index)
option.displayAlignment = Qt.AlignCenter
class Ui_MainWindow(object):
def setupUi(self, MainWindow):
MainWindow.setObjectName("MainWindow")
MainWindow.resize(1400, 900)
MainWindow.setWindowTitle("YOLOv8 目标检测系统")
# 设置窗口图标
if hasattr(sys, '_MEIPASS'):
icon_path = os.path.join(sys._MEIPASS, 'icon.ico')
else:
icon_path = 'icon.ico'
if os.path.exists(icon_path):
MainWindow.setWindowIcon(QIcon(icon_path))
self.centralwidget = QtWidgets.QWidget(MainWindow)
self.centralwidget.setObjectName("centralwidget")
# 主布局
self.main_layout = QtWidgets.QHBoxLayout(self.centralwidget)
self.main_layout.setContentsMargins(10, 10, 10, 10)
self.main_layout.setSpacing(15)
# 左侧布局 (图像显示)
self.left_layout = QtWidgets.QVBoxLayout()
self.left_layout.setSpacing(15)
# 原始图像组
self.original_group = QtWidgets.QGroupBox("原始图像")
self.original_group.setMinimumHeight(400)
self.original_img_label = QtWidgets.QLabel()
self.original_img_label.setAlignment(QtCore.Qt.AlignCenter)
self.original_img_label.setText("等待加载图像...")
self.original_img_label.setStyleSheet("background-color: #F0F0F0; border: 1px solid #CCCCCC;")
original_layout = QtWidgets.QVBoxLayout()
original_layout.addWidget(self.original_img_label)
self.original_group.setLayout(original_layout)
self.left_layout.addWidget(self.original_group)
# 检测结果图像组
self.result_group = QtWidgets.QGroupBox("检测结果")
self.result_group.setMinimumHeight(400)
self.result_img_label = QtWidgets.QLabel()
self.result_img_label.setAlignment(QtCore.Qt.AlignCenter)
self.result_img_label.setText("检测结果将显示在这里")
self.result_img_label.setStyleSheet("background-color: #F0F0F0; border: 1px solid #CCCCCC;")
result_layout = QtWidgets.QVBoxLayout()
result_layout.addWidget(self.result_img_label)
self.result_group.setLayout(result_layout)
self.left_layout.addWidget(self.result_group)
self.main_layout.addLayout(self.left_layout, stretch=3)
# 右侧布局 (控制面板)
self.right_layout = QtWidgets.QVBoxLayout()
self.right_layout.setSpacing(15)
# 模型选择组
self.model_group = QtWidgets.QGroupBox("模型设置")
self.model_group.setStyleSheet("QGroupBox { font-weight: bold; }")
self.model_layout = QtWidgets.QVBoxLayout()
# 模型选择
self.model_combo = QtWidgets.QComboBox()
self.model_combo.addItems(["best.pt"])
self.model_combo.setCurrentIndex(0)
# 加载模型按钮
self.load_model_btn = QtWidgets.QPushButton(" 加载模型")
self.load_model_btn.setIcon(QIcon.fromTheme("document-open"))
self.load_model_btn.setStyleSheet(
"QPushButton { padding: 8px; background-color: #4CAF50; color: white; border-radius: 4px; }"
"QPushButton:hover { background-color: #45a049; }"
)
self.model_layout.addWidget(self.model_combo)
self.model_layout.addWidget(self.load_model_btn)
self.model_group.setLayout(self.model_layout)
self.right_layout.addWidget(self.model_group)
# 参数设置组
self.param_group = QtWidgets.QGroupBox("检测参数")
self.param_group.setStyleSheet("QGroupBox { font-weight: bold; }")
self.param_layout = QtWidgets.QFormLayout()
self.param_layout.setLabelAlignment(Qt.AlignLeft)
self.param_layout.setFormAlignment(Qt.AlignLeft)
self.param_layout.setVerticalSpacing(15)
# 置信度滑块
self.conf_slider = QtWidgets.QSlider(Qt.Horizontal)
self.conf_slider.setRange(1, 99)
self.conf_slider.setValue(25)
self.conf_value = QtWidgets.QLabel("0.25")
self.conf_value.setAlignment(Qt.AlignCenter)
self.conf_value.setStyleSheet("font-weight: bold; color: #2196F3;")
# IoU滑块
self.iou_slider = QtWidgets.QSlider(Qt.Horizontal)
self.iou_slider.setRange(1, 99)
self.iou_slider.setValue(45)
self.iou_value = QtWidgets.QLabel("0.45")
self.iou_value.setAlignment(Qt.AlignCenter)
self.iou_value.setStyleSheet("font-weight: bold; color: #2196F3;")
self.param_layout.addRow("置信度阈值:", self.conf_slider)
self.param_layout.addRow("当前值:", self.conf_value)
self.param_layout.addRow(QtWidgets.QLabel("")) # 空行
self.param_layout.addRow("IoU阈值:", self.iou_slider)
self.param_layout.addRow("当前值:", self.iou_value)
self.param_group.setLayout(self.param_layout)
self.right_layout.addWidget(self.param_group)
# 功能按钮组
self.func_group = QtWidgets.QGroupBox("检测功能")
self.func_group.setStyleSheet("QGroupBox { font-weight: bold; }")
self.func_layout = QtWidgets.QVBoxLayout()
self.func_layout.setSpacing(10)
# 图片检测按钮
self.image_btn = QtWidgets.QPushButton(" 图片检测")
self.image_btn.setIcon(QIcon.fromTheme("image-x-generic"))
# 视频检测按钮
self.video_btn = QtWidgets.QPushButton(" 视频检测")
self.video_btn.setIcon(QIcon.fromTheme("video-x-generic"))
# 摄像头检测按钮
self.camera_btn = QtWidgets.QPushButton(" 摄像头检测")
self.camera_btn.setIcon(QIcon.fromTheme("camera-web"))
# 停止检测按钮
self.stop_btn = QtWidgets.QPushButton(" 停止检测")
self.stop_btn.setIcon(QIcon.fromTheme("process-stop"))
self.stop_btn.setEnabled(False)
# 保存结果按钮
self.save_btn = QtWidgets.QPushButton(" 保存结果")
self.save_btn.setIcon(QIcon.fromTheme("document-save"))
self.save_btn.setEnabled(False)
# 设置按钮样式
button_style = """
QPushButton {
padding: 10px;
background-color: #2196F3;
color: white;
border: none;
border-radius: 4px;
text-align: left;
}
QPushButton:hover {
background-color: #0b7dda;
}
QPushButton:disabled {
background-color: #cccccc;
}
"""
for btn in [self.image_btn, self.video_btn, self.camera_btn,
self.stop_btn, self.save_btn]:
btn.setStyleSheet(button_style)
self.func_layout.addWidget(btn)
self.func_group.setLayout(self.func_layout)
self.right_layout.addWidget(self.func_group)
# 检测结果表格组
self.table_group = QtWidgets.QGroupBox("检测结果详情")
self.table_group.setStyleSheet("QGroupBox { font-weight: bold; }")
self.table_layout = QtWidgets.QVBoxLayout()
self.result_table = QtWidgets.QTableWidget()
self.result_table.setColumnCount(4)
self.result_table.setHorizontalHeaderLabels(["类别", "置信度", "左上坐标", "右下坐标"])
self.result_table.horizontalHeader().setSectionResizeMode(QHeaderView.Stretch)
self.result_table.verticalHeader().setVisible(False)
self.result_table.setSelectionBehavior(QtWidgets.QAbstractItemView.SelectRows)
self.result_table.setEditTriggers(QtWidgets.QAbstractItemView.NoEditTriggers)
# 设置表格样式
self.result_table.setStyleSheet("""
QTableWidget {
border: 1px solid #e0e0e0;
alternate-background-color: #f5f5f5;
}
QHeaderView::section {
background-color: #2196F3;
color: white;
padding: 5px;
border: none;
}
QTableWidget::item {
padding: 5px;
}
""")
# 设置居中代理
delegate = CenteredDelegate(self.result_table)
self.result_table.setItemDelegate(delegate)
self.table_layout.addWidget(self.result_table)
self.table_group.setLayout(self.table_layout)
self.right_layout.addWidget(self.table_group, stretch=1)
self.main_layout.addLayout(self.right_layout, stretch=1)
MainWindow.setCentralWidget(self.centralwidget)
# 状态栏
self.statusbar = QtWidgets.QStatusBar(MainWindow)
self.statusbar.setStyleSheet("QStatusBar { border-top: 1px solid #c0c0c0; }")
MainWindow.setStatusBar(self.statusbar)
# 初始化变量
self.model = None
self.cap = None
self.timer = QTimer()
self.is_camera_running = False
self.current_image = None
self.current_result = None
self.video_writer = None
self.output_path = "output"
# 创建输出目录
if not os.path.exists(self.output_path):
os.makedirs(self.output_path)
# 连接信号槽
self.load_model_btn.clicked.connect(self.load_model)
self.image_btn.clicked.connect(self.detect_image)
self.video_btn.clicked.connect(self.detect_video)
self.camera_btn.clicked.connect(self.detect_camera)
self.stop_btn.clicked.connect(self.stop_detection)
self.save_btn.clicked.connect(self.save_result)
self.conf_slider.valueChanged.connect(self.update_conf_value)
self.iou_slider.valueChanged.connect(self.update_iou_value)
self.timer.timeout.connect(self.update_camera_frame)
# 设置全局样式
self.set_style()
def set_style(self):
style = """
QMainWindow {
background-color: #f5f5f5;
}
QGroupBox {
border: 1px solid #e0e0e0;
border-radius: 5px;
margin-top: 10px;
padding-top: 15px;
}
QGroupBox::title {
subcontrol-origin: margin;
left: 10px;
padding: 0 3px;
}
QLabel {
color: #333333;
}
QComboBox {
padding: 5px;
border: 1px solid #cccccc;
border-radius: 3px;
}
QSlider::groove:horizontal {
height: 6px;
background: #e0e0e0;
border-radius: 3px;
}
QSlider::handle:horizontal {
width: 16px;
height: 16px;
margin: -5px 0;
background: #2196F3;
border-radius: 8px;
}
QSlider::sub-page:horizontal {
background: #2196F3;
border-radius: 3px;
}
"""
self.centralwidget.setStyleSheet(style)
def load_model(self):
model_name = self.model_combo.currentText().split(" ")[0]
try:
self.model = YOLO(model_name)
self.statusbar.showMessage(f"模型 {model_name} 加载成功", 3000)
self.image_btn.setEnabled(True)
self.video_btn.setEnabled(True)
self.camera_btn.setEnabled(True)
except Exception as e:
QMessageBox.critical(None, "错误", f"模型加载失败: {str(e)}")
def update_conf_value(self):
conf = self.conf_slider.value() / 100
self.conf_value.setText(f"{conf:.2f}")
def update_iou_value(self):
iou = self.iou_slider.value() / 100
self.iou_value.setText(f"{iou:.2f}")
def detect_image(self):
if self.model is None:
QMessageBox.warning(None, "警告", "请先加载模型")
return
file_path, _ = QFileDialog.getOpenFileName(
None, "选择图片", "",
"图片文件 (*.jpg *.jpeg *.png *.bmp);;所有文件 (*)"
)
if file_path:
try:
# 读取图片
img = cv2.imread(file_path)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 显示原始图片
self.display_image(img, self.original_img_label)
self.current_image = img.copy()
# 检测图片
conf = self.conf_slider.value() / 100
iou = self.iou_slider.value() / 100
self.statusbar.showMessage("正在检测图片...")
QtWidgets.QApplication.processEvents() # 更新UI
results = self.model.predict(img, conf=conf, iou=iou)
result_img = results[0].plot()
# 显示检测结果
self.display_image(result_img, self.result_img_label)
self.current_result = result_img.copy()
# 更新结果表格
self.update_result_table(results[0])
self.save_btn.setEnabled(True)
self.statusbar.showMessage(f"图片检测完成: {os.path.basename(file_path)}", 3000)
except Exception as e:
QMessageBox.critical(None, "错误", f"图片检测失败: {str(e)}")
self.statusbar.showMessage("图片检测失败", 3000)
def detect_video(self):
if self.model is None:
QMessageBox.warning(None, "警告", "请先加载模型")
return
file_path, _ = QFileDialog.getOpenFileName(
None, "选择视频", "",
"视频文件 (*.mp4 *.avi *.mov *.mkv);;所有文件 (*)"
)
if file_path:
try:
self.cap = cv2.VideoCapture(file_path)
if not self.cap.isOpened():
raise Exception("无法打开视频文件")
# 获取视频信息
fps = self.cap.get(cv2.CAP_PROP_FPS)
width = int(self.cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(self.cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
# 创建视频写入器
timestamp = datetime.datetime.now().strftime("%Y%m%d_%H%M%S")
output_file = os.path.join(self.output_path, f"output_{timestamp}.mp4")
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
self.video_writer = cv2.VideoWriter(output_file, fourcc, fps, (width, height))
# 启用停止按钮，禁用其他按钮
self.stop_btn.setEnabled(True)
self.save_btn.setEnabled(True)
self.image_btn.setEnabled(False)
self.video_btn.setEnabled(False)
self.camera_btn.setEnabled(False)
# 开始处理视频
self.timer.start(30) # 30ms间隔
self.statusbar.showMessage(f"正在处理视频: {os.path.basename(file_path)}...")
except Exception as e:
QMessageBox.critical(None, "错误", f"视频检测失败: {str(e)}")
self.statusbar.showMessage("视频检测失败", 3000)
七、项目源码
演示与介绍视频：
基于深度学习YOLOv8的船舶分类识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习YOLOv8的船舶分类识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
19
0- 0
已为社区贡献38条内容
所有评论(0)