基于YOLOv7与PySide6的海上垃圾识别系统设计与实现

zz10986708

269人浏览 · 2026-06-30 12:17:55

zz10986708 · 2026-06-30 12:17:55 发布

基于YOLOv7与PySide6的海上垃圾识别系统设计与实现

技术说明：本文围绕《基于YOLOv7与PySide6的海上垃圾识别系统设计与实现》进行技术和设计过程整理，重点关注需求分析、系统架构、数据建模、功能实现和测试验证等内容。内容用于软件工程和信息系统设计复盘，不涉及商业推广或服务宣传。

摘要

本研究专注于研发一种借助深度学习的海上垃圾识别系统，以达成对水域环境的实时监测与清理工作，此系统把YOLOv7当作核心技术，融合PySide6以及Python等工具达成了用户友好的界面设计以及系统功能的实时监测，凭借该系统，用户可及时察觉水域里的垃圾，并采取对应的清理举措，这对水环境的保护和治理工作起到了有效的推动作用。YOLOv7作为目标检测的核心引擎，有高效且准确的特性，可在水面环境中迅速且精准地识别各类垃圾，其所采用的深度学习算法在垃圾检测方面表现优异，为系统的可靠性与稳定性给予了坚实的技术支撑，依靠PySide6库和Python语言，本系统达成了直观简洁的用户界面，让用户可便利地运用系统开展监测和管理。在实际应用中，该海上垃圾识别有着广泛的应用前景，其一它可帮监测水域环境中的垃圾状况，提供及时的数据支撑，为环保部门以及相关机构制定有效的治理策略提供科学依据，其二借助实时监测和清理水面垃圾，可有效保护水域生态环境，净化水质，维护水域生物多样性，推动水资源的可持续利用。其三还可提升水域景观质量，改善人们的生活环境，提升城市形象以及旅游吸引力，基于深度学习的海上垃圾识别系统有关键的应用价值与社会意义，会为水环境保护和治理工作提供有效的技术手段与支持，为构建美丽中国、美丽世界贡献力量。

关键词：计算机视觉；YOLOv7；海上垃圾检测；PySide6；目标检测

ABSTRACT

This study focuses on the development of a marine garbage identification system with the help of deep learning to achieve real-time monitoring and clean-up of the water environment, this system takes YOLOv7 as the core technology, integrates PySide6 and Python and other tools to achieve user-friendly interface design and real-time monitoring of system functions, with the help of this system, users can detect the garbage in the water in time and take corresponding clean-up measures, which has played an effective role in promoting the protection and governance of the water environment. YOLOv7 as the core engine of object detection, has the characteristics of high efficiency and accuracy, can quickly and accurately identify all kinds of garbage in the water environment, the deep learning algorithm it uses in garbage detection performance, for the reliability and stability of the system to give a solid technical support, relying on PySide6 library and Python language, the system has reached an intuitive and concise user interface, so that users can easily use the system to carry out monitoring and management. In practical application, the marine garbage identification has a wide range of application prospects, one can help monitor the status of garbage in the water environment, provide timely data support, provide scientific basis for the environmental protection department and relevant institutions to formulate effective governance strategies, and second, with the help of real-time monitoring and cleaning of water surface garbage, can effectively protect the water ecological environment, purify water quality, maintain water biodiversity, and promote the sustainable use of water resources. Third, it can also improve the quality of water landscape, improve people's living environment, enhance the image of the city and tourism attractiveness, and the marine garbage identification system based on deep learning has key application value and social significance, which will provide effective technical means and support for water environmental protection and governance, and contribute to the construction of a beautiful China and a beautiful world.

Keywords: Computer vision; YOLOv7; Marine garbage detection; PySide6; target detection

第1章绪论

1.1 课题的意义

这个课题意义重大，它关乎着生态平衡的维护以及人类健康，还涉及到技术创新、生活品质提升以及国际合作与交流等诸多方面[1]，水域环境的保护和治理是维护生态平衡与人类健康的基础，随着城市化进程持续加快，水域污染问题越发严重，水面垃圾成了急需解决的难题，水面垃圾破坏了水域的景观美观度，还对水质造成了严重污染，威胁到水生生物的生存以及人类的健康[2]。开发海上垃圾识别有着关键的环境保护意义，借助实时监测和识别水面垃圾，可及时发现并清理这些污染源，有效净化水质，维持水域生态系统的健康[3]，运用YOLOv7等先进技术进行海上垃圾识别，体现了在环境保护领域的技术创新与应用，深度学习算法的使用让系统可以实现对水面垃圾的实时监测和精准识别，为环境保护提供了新的技术办法[4]。凭借持续优化算法和模型，可提高水面垃圾检测的准确性和效率，给水域环境治理工作提供更可靠的技术支撑，这种技术创新可解决当前的水污染问题，也为未来的环境保护工作提供了更多机会[5]。

此外，水域环境的改善对于提升人们的生活品质具有积极作用。清洁的水域环境不仅能够提升城市形象，也为人们提供了更加美好的休闲场所。在优美的水域环境中，人们可以享受到清新的空气、宜人的景色和丰富的休闲活动，从而提高生活质量和幸福感[6]。通过海上垃圾识别的应用，我们可以及时清理水域中的垃圾，改善水域景观质量，为居民提供更加宜居的生活环境。

最后，水面垃圾检测研究还具有国际合作与交流的重要意义。水污染是全球性的环境问题，需要各国共同努力解决。通过开展水面垃圾检测研究，我们可以促进国际间的合作与交流，分享各自的经验和技术，共同应对全球环境挑战[7]。这种跨国合作不仅有助于推动环境保护工作的深入发展，也为我们共同追求生态文明建设和可持续发展目标奠定了坚实基础。

综上所述，海上垃圾识别及其相关研究不仅关乎水域环境的保护与治理，更涉及到技术创新、生活品质提升以及国际合作与交流等多个方面。因此，我们应该高度重视这一课题的研究与发展，为推动环境保护事业和可持续发展目标的实现贡献力量。

1.2 国内外发展现状

1.2.1 国内外发展概况

水面垃圾检测技术是最近几年来世界各国都非常重视的环境领域中的热门课题，很多国家都对这方面做了不同程度的研究探索，并且想出了不少新颖的想法与做法。该项技术的应用不仅关系到水域方面的保护问题，同时也涉及到保持生态平衡、维护人类健康等方面[8]。

在国外或其它地区中，某些发达国家或地区因为对水域方面的环境投入了大量资源，在进行水面垃圾的监测和清理工作时，基于本身先进的科技研发能力，得出了许多比较理想的系统，通过遥感、机器学习、人工智能等高科技方式，对探测区域内的水域情况进行全面实时监控。并且能够快速准确地检测出水面上漂浮的各种垃圾，给后期处理垃圾的工作带来了很大的方便条件[9]。

国外关于水面垃圾检测技术的研究已有一定的积累，在研究水面垃圾检测技术的过程中取得了较多进步和成果，在此基础之上总结出较多经验，对我们现阶段正在进行的这项技术研发和应用实践具有一定的借鉴意义[10]。

而对于国内来说，水面垃圾检测技术也逐渐受到人们的重视，并得到了来自政府、企业以及高校各方面的关注与赞助。很多的科研机构以及高校都在研发相关技术，针对中国的水域环境状况摸索着适合中国的垃圾检测技术[11]，这为中国以后水面垃圾检测技术的发展提供了一定的技术基础。一些环保企业也开始进军水域环境市场，并把眼光投向了水面垃圾检测技术上，按照市场的需求研制出了一些切合实际的水面垃圾检测产品[12]，这些实用的产品便于我们的使用。

相信随着全世界人民对环境保护意识的加强以及相关技术的发展，水面垃圾检测技术无论是在国内还是国外都将得到更广泛的应用[13]。在将来我们可以期盼出现更多的新奇技术或方法用于帮助我们守护水域环境、拯救地球。同时来自各方的不同力量也在交流与合作中能够取得更多成果为保护地球家园贡献自己的绵薄之力。

1.2.2 目前国内外发展趋势

水面垃圾检测技术的国内外发展趋势主要体现在以下几个方面：

1.技术呈现出智能化与自动化的趋势：在国内外，人们都积极投身于让水面垃圾检测技术朝着智能化和自动化方向发展，借助引入机器学习、深度学习以及人工智能等相关技术，达成对水域垃圾的自动识别与监测，未来的发展走向是构建智能水面垃圾检测系统，以此达成对水域环境进行全天候、全方位的监测[14]。

2. 多模态融合技术的应用情况：国内外的研究者已着手探索多模态融合技术在水面垃圾检测方面的运用，其中覆盖了光学图像、红外图像以及声纳图像等多种传感器数据的融合，借助这样的方式来提升水域垃圾检测的精准程度以及稳定性能。

3. 移动化与便携化的发展态势：随着移动设备日益普及以及技术不断进步，水面垃圾检测技术呈现出朝着移动化和便携化方向发展的趋势，国内和国外的研究机构以及企业着手开展便携式水面垃圾检测设备的开发工作，以此来契合不同环境状况下的需求。

4. 数据共享以及协同治理方面：国际上部分组织与国家已然着手探索水面垃圾检测数据的共享和协同治理机制，借助构建数据平台与信息共享机制，达成水域垃圾检测数据的共享与交流，以此提高水域环境治理的效率和水平[15]。

政策扶持与产业化进程：国内外政府部门以及环保机构已着手重视水域环境保护工作，不断加大针对水面垃圾检测技术的政策扶持力度并增加投入，水面垃圾检测技术有希望逐渐走向产业化，构建起完整的产业链，为水域环境治理给予可靠的技术支撑与保障。

1.3 课题研究的目标和内容

研究目标：

本课题着手研发一种借助深度学习的海上垃圾识别系统，达成对水域环境的实时监测以及清理工作，具体目标涉及以下方面：

1.以YOLOv7作为关键技术手段，达成对水面垃圾的高效且精准的识别工作。

2.运用PySide6以及Python等相关工具来开展工作，设计出有用户友好特性的界面，达成对于系统功能的实时监测这一目标。

3. 可及时发现水域当中存在的垃圾，并且为相应的清理措施提供支持，以此推动水环境的保护与治理工作的开展[16]。

研究内容：

1. 算法研究与优化：针对水面垃圾检测场景展开相关工作，着重对YOLOv7算法给予研究并实施优化举措，以此提升该算法在这一场景下的识别准确率以及鲁棒性。

2. 系统设计与开发：运用PySide6以及Python等工具，着手设计出有用户友好特性的界面，实现海上垃圾识别这一功能，该功能覆盖实时监测、数据展示以及清理管理等方面。

3. 数据集构建以及训练：着手构建专门适用于水域垃圾检测的数据集，接着开展数据标注以及预处理工作，以此用于模型的训练与评估。

4. 实验验证与性能评估：对开发的海上垃圾识别进行实验验证和性能评估，包括准确率、召回率、响应时间等指标的评估。

5. 系统集成以及应用验证：把研究得出的成果开展系统集成工作，并且于实际的水域环境当中展开应用验证，以此检验系统有的实用性与可行性[17]

1.4 课题要解决的关键问题

本课题要解决的关键问题如下：

1. 准确率与鲁棒性：在海上垃圾识别领域，准确率以及鲁棒性是非常关键的考量因素，怎样去提升海上垃圾识别的准确率以及鲁棒性，以此来应对不同水域环境里的复杂状况呢，这些复杂状况覆盖了光照发生变化、水面产生波动等诸多因素所带来的影响。

2. 实时监测与处理：怎样达成对水域环境的实时监测以及垃圾识别，且可在较短的时间之内做出相应的反应，及时采取清理举措，避免垃圾对水质造成污染。

3. 用户界面设计：要思考怎样去设计出简洁且直观的用户界面，以便让用户可便利地运用系统来开展监测以及管理工作，提升系统的易用程度以及用户体验。

4. 数据集构建与标注：关于如何去构建可适用于水域垃圾检测的大规模数据集，并且还要进行准确且高效的数据标注，以此来为模型训练和评估提供支持。

5. 系统集成以及实用性方面：怎样把算法模型和用户界面开展有效的集成工作，构建起稳定可靠的海上垃圾识别体系，并且对其在实际应用当中的实用性与可行性给予验证。

第2章理论基础与相关技术

2.1 YOLO算法

YOLO 即 You Only Look Once 算法，属于端到端的目标检测算法，此算法的设计理念在于把目标检测问题转变为单个神经网络的回归问题，与传统目标检测算法相比较而言，YOLO 算法检测速度更快且准确性更佳，具体情况可参考[18]。

YOLO算法的核心思路是把图像划分成网格，在每个网格里预测边界框的位置以及类别，展开来说，YOLO算法一开始会把输入图像划分成S×S个网格，每个网格对B个边界框以及对应的置信度分数进行预测，同时以及C类别的概率，每个边界框由5+B+C个值构成，这些值分别用来表示边界框的位置、置信度以及类别概率。

YOLO算法所采用的网络结构为卷积神经网络也就是CNN，一般会运用预训练的卷积层去提取图像特征，接着借助卷积以及全连接层来展开预测，在预测这个过程当中，YOLO算法会利用损失函数去衡量预测框与真实框之间存在的差异，并且依靠反向传播算法对网络参数给予更新[19]。

相较于其他目标检测算法，YOLO算法有一些优势，其一YOLO算法可达成端到端的检测，无需额外进行候选框生成以及后处理操作，故而检测速度更为快捷，其二YOLO算法于物体定位和分类方面有着良好表现，可精准地检测出图像里的多个目标，同时标注出其位置与类别。

然而 YOLO 算法并非毫无瑕疵，而是存在着一些挑战与局限之处，受网格化操作的限制影响，YOLO 算法在针对小物体检测以及密集目标排列方面，或许会呈现出不尽如人意的表现，并且 YOLO 算法在处理图像中大量重叠目标时，有可能出现定位不够精准的状况，需要在损失函数中引入某些改进策略来处理这些问题[20]。

YOLO算法是一种高效准确的目标检测算法，被广泛应用于物体检测、行人检测、交通标志识别等多种场景，随着深度学习技术持续发展改进，YOLO算法在目标检测领域会有更广阔应用前景。

2.2 YOLOv7介绍

YOLOv7作为基于深度学习的目标检测算法，属于YOLO系列里的一个新版本，和先前版本比较而言，YOLOv7在速度以及准确性方面均有提高，成为目标检测领域的研究热点。

YOLOv7运用了单阶段检测方式，把目标检测问题转变为一个端到端的神经网络模型，相较于传统两阶段方法而言，YOLOv7无需运用候选框生成器以及区域建议网络，故而有更快的检测速度。

YOLOv7的网络结构运用了轻量级的骨干网络以及一系列特征金字塔网络，该网络借助深度可分离卷积与上采样层来提取图像特征，并且凭借多层卷积和池化操作开展目标检测工作，YOLOv7还引入了如焦点损失和自适应卷积等一些新技术，以此提升检测的准确性与鲁棒性。

YOLOv7在训练以及推理的过程当中都运用了现代化的深度学习框架比如PyTorch，如此一来YOLOv7有了更好的可扩展性和易用性，并且方便研究人员针对模型展开定制与改进工作。

YOLOv7是一种高效准确的目标检测算法，已在物体检测、行人检测、交通标志识别等各种场景广泛应用，随着深度学习技术持续发展改进，YOLOv7在目标检测领域会有更广阔应用前景。

2.3 YOLOv7算法网络结构

YOLOv7的网络结构运用了一种有轻量级特点的骨干网络，它融合了一系列特征金字塔网络以及一阶段检测的方法，下面对YOLOv7的网络结构做一个简要介绍：

1. Backbone（骨干网络）：

YOLOv7采用了轻量级的骨干网络，一般是以CSPDarknet53或者CSPDarknet_lite作为主干网络来使用，这些骨干网络是由一系列卷积层以及残差块所构成的，其作用是对输入图像的特征给予提取。

2. 特征金字塔网络：

在骨干网络之上，YOLOv7引入了特征金字塔网络也就是FPN来处理多尺度特征图，FPN依靠于不同层级构建特征金字塔，让网络可以同时检测不同尺寸目标，这种多尺度特征的运用对提升检测的准确性与鲁棒性有帮助。

3. 检测头（Detection Head）：

YOLOv7的检测头一般是由多个卷积层以及最终的输出层共同构成，这些卷积层可对特征图做的处理，之后输出目标的位置、类别以及置信度等信息，常见所采用的检测头有YOLO头也就是YOLO Head，以及YOLO-Lite头即YOLO-Lite Head等等。

4. 损失函数：

YOLOv7运用了一种融合多方面信息的损失函数，将目标位置、类别以及置信度等信息整合其中，该损失函数可在训练进程里同步对多个目标检测任务给予优化，使检测的准确性与稳定性得到提升。

YOLOv7的网络结构有简洁高效的特点，并且有着不错的检测性能，其适用于各类目标检测任务，在实际应用里收获了广泛成功，Yolov7的网络结构图呈现在图2-1中

图2-1 网络结构图

2.4 YOLOv7与YOLOv5对比

YOLOv5是由Ultralytics团队提出的目标检测算法，整体结构也是采用Backbone（骨干网络）、Neck（特征融合层）和Head（检测头）三个部分组成，但与YOLOv7的有所差异。YOLOv5采用CSPDark53提取特征，而YOLOv7引入了E-ELAN模块，增强了多尺度表达能力。YOLOv5使用PANet进行自下而上或者自上而下的的特征聚合，YOLOv7在此基础上加入了重参数化卷积。对于检测头，YOLOv7新增了辅助检测头，与主检测头协同优化标签分配。表2.1所示

表2.1 网络结构对比

模块	YOLOv5	YOLOv7
骨干网络	CSPDark53	E-ELAN
Neck	PANet	PANet＋重参数卷积
标签分配	静态分配	SimOTA动态分配

对YOLOv7与YOLOv5同时进行相同分辨率的训练，YOLOv7的mAP会高于YOLOv5，更加适合于精度要求高的应用。如图2-2所示

图2-2 mAP值对比图

由于YOLOv7的复杂性，YOLOv5会有更高的处理速度，特别是在硬件限制较严的情况下，YOLOv5会比YOLOv7更适合。但是在复杂的数据集下，YOLOv7的准确率会比YOLOv5呈现更高的准确率。因此两种算法适用的场景不同。

2.5 PySide6

PySide6作为一款开源框架，主要用于创建Python应用程序的图形用户界面也就是GUI，它属于Qt应用程序开发框架的Python绑定，可提供和Qt API相兼容的Python接口，借此开发者可运用Python语言去打造强大的跨平台GUI应用程序，PySide6支持Windows、macOS、Linux等主流操作系统，还可用于开发桌面应用程序、移动应用程序以及嵌入式系统。

PySide6作为Qt官方的Python绑定之一，有着丰富多样的Qt功能与组件，其中有窗口、按钮、标签、列表框这类常见的GUI元素，还囊括了OpenGL集成、多媒体、网络、数据库等高级功能，凭借这些，开发者可借助PySide6打造出各式各样的应用程序，无论是简单的工具、小型应用，还是复杂的企业级软件、游戏都不在话下。

PySide6有诸多特点，比如简单且易于使用，可跨越不同平台，有着较高的性能效率，还有灵活可扩展性等，它拥有与Qt Designer集成的功能，借助可视化界面设计工具可迅速创建并布局GUI界面，同时也支持运用Python代码来进行灵活的定制以及扩展，PySide6作为一个活跃的开源项目，社区提供了丰富的文档、示例代码以及支持资源，让开发者可以轻松上手，快速构建出优秀的Python GUI应用程序。

第3章基于深度学习的水面垃圾目标检测系统的设计

3.1 PySide6界面设计

PySide是Python的一个强大图形化界面库，它的根源能追溯到C++版的Qt库，经过巧妙转化后，PySide继承了Qt的丰富功能与卓越性能，还在Python环境里实现了高效的界面开发，让Python程序员能轻松构建出美观又实用的图形界面，PySide和C++版的Qt在用法上比较相似，这给熟悉Qt的开发者给予了很大便利。不过对于Python程序员而言，PySide也容易上手，和其他Python GUI库相比，PySide有开发速度快、功能全面以及文档支持良好的优势，这些特点使PySide在Python GUI开发领域占有关键地位，这个界面会为用户提供一个简单易用的交互环境，允许用户挑选图片和视频进行目标检测。我们会借助Qt Designer这个强大工具来设计图形界面，Qt Designer提供了直观的拖放式界面设计方法，让开发者能轻松创建出复杂的界面布局，在设计时，我们可依据需求添加各种UI控件，像标签、按钮、文本框和多选框等，来契合用户的交互需求。

完成界面设计工作之后，会运用PySide6把设计好的UI文件转化成Python代码，这一环节达成了从设计至实现的顺畅衔接，让开发者可专心希望能够程序逻辑的实现，而不用过度留意界面细节，于PySide6里，信号槽机制是达成UI控件跟程序逻辑代码相互连通的关键所在。依靠给UI控件定义信号，可在用户开展交互操作之际触发相应的槽函数，执行相应的程序逻辑，这般机制让界面跟程序逻辑之间的交互变得简易且高效，并且PySide6还给出了丰富的API以及工具类，使开发者可轻易地达成各种复杂的界面功能与交互效果，比如可以借助PySide6中的图形绘制功能在界面上绘制图像或者视频帧，以此实现目标检测结果的实时展示。

PySide6是一个功能强大且便于使用的Python GUI库，能为开发者打造出一个高效且灵活的平台，用于创建有丰富交互功能的图形化界面，借助Qt Designer开展界面设计，以及PySide6的信号槽机制与API支持，可轻松实现用户选择图片、视频来进行目标检测的功能，为用户营造出一个友好又实用的交互环境。系统界面如图3-1所示。

图3-1 系统界面图

3.2 系统功能设计

本系统拥有一系列高效又实用的功能，能给用户带来全面的图像和视频处理体验，它的核心功能包括模型权重的选择以及初始化、检测置信度和后处理 IOU 阈值的调节、图像的导入以及检测、检测结果的可视化以及目标统计，另外以及视频的导入检测、文件夹的图像批量导入检测、设备摄像头的导入检测，以及单张图像视频摄像的推理功能。

该系统十分重视模型权重的挑选与初始化，借助科学方式，为用户供给多种预训练模型权重以供选择，并依据具体应用场景给予精细调适，以此保证模型在实际应用里可呈现出最佳性能，还设有模型权重初始化功能，使用户可依据自身需求对模型实施定制，契合各类个性化需求。

该系统拥有检测置信度以及后处理IOU阈值的调节功能，借助对检测置信度给予灵活调节，用户可掌控模型的敏感度和准确度，在不同应用场景中达成最佳检测效果，IOU阈值的调节功能让用户可依据实际需求对目标框的匹配程度进行调整，提升检测的准确性。

关于图像以及视频的导入和检测工作，此系统可支持多种格式的图像与视频文件进行导入操作，像常见的JPG格式、PNG格式以及MP4格式等均在支持范围内，用户只要把文件导入到该系统当中，便可以开展快速且精准的检测工作，系统还给出了丰富多样的检测结果可视化选项，囊括目标框的绘制以及置信度的显示等内容，这让用户可直观地知晓检测结果具体情况。

本系统拥有目标统计功能，可自动对检测到的目标计数并分类，对于有目标数量统计及分析需求的用户而言，这是很实用的功能，不管是科研实验还是实际应用场景，可给用户带来便利，本系统除了上述核心功能，以及文件夹图像批量导入检测功能，用户可一次导入多个图像文件批量检测，有效提升了处理效率。设备摄像头的导入检测功能，让用户能直接用摄像头实时检测，契合实时监控与实时处理需求。

最后需要提及的是，本系统有单张图像视频摄像的推理功能，用户可把单张图像或者视频摄像当作输入内容，借助系统展开推理分析，获取更多有价值的信息与数据，此功能丰富了系统的应用场景，也使系统的实用性和价值得到提升。

本系统经一系列功能的设计以及优化，给予用户全面且高效的图像与视频处理体验，像模型权重的挑选和初始化、检测置信度以及后处理IOU阈值的调整，以及图像的导入和检测、检测结果的可视化以及目标统计等功能，都呈现出我们对用户需求的理解与契合，使用本系统，用户能更便利地处理图像和视频数据，在工作中收获更好成果。系统功能流程图如图3-2所示。

图3-2 系统流程图

第4章系统可行性与需求分析

4.1 技术可行性

技术可行性分析覆盖多个要点，首要的是目标检测模型的成熟度状况，YOLOv7身为目标检测领域的前沿技术，于各类场景中都历经了广泛验证与应用，其在准确性以及速度方面所有的优势，使之成为海上垃圾识别的适宜选项，PySide6与Python技术的成熟程度同样是关键要素。PySide6可提供丰富多样的GUI工具以及功能，与Python语言协同运用，可达成用户友好型的界面设计以及系统功能的实时监测，这为系统开发给予了良好的技术支撑，实时监测技术的应用亦是考虑的重点所在，随着硬件性能以及算法优化的持续提升，实时监测技术已然有了较高的可行性，可契合水域环境里垃圾的及时识别需求。数据集构建与标注技术同样关键，恰当的数据集以及准确的标注对于模型的训练以及评估而言非常关键，当下已有的水域垃圾数据集以及成熟的标注技术为系统开发奠定了基础，系统集成与部署也是技术可行性的关键考量内容，借助合理的系统设计以及技术方案选择，可保证系统在实际环境中的稳定性、安全性以及实用性。基于深度学习的海上垃圾识别系统有较高的技术可行性，可有效应对水域环境中的垃圾问题。

4.2 经济可行性

深度学习技术支撑的海上垃圾识别系统在经济层面有较好可行性，全球水域垃圾污染问题变得日益凸显，政府部门、企事业单位以及个人和社会组织对水域环境监测与治理的需求不断增长，此系统可提供高效且准确的实时监测服务，有望成为环境保护及水资源管理领域的关键解决办法。依靠契合不同用户群体需求，该系统有吸引投资者的潜在商业化前景，能为环保产业发展以及经济回报带来新机遇。

4.3 操作可行性

基于深度学习的海上垃圾识别系统在操作方面有良好可行性，系统运用PySide6库以及Python语言达成了用户友好的界面设计，让系统操作变得简单且直观，用户借助系统界面可轻松达成实时监测功能，还可对监测到的水面垃圾实施有效管理与清理，YOLOv7算法作为核心引擎，有着高效快速的特性，可在实时环境里实现快速且准确的垃圾识别，这提升了系统的操作性。全面考量用户界面设计以及算法性能，该系统操作简便且高效，拥有较强的可操作性。

4.4 系统功能需求分析

系统功能需求分析对于保障海上垃圾识别契合用户需求而言是极为关键的一步，系统要拥有实时监测功能，即可针对水域里的垃圾展开即时的检测以及识别工作，系统需要有用户友好型的界面设计，这样能让用户便利地运用系统来实施监测与管理操作，系统应当支持多种数据输入方式，像图像、视频等，以此来适应不同场景下的监测要求。另外系统还要有数据存储和管理功能，可以对监测数据进行存储、查询以及分析，为后续的数据处理和决策给予支持，系统应有灵活可扩展的特性，可依据用户需求进行定制与扩展，用以契合不同用户的特定需求，总之系统功能需求分析的核心要点是保证系统达成实时监测、用户友好、多数据输入、数据存储与管理以及灵活可扩展等功能，契合用户在水面垃圾监测方面的需求。

第5章基于深度学习的水面垃圾目标检测系统的实现

5.1 系统模型的构建

5.1.1 数据集

本系统运用了经过精细制作的目标数据集，以此来提高检测模型的精确程度以及稳固性能，为保证数据集的质量以及完整程度，我们花费了大量时间与精力，手工标注了bottle、grass、branch、milk-box、plastic-bag、plastic-garbage、ball、leaf这八个类别。整个数据集总共包含2400张图片，每个类别都有较为丰富的样本数量，可充分覆盖不同场景以及变化条件。

构建数据集时着重关注样本多样性与复杂性，如图5-1呈现，部分样本呈现出各类目标于不同角度、光照条件下的形态改变，如此设计利于模型训练时学到更多有用特征信息，面对实际环境复杂变化能作出准确判断，为提高模型泛化能力与鲁棒性采用多种数据提高技术，包含随机旋转、缩放、裁剪及颜色变换等，可有效扩充数据集并提升模型泛化性能。应用这些技术成功降低过拟合风险，让模型面对新数据时能更好适应与表现。

本系统的数据集，注重数量的积累，也关注质量的提升，在标注过程中，我们严格遵循相关规范和标准，以保证标注结果准确且一致，另外我们还对数据进行严格质量控制，剔除可能影响模型性能的低质量样本，保障训练过程顺利及模型性能持续提升。

本系统凭借精心制作的目标数据集以及运用多种数据提高技术，为训练出更具鲁棒性与准确性的检测模型奠定了坚实基础，随着数据集完善与优化，本系统性能将得以提升，可为实际应用场景中的目标检测任务提供更可靠支持。

图5-1 数据集

5.1.2 模型的训练、测试和评估

5.1.2.1 训练

深度学习领域中，模型训练是相当关键的环节，为提升模型检测性能，训练阶段采取了一系列策略与方法，首先选用预训练模型作为初始模型，此做法充分运用已有数据集知识，给模型提供了不错的起点，引入预训练模型，能在一定程度上减少过拟合现象，还可加速模型收敛速度。

模型训练期间，采用多次迭代方法优化网络参数，迭代作为模型训练关键步骤，借助持续调整网络参数，逐步降低模型在训练集的损失，提升其在测试集的性能，为让模型更适配不同数据分布与场景，引入学习率衰减及数据提高等技术，学习率衰减属有效优化策略，可在训练进程中渐渐减小学习率，让模型于后期更精准调整参数。经学习率衰减，能在保证模型收敛之际，防止过大学习率致使模型在最优解附近震荡。

数据提高作为提升模型泛化能力的一种有效方式，借助对原始数据开展如旋转、缩放以及裁剪等各类变换，可生成大量全新样本用于模型训练，如此一来，一方面可增加模型训练样本的数量，另一方面也可让模型在面对经过各种变换的数据时，维持稳定的性能表现。

除了上述提及的策略之外，我们采用了单卡模型展开训练，单卡模型训练有较高灵活性，可较为便捷地开展参数调整以及模型优化工作，借助合理的资源分配与管理方式，我们可在保证训练效果的情况下，减少计算资源的消耗，一个简易的单卡模型训练命令如图5-2所示，此命令概括了模型训练的基本配置以及参数设置，像学习率、批次大小、迭代次数等。在实际应用过程中，我们可依据具体任务以及数据集的特性，对训练命令给予适当调整与优化，获取更佳的训练效果。

经过综合考量，借助预训练模型、多次迭代优化、学习率衰减以及数据提高等技术手段，可切实有效地提高模型的检测性能，运用单卡模型开展训练，在灵活性与效率方面有一定优势，在后续的研究进程中，会持续探寻更多的训练策略及方法，以此提高模型的性能以及应用价值。

图5-2 数据集的训练结果

训练命令：从yaml构建新模型并从头训练：

python train.py --data coco128.yaml --cfg yolov7.yaml --weights '' --epochs 180 --img-size 640

从预训练模型继续训练（加载完整模型与权重）：

python train.py --data coco128.yaml --weights yolov7.pt --epochs 100 --img-size 640

加载预训练权重到自定义模型：

python train.py --data coco128.yaml --cfg yolov7.yaml --weights yolov7.pt --epochs 100 --img-size 640

核心代码如下：

预训练模型：

if pretrained: with torch_distributed_zero_first(rank): attempt_download(weights) # download if not found locally ckpt = torch.load(weights, map_location=device) # load checkpoint model = Model(opt.cfg or ckpt['model'].yaml, ch=3, nc=nc, anchors=hyp.get('anchors')).to(device) # create exclude = ['anchor'] if (opt.cfg or hyp.get('anchors')) and not opt.resume else [] # exclude keys state_dict = ckpt['model'].float().state_dict() # to FP32 state_dict = intersect_dicts(state_dict, model.state_dict(), exclude=exclude) # intersect model.load_state_dict(state_dict, strict=False) # load

多次迭代优化：

# Multiple training cycles

for epoch in range(start_epoch, epochs):

model.train()

# Data iteration for each epoch

for i, (imgs, targets, paths, _) in pbar:

# forward propagation

pred = model(imgs)

# Loss Calculation

loss, loss_items = compute_loss(pred, targets.to(device))

# Backpropagation (with gradient accumulation)

scaler.scale(loss).backward()

# Parameter update

if ni % accumulate == 0:

scaler.step(optimizer)

scaler.update()

optimizer.zero_grad()

学习率衰减：

if opt.linear_lr: lf = lambda x: (1 - x / (epochs - 1)) * (1.0 - hyp['lrf']) + hyp['lrf'] # linearelse: lf = one_cycle(1, hyp['lrf'], epochs) # cosine 1->hyp['lrf']scheduler = lr_scheduler.LambdaLR(optimizer, lr_lambda=lf)# plot_lr_scheduler(optimizer, scheduler, epochs)

数据增强：

meta = {'lr0': (1, 1e-5, 1e-1), # initial learning rate (SGD=1E-2, Adam=1E-3) 'lrf': (1, 0.01, 1.0), # final OneCycleLR learning rate (lr0 * lrf) 'momentum': (0.3, 0.6, 0.98), # SGD momentum/Adam beta1 'weight_decay': (1, 0.0, 0.001), # optimizer weight decay 'warmup_epochs': (1, 0.0, 5.0), # warmup epochs (fractions ok) 'warmup_momentum': (1, 0.0, 0.95), # warmup initial momentum 'warmup_bias_lr': (1, 0.0, 0.2), # warmup initial bias lr 'box': (1, 0.02, 0.2), # box loss gain 'cls': (1, 0.2, 4.0), # cls loss gain 'cls_pw': (1, 0.5, 2.0), # cls BCELoss positive_weight ……

训练命令的名称、默认参数以及详细描述在表5.1中有所呈现，这些训练命令属于机器学习里十分关键的部分，它们分别有着不同的作用，一同构成了整个训练过程的基础架构。

首先来关注一下训练命令的名称，此类名称一般较为简洁清晰，可直接体现出命令的主要功能所在，比如说，“模型初始化”这一命令是用来设定模型的初始参数以及状态的，而“数据加载”命令的职责是把训练数据集加载到内存当中，方便后续的使用，借助这些命名，我们可迅速知晓每个命令的基本作用，为后续操作给予便利。紧接着是默认参数部分，默认参数指的是训练命令在执行过程中所运用的标准设置值，这些默认值一般是经过大量实验得以验证的，可在多数情形下提供不错的训练效果，然而在实际应用的时候，我们有可能需要依据具体的数据集以及任务需求对默认参数作出调整，在了解默认参数的也需要掌握怎样依据具体状况进行参数调优。

接下来是描述部分，所谓描述，指的是针对训练命令展开详细的阐释与说明，其中囊括了命令的输入内容、输出结果、执行的具体过程以及有可能需要留意的相关事项等方面，借助描述，可让我们对每个命令的工作原理有较为深入的认识，更有效地运用它们来开展模型训练工作，描述之中还或许会包含一些背景方面的信息以及概念的解释，这可我们更透彻地理解训练命令在机器学习领域所有的应用价值和意义。从图4-3里，可看到各个训练命令的名称、默认参数以及描述均被清晰地呈现出来，这些信息为我们提供了较为全面的参考依据，以便我们可理解并运用这些训练命令，我们还可依据实际的需求对这些命令给予扩展以及定制，以此来契合特定任务的要求。

训练命令是机器学习里很关键的一部分，深入了解其名称、默认参数以及描述，能帮助我们更好掌握模型训练的核心技术，提升模型性能与效果，我们要持续学习探索新的训练命令和技巧，适应不断变化的机器学习领域。

表5.1 训练命令的参数和描述

名称	默认参数	描述
Model	None	模型或模型配置文件
Data	None	数据集配置文件
Epochs	100	训练的论次
Patience	20	准确率如果没有显著提升时停止的轮次
Batch	16	训练的批次大小
Imgsz	640	图像的尺寸
Save	True	是否需要保存训练的结果和模型
Save_period	-1	每隔多少个epoch保留训练好的权重模型
Cache	False	是否使用缓存保存数据，可选True/ram、disk或者False
Device	None	训练设备，可选0或1或cpu等
Workers	8	多线程数据集加载
Project	None	项目名称
Name	None	实验名称
Exist_ok	False	是否覆盖现有实验
Pretrained	False	是否使用预训练模型
Optimizer	‘auto’	优化器选择，有 [SGD,Adam,Adamax,AdamW,NAdam,Radam,RMSProp,aut]
Verbose	False	是否打印详细输出
Seed	0	种子数
Deterministic	True	是否启动确定性模式
Single_cls	False	单类别模式训练
Rect	False	是否支持矩形训练
Cos_lr	False	是否使用余弦学习率调度器
resume	False	是否从最近训练断掉的权重继续训练
amp	True	是否开启混合精度训练

5.1.2.2 测试

1.测试方法：

在测试阶段，已训练完成的模型被充分运用，针对全新的图片以及视频数据展开检测，此过程最关键的是模型的运用和数据的筛选，为模型设定了明确阈值，只有置信度高于该阈值的检测框才会被保留，以此过滤掉可能出现的误检或低质量检测结果，经过这一精细化筛选过程，最终获得清晰且准确的检测结果。

我们设计的系统会把检测结果以图片或视频形式保存下来，不只是提供检测结果，如此设计提高了后续分析和应用便捷程度，专业研究人员和普通用户可直观看到检测结果，做更深入分析与应用，实现该系统时，我们选了YOLOv7算法，用强大的深度学习框架PyTorch搭建并训练模型。YOLOv7算法检测性能出色且实时性强，能保证准确性又有高效检测速度，PyTorch提供丰富API和工具，让我们能更便捷地训练和部署模型。

为保证系统稳定性及可扩展性，代码中运用了多个关键库，NumPy有强大数值计算功能，利于数据处理与转换，OpenCV有丰富图像处理功能，如读取、显示及保存图像，Pyside6为图形用户界面提供支持，方便用户与系统交互。

综合来看，我们的检测系统检测性能出色，在易用性以及可扩展性方面优势明显，我们认为，该系统会在未来研究与应用里发挥更关键的作用。

2.测试用例设计

表5.2 测试用例表

编号	项目	步骤	结果
001	图片检测	准备包含水面垃圾的训练图像数据集，用此数据集训练模型，测试在测试集上的准确率	模型准确率基本大于70%
002	视频检测	准备包含水面垃圾的视频数据集，训练模型，测试在测试集的准确率	模型准确率基本大于70%
003	置信分与IOU的改变	改变模型的置信分与IOU，重新训练模型，比较此模型与原模型	模型准确率显著提升

5.1.2.3 评估

当我们研究机器学习模型的性能评估时，精度、召回率这类指标起着相当关键的作用，这些指标能给我们呈现出模型预测能力的直观情况，还可以为优化模型指引方向，损失曲线以及PR曲线同样是我们分析模型训练过程时不能缺少的工具。

本次研究中对这些工具加以运用，目的在于评估模型性能，起初运用精心准备的数据集，借助先进YOLOv7算法开展模型训练，为让模型充分学习提取数据特征，共训练100个epochs，训练阶段关注模型在训练集与验证集的表现，使用tensorboard可视化工具实时记录训练时的损失曲线。观察曲线可知，随训练次数增加，模型训练损失与验证损失逐渐降低，模型持续学习优化，能更精准提取识别数据特征。

图5-6 混淆矩阵

训练结束之后，我们又针对模型做了一番评估，为检验模型的泛化能力，我们于数据集的验证集上展开测试，得出如下让人振奋的结果：模型的精度与召回率都处在较高水准，这有力证实了我们的模型在识别任务方面有较高的准确性与可靠性，当然我们也明白模型以及一定的提升余地。未来我们会持续优化模型的参数与结构，以便提升其性能，我们还会尝试引入更多数据集与算法，丰富我们的研究内容并提高模型的泛化能力。

本次研究成功借助精度、召回率等指标以及损失曲线、PR曲线等工具，对模型性能展开评估，此评估为后续研究提供了经验与启示，也为未来研究工作奠定了基础。

图5-7 训练结果

借助下图可清楚地看见该模型于验证集上的PR曲线，PR曲线也就是精确度与召回率曲线，是用于评估目标检测模型性能的一种常用方式，在PR曲线里，横轴所代表的是召回率，纵轴所代表的是精确率，召回率衡量的是模型找出全部正例的能力，精确率衡量的是模型判定为正例的样本当中真正属于正例的比例。

观察图可发现，我们的YOLOv7模型于验证集上收获了较高的召回率以及精确率，模型在识别目标对象之际，能尽力找出全部正例，又能在判定为正例的样本里维持较高的准确性，这样的表现说明我们的模型在目标检测任务方面有良好性能，若想了解模型性能，我们可剖析PR曲线中的关键点。曲线的最高点，也就是精确度与召回率之间的最佳平衡点，一般称作F1分数，我们的模型在这个点上表现颇为出色，这意味着模型在精确度和召回率之间达成了良好平衡。

图5-8 F1_curve

从PR曲线可观察到不同召回率下精确率的变化情况，召回率较低时，模型精确率相对较高，说明模型识别少量目标对象时准确性较高，召回率提高，精确率逐渐下降，不过我们的模型在召回率上升过程中仍保持相对较高精确率，证实了模型的优异性能，为训练出优秀的YOLOv7模型，采用了大量标注数据、先进优化算法以及合适模型架构。还对模型进行细致调参和优化，保证其在实际应用中取得最佳性能表现。

经过综合考量，我们所训练的 YOLOv7 模型于验证集中收获了较高的召回率与精确率，整体呈现出不错的表现，这是由于我们运用了先进算法、大量标注数据，还开展了细致的模型调参以及优化工作，未来我们会持续探寻更多优化方法与技术手段，提高模型性能，为实际应用场景给予更好的目标检测服务。

图10

图5-9 P_curve

本文对训练所得的YOLOv7模型在数据集上的出色表现进行详细分析与研究，该模型在实际应用中有较高的检测精度以及良好的鲁棒性。

首先要明白YOLOv7模型的基本特性，YOLOv7作为一种先进的实时目标检测算法，在速度与精度方面达成了不错的平衡，借助对图像开展全局分析，YOLOv7可精准识别出图像里的目标，还可以给出其位置和类别，此特性让YOLOv7在自动驾驶、视频监控、无人机侦察等领域拥有广泛应用前景。

训练的时候使用了数量众多的数据集，这些数据集包含了不同场景、不同角度以及不同光照条件下的目标图像，借助对这些数据展开学习，YOLOv7模型慢慢掌握了目标检测的关键技巧，在测试集上呈现出较高的检测精度，该模型可精准识别出大部分目标，还可以给出较为准确的位置信息。并且它对于噪声、遮挡等干扰因素有较强的鲁棒性，可在复杂环境中稳定运行，为了验证YOLOv7模型在实际场景中的应用价值，开展了一系列测试，这些测试包含了不同领域、不同场景的目标检测任务，结果说明，该模型在多个测试集上都取得了令人满意的成绩，在精度方面有所提升，速度上也表现优异。这充分证实了YOLOv7模型在实际应用中的可行性与有效性。

除了上述所提及的内容之外，我们还应当着重关注 YOLOv7 模型所有的一些优点以及潜在的改进方向，此模型拥有较高的实时处理性能，可以较快的速度处理数量众多的图像数据，它运用了先进的深度学习技术，有较强的泛化能力，可适应不同场景下的目标检测任务，然而随着技术的不断发展以及应用场景的持续扩展，我们仍需对该模型展开的优化与改进。比如可以借助增加更多训练数据、调整模型参数等手段来提高模型的性能。

经过训练得到的 YOLOv7 模型在数据集里表现不错，有着较高的检测精度以及鲁棒性，可在实际场景当中加以应用，对该模型的特性以及应用价值展开分析探讨后，我们认为它会在未来目标检测领域发挥更关键的作用。

5.2 系统功能的实现

5.2.1 模型选择与初始化

用户运用我们的系统之际，可较为便捷地达成模型权重的上传以及初始化配置，具体的操作流程如下：用户仅需点击模型权重选择按钮，便可上传已训练完成的模型权重文件，这些模型权重文件支持多种格式，如.pt、.onnx以及engine等，如此便给予了用户较大的灵活性，得以让他们较为便利地导入自身的模型权重。

当用户上传模型权重之后，用户可继续去点击模型权重初始化按钮，以此达成已选择模型初始化的相关配置，此步骤保证了模型可以正确地加载以及应用上传的权重，为后续的模型推理或者训练做好相应准备。

此过程于图5-10以及图5-11之中得以清晰呈现，图5-10将模型权重选择按钮所处位置以及上传模型权重的界面给予展示，借助该界面用户可挑选并上传自身的模型权重文件，图5-11呈现的是模型权重初始化按钮的位置以及初始化配置的界面，用户可在此处查看并确认模型的初始化状态。

我们的系统有模型权重上传和初始化功能，以及完善的错误处理与提示机制，用户上传或初始化模型权重时若遇问题，系统会及时给出错误提示，帮用户快速定位并解决问题。

我们的系统有较强的扩展性与兼容性，随着技术持续进步以及模型不断更新，会持续支持更多模型权重格式，同时持续优化完善系统功能与性能，契合用户不断增长的需求。

总的来说，我们的系统有为用户提供便捷且高效以及灵活的模型权重上传与初始化配置功能的特性，可用户更妥善地应用并管理自身的模型权重，达成更高效的模型推理以及训练效果。

图11

图5-10 模型选择

图12

图5-11初始化成功

核心代码如下:

device = select_device(device)

model = DetectMultiBackend(weights, device=device, dnn=dnn, data=data)

stride, names, pt, jit, onnx, engine = model.stride, model.names, model.pt, model.jit, model.onnx, model.engine

# Half

half &= (pt or jit or onnx or engine) and device.type!= 'cpu' # FP16 supported on limited backends with CUDA

if pt or jit:

model.model.half() if half else model.model.float()

return model, stride, names, pt, jit, onnx, engine

5.2.2 置信分与IOU的改变

Confidence或者IOU下方的输入框之内，用户可凭借直接输入数值的方式去改变滑动条的进度，此项设计让调整过程变得更为直观且便捷，用户不用借助繁琐的鼠标点击或者拖拽操作，仅需简单地输入所需数值，便可达成滑动条进度的同步改变，滑动条的设计还提供了可视化的调整途径，用户可依靠拖动滑动条上的滑块来直观地调整数值。这种双向同步的机制保证了输入框和滑动条之间的数值始终维持一致，防止了因操作不一致而致使的误差。

这种同步机制并非仅局限于用户界面的交互，在与模型配置的关联方面也有体现，Confidence或者IOU值要是发生改变，就会同步到模型的配置当中，使得检测置信度阈值以及IOU阈值产生变化，置信度阈值决定了模型在检测过程里对于目标对象是否存在的判定标准，IOU阈值则对模型关于目标对象位置精度的判断造成影响。凭借调整这两个阈值，用户可在一定程度上对模型的检测性能和精度加以控制。

为能更深入理解此功能，可结合图5-12展开详尽阐释，于图中，可看到Confidence或IOU下方存在输入框与滑动条，以及它们同模型配置的关联情况，当用户于输入框里输入新数值时，滑动条上的滑块会即刻移至相应位置，模型里的置信度阈值或者IOU阈值也会随之调整。同样当用户拖动滑动条上的滑块时，输入框中的数值会实时更新，并且同步至模型配置当中。

这种同步机制得以实现依靠的是后台的编程逻辑以及数据处理能力，于后台代码里，要构建输入框、滑动条与模型配置之间的数据绑定关联，以此保证它们之间的数值可做到实时同步，并且还得针对用户的输入开展合法性检查，避免因输入非法数值而致使程序出现错误或者异常，除开基本的同步功能以外，还可延伸这一功能的应用场景。比如说，可以增添更多的输入字段以及滑动条，用以支持更多参数的调整，又或者依靠引入实时预览功能，使得用户可即刻看到调整参数之后模型检测效果的变化，这些拓展功能会提高用户的使用体验以及模型的调整效率。

依靠达成Confidence或IOU下方输入框和滑动条之间的双向同步机制，并使其与模型配置相关联，可为用户提供便捷且直观的方式来调整模型检测置信度阈值与IOU阈值，如此一来可提高用户工作效率，也为模型优化调整提供更多可能。

图13

图5-12 置信分与IOU的改变

核心代码如下:

def run(model, img, stride, pt,

imgsz=(640, 640), # inference size (height, width)

conf_thres=0.15, # confidence threshold

iou_thres=0.15, # NMS IOU threshold

max_det=1000, # maximum detections per image

device='', # cuda device, i.e. 0 or 0,1,2,3 or cpu

classes=None, # filter by class: --class 0, or --class 0 2 3

agnostic_nms=False, # class-agnostic NMS

augment=False, # augmented inference

half=False, # use FP16 half-precision inference

5.2.3 图像的选择检测与导出

在当代科技迅速发展的时期，图像处理技术获得了广泛运用，为契合用户对图像检测和识别的需求，专门设计了一款方便使用的系统，用户只要进行简单操作，就能达成图像的上传、显示以及检测与识别功能。

用户最先可点击系统界面里的选择图像按钮，借由这一操作，用户可挑选并上传自身所需检测以及识别的单张图像，上传进程简便且迅速，不管是从本地文件夹选取，亦或是直接从相机或者扫描设备中获取，均可顺利达成。

当图像成功上传之后，系统界面会马上同步呈现输入图像，此功能方便用户随时去查看上传的图像，还为后续图像检测与识别工作给予了直观的视觉反馈，像图5-13展示的那样，系统界面会清楚地呈现上传的图像，使用户一眼就能看清，我们的系统支持常规的图像格式，像是JPG、PNG等，而且能适应各种分辨率以及尺寸的图像。不管是高清的大图还是低分辨率的小图，都可在系统里得到有效的处理。

我们的系统拥有强大的图像检测与识别能力，运用深度学习以及算法分析处理图像，系统可精准识别图像里的关键信息，像人脸、物体、文字等，还会为用户给出详细的识别结果，该功能在诸多领域广泛应用，有人脸识别、车牌识别、文字识别等，我们的系统凭借简单易用的操作界面与强大的图像检测与识别能力，为用户带来高效便捷的图像处理体验。不管是个人用户还是企业用户，可从中获益，达成更精准、高效的图像处理需求。

图14

图5-13 选择图像

在当代计算机视觉范畴内，图像检测功能的运用变得日益普遍，其可帮人们迅速识别图像里的目标对象，并且在自动驾驶、安防监控以及医学影像分析等多个领域起到关键作用，在这篇文章里，会具体阐述怎样经由点击图像检测按钮来达成对输入图像的目标检测，同时深入剖析检测进程中的详情以及后续的操作。

最初的时候，用户需要去点击图像检测按钮，以此来开启目标检测功能，该功能是依托深度学习算法构建的，借助训练模型达成对图像里不同目标的识别，一旦开启之后，系统就会自动针对输入的图像展开扫描以及分析，去寻觅其中的目标对象。

在整个检测流程当中，系统会于用时那一栏显示出检测过程实际所耗用的时间，此项指标对评估系统性能以及优化检测算法而言有着不可忽视的价值，系统还会在目标数量一栏呈现出已经检测到的目标数量，以此使用户可对图像里的目标分布状况形成一种直观的认识，当检测工作完成之后，用户可借助下拉框来挑选已经检测到的目标。而这一操作会促使目标位置标签值发生改变，展开来说就是xmin、ymin、xmax以及ymax，这些标签值分别代表着目标对象在图像里的左上角坐标以及右下角坐标，可帮助用户精准地确定目标所处的位置。

随后用户可点击检测结果展示按钮，在系统左下方查看输入图像的检测结果，在这个时候，系统会显示识别出图片中目标的类别、位置以及置信度等信息，这些信息可用户知晓目标的性质，也可对检测结果的准确性给予评估，正如图5-14所呈现的，系统界面清晰地呈现出了检测结果。用户可以直观地看到每一个目标对象的类别、位置和置信度信息，系统还有放大缩小、拖动等交互功能，方便用户针对检测结果展开的分析与处理。

除了上述提到的基本功能之外，现代图像检测系统还拥有多种高级特性，比如说，有些系统支持多目标跟踪功能，可实时跟踪图像里目标的运动轨迹，另外以及些系统有跨平台兼容性，可以在不同的操作系统以及设备上稳定运行，这些高级特性提高了图像检测功能的实用性与应用价值。凭借点击图像检测按钮并完成后续相关操作，可实现输入图像的目标检测功能，这简单又便捷，并且还可提供丰富的检测结果信息，随着计算机视觉技术持续发展，相信未来图像检测功能会在更多领域发挥关键作用，给人们的生活和工作带来更多便利与效益。

图15

图5-14 检测图像

当点击图像检测结果导出按钮的时候，便可将检测之后的图像进行导出，在保存栏之中输入需要保存的图片名称以及后缀，如此一来就可以达成检测结果图像的保存，正如图5-15所展示的那样。

图16

图5-15 导出图像

当用户点击结束图像检测按钮后，系统界面会完成刷新操作，所有输出信息将被清空，随后用户若要上传图像或视频，可点击选择图像或选择视频按钮，若要开启摄像头，则点击打开摄像头按钮。

核心代码如下:

def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True): # ch_in, ch_out, kernel, stride, padding, groups

super().__init__()

self.conv = nn.Conv2d(c1, c2, k, s, autopad(k, p), groups=g, bias=False)

self.bn = nn.BatchNorm2d(c2)

self.act = nn.SiLU() if act is True else (act if isinstance(act, nn.Module) else nn.Identity())

def forward(self, x):

return self.act(self.bn(self.conv(x)))

def forward_fuse(self, x):

return self.act(self.conv(x))

class DWConv(Conv):

# Depth-wise convolution class

def __init__(self, c1, c2, k=1, s=1, act=True): # ch_in, ch_out, kernel, stride, padding, groups

super().__init__(c1, c2, k, s, g=math.gcd(c1, c2), act=act)

5.2.4 视频的选择检测与导出

在当今这个数字化时代，视频内容已然成为人们日常生活里不可缺少的部分，为契合用户针对视频内容检测以及识别的需求，我们设计了一款视频处理系统，它有较高的效率，用户只要轻松点击一下选择视频的按钮，就能上传视频以开展后续的检测和识别操作，紧接着，系统会自动提取视频的第一帧，然后把这一帧输入到系统界面当中，供用户去查看和评估。

这款视频处理系统凭借其操作流程便捷以及性能高效的特点，赢得了用户的广泛赞誉，用户只要在界面当中寻找到“选择视频”按钮并点击它，就可顺利地把需要处理的视频文件上传，该系统支持多种视频格式，像常见的MP4、AVI以及其他格式，它都可以妥善处理。

当视频成功上传完毕后，系统会马上开启检测以及识别功能，该过程囊括对视频内容展开分析，以及提取关键信息，为保证用户可直观知晓视频内容，系统特意设计了把视频第一帧展示在界面上的功能，如此一来，用户于视频处理期间，可随时查看第一帧画面，对视频内容有初步认识。

从图5-16可看到，系统界面清晰呈现出视频的第一帧画面，此画面清晰度较高，并且能留存原始视频的细节信息，用户认真观察第一帧画面，就能判断出视频的整体氛围、人物特征以及场景布局等关键内容，这对后续视频处理、编辑以及内容识别等操作有着关键的指导作用。

这款视频处理系统有强大的智能识别功能，它借助对视频内容开展深度学习与分析，可自动识别出视频里的关键信息，像人物、物品、动作等，这些信息会被提取出来用于后续的分析与评估，系统还提供了丰富的编辑和处理工具，能契合用户对视频内容的个性化需求，用户可依据自身喜好和需求，对视频进行剪辑、调色、添加特效等操作，打造出更具创意和吸引力的视频作品。该视频处理系统凭借便捷的操作流程、高效的性能以及丰富的功能特点，为用户提供了全新的视频处理体验，不管是专业的视频制作者还是普通用户，可借助这款系统轻松实现视频内容的检测、识别以及个性化编辑。

图17

图5-16 选择视频

当再次点击视频检测按钮时，系统会立即启动目标检测功能，针对输入的视频展开精确分析，这借助了先进的计算机视觉技术，可有效识别视频里的各类目标对象，完成检测之后，系统会在界面上“用时”那一栏明确显示整个检测过程所花费的时间，帮助用户迅速知晓处理效率。

于“目标数量”这一栏当中，系统会精准地统计并输出已被检测到的目标对象数量，使得用户可直观地知晓视频里所包含的目标数量状况，为了优化用户体验，系统还设置了一个下拉框功能，用户可借助选取已检测到的目标对象，查看与之对应的目标位置信息，这些位置信息是以xmin、ymin、xmax以及ymax的坐标形式给予呈现的，便于用户开展精确的定位以及分析工作。在检测的进程当中，要是用户有暂停视频检测的需求，仅仅需要点击“暂停视频检测”按钮便可达成，此时按钮的文字会转变为“继续视频检测”，以此方便用户在任何时候恢复检测进程，处于暂停状态时，输入的视频帧以及每一帧的检测结果都会留存于系统界面之上，方便用户随时去查看以及分析。

在用户有继续视频检测的需求之时，仅需轻点“继续视频检测”按钮便可达成，这个时候，系统会针对剩余的视频帧持续开展目标检测工作，并且会把检测得出的结果实时更新至界面之上，如此这般的设计让用户可以灵活的方式去控制检测的整个进程，可以依据实际的需求来进行暂停或者继续的操作。

本文所描述的视频检测功能有高效目标识别能力，还提供丰富交互选项和直观界面展示，用户点击不同按钮、选择下拉框选项，就能轻松完成视频目标检测任务，获取详细检测结果信息，这样的设计提高了用户工作效率，也提升了用户体验满意度。

为了协助用户更有效地理解并运用该功能，系统配备了详尽的操作指南以及示例视频，这些资源可引导用户逐步达成视频检测任务，还可以解答使用期间可能碰到的疑问，系统支持多种视频格式与分辨率的输入，可适应不同用户的需求及场景，本文所描述的视频检测功能借助先进的计算机视觉技术与丰富的交互设计，为用户提供了高效且便捷的视频目标检测解决方案。在学术研究、商业应用以及日常生活中，这一功能均可发挥关键作用，帮用户理解与分析视频内容。

图18

图5-17 检测视频

当点击视频检测结果导出按钮之时，便可将检测后的视频给予导出，随后在保存栏当中输入保存的图片名称以及后缀，如此一来便可以达成检测结果视频的保存这一操作。

图19

图5-18 导出视频

当点击结束视频检测按钮后，系统界面便会完成刷新操作，所有输出信息也会被清空，随后若要上传图像或视频，可点击选择图像或选择视频按钮，若要开启摄像头，则可点击打开摄像头按钮。

核心代码如下:

def __init__(self, c, num_heads):

super().__init__()

self.q = nn.Linear(c, c, bias=False)

self.k = nn.Linear(c, c, bias=False)

self.v = nn.Linear(c, c, bias=False)

self.ma = nn.MultiheadAttention(embed_dim=c, num_heads=num_heads)

self.fc1 = nn.Linear(c, c, bias=False)

self.fc2 = nn.Linear(c, c, bias=False)

def forward(self, x):

x = self.ma(self.q(x), self.k(x), self.v(x))[0] + x

x = self.fc2(self.fc1(x)) + x

return x

5.2.5 摄像头检测

在当下这个现代科技发展迅速的时代背景下，计算机视觉技术获得了极为广泛的运用，而其中摄像头设备的检测以及识别技术，作为该领域里的关键部分，对提升系统的自动化程度与智能化水准有着不容忽视的意义，用户借助简便的操作方式，便可开启摄像头设备，达成各类图像处理以及识别功能。

用户若要启动摄像头设备，只需点击“打开摄像头”按钮即可，在此过程里，系统会做出响应并启动对应的驱动程序，把摄像头图像实时传输至系统界面之中，这时用户可依靠系统界面直接看到摄像头捕捉到的实时画面，开展后续操作，接下来，用户点击“摄像头检测”按钮，以此触发目标检测功能。在这个步骤中，系统会对摄像头捕捉的图像展开智能分析，识别出其中的目标对象，借助先进的算法与模型，系统可以准确且快速地完成目标检测任务，并将结果呈现给用户。

当完成目标检测这项工作之后，系统会于“用时”这一栏里面输出检测过程所使用的时间，此数据对用户而言有关键的意义，可协助他们去了解系统的响应速度以及性能表现情况，系统还会在“目标数量”这一栏当中输出已经检测到的目标数量，给用户给予更为全面的检测结果。

系统另外设有下拉框功能，用户可于其中挑选已检测出的目标对象，当用户选定某一目标时，系统会自动更新对应的目标位置信息，也就是xmin、ymin、xmax以及ymax标签值，这些标签值体现了目标对象在图像里的位置与大小，对后续的图像处理以及识别任务有着关键作用。如图5-19所示，该功能于界面上得以直观呈现，用户借助简单操作，便可轻松完成摄像头设备的检测与识别任务，获取详细的检测结果，此技术在实际应用里有广泛应用前景，可应用于人脸识别、物体识别、视频监控等多个领域，给人们的生活与工作带来诸多便利。

凭借点击按钮可实现摄像头设备的检测与识别功能，提高了系统自动化与智能化程度，为用户带来更便捷高效的操作体验，随着计算机视觉技术持续发展完善，此功能有望在未来获得更广泛应用推广。

图20

图5-19 摄像头检测

在当今这个现代科技快速发展的时代，我们日常生活里的诸多操作都变得更加便捷且高效起来，其中视频检测系统在各种应用场景当中发挥着十分关键的作用，本文会对视频检测系统的操作过程展开详细的说明，覆盖系统界面的刷新、输出信息的清空、图像与视频的上传以及摄像头的开启等各个方面，以便为读者提供较为全面的了解。

当面临要结束当下进行的视频检测任务的情况时，我们只需点击界面之上的“结束视频检测”按钮，而这一操作会引发系统内部一连串的机制启动，使得界面实现刷新，在整个刷新进程当中，系统会将之前存在的检测痕迹给予清除，以此为后续即将开展的操作营造出一个全新且干净的界面环境。

当系统界面完成刷新操作之后，紧接着要做的便是将所有输出信息进行清空处理，这里所说的输出信息覆盖了多种类型，比如检测结果、错误提示以及统计数据等内容，把这些输出信息给予清空，可对混淆情况起到避免作用，让用户可以更加清晰明了地看到后续的操作结果。

随后用户可选择上传图像或者视频来开展检测工作，当点击“选择图像”按钮或者“选择视频”按钮之后，系统便会开启一个文件选择对话框，以此允许用户从本地计算机里挑选出需要进行检测的文件，此项功能给予了用户很大的灵活性，让他们可依据自身需求去选择不同类型的媒体文件来实施检测。

除了可上传本地文件之外，用户还有选择凭借摄像头实施实时检测的权利，当点击“打开摄像头”按钮之后，系统会尝试对用户的摄像头设备进行访问，一旦成功获取到摄像头权限，用户即可将摄像头对准需要检测的目标，实时查看检测结果，此功能在如安全监控，交通管理等需要实时反馈的场景当中格外实用。在操作进程里，系统提供了丰富的用户提示以及错误处理机制，举例来说，若用户上传的文件格式不正确或者文件过大，系统会给出对应的提示信息，指引用户开展正确的操作，并且，系统会对检测过程中出现的错误进行记录与处理，以此保障检测结果的准确性与可靠性。

凭借点击结束视频检测按钮、清空输出信息、选择图像或视频上传以及打开摄像头等一系列操作，用户可较为轻松地运用视频检测系统完成各类任务，该系统提升了工作效率，为用户给予了更为便捷高效的检测体验，随着技术持续进步以及应用场景不断拓展，视频检测系统在未来有望发挥更关键的作用。

核心代码如下:

def __init__(self, c1, c2, num_heads, num_layers):

super().__init__()

self.conv = None

if c1!= c2:

self.conv = Conv(c1, c2)

self.linear = nn.Linear(c2, c2) # learnable position embedding

self.tr = nn.Sequential(*(TransformerLayer(c2, num_heads) for _ in range(num_layers)))

self.c2 = c2

def forward(self, x):

if self.conv is not None:

x = self.conv(x)

b, _, w, h = x.shape

p = x.flatten(2).permute(2, 0, 1)

return self.tr(p + self.linear(p)).permute(1, 2, 0).reshape(b, self.c2, w, h)

第6章结论

本研究基于前沿的YOLOv7技术，深入探索并成功开发了一款高效的海上垃圾识别。该系统以实现对水域环境的实时、精准监测与清理为目标，为水环境保护和治理工作提供了强有力的技术支持。

首先，让我们深入了解系统的核心技术——YOLOv7。YOLOv7是一种先进的实时目标检测算法，以其出色的性能和准确性在深度学习领域备受瞩目。在本研究中，我们充分利用了YOLOv7的高效性和准确性，将其应用于水面垃圾识别，实现了对各类水面垃圾的精准识别与定位。为了进一步提升系统的实用性和用户体验，我们还结合了PySide6和Python等工具，精心设计了用户友好的界面。这个界面不仅直观简洁，而且功能丰富，用户可以方便地查看实时监测数据、识别结果以及进行各种管理操作。

在实际应用过程中，海上垃圾识别所呈现出的应用潜力十分强大，借助实时监测以及对水面垃圾的识别，用户可及时察觉并采取相应的清理举措，切实有效地防止了垃圾对水环境造成污染，这对于保护水域生态环境、推动水资源可持续利用颇为有益，同时也可提升城市形象以及旅游吸引力。该系统还可为环保部门与相关机构提供制定治理策略的依据，帮他们更为科学地制定并执行水环境保护政策，基于深度学习的海上垃圾识别系统，拥有关键的应用前景，更有深远的社会意义，在全球环境问题日益严峻的当下，此系统给水环境保护与治理工作提供了一种全新且有效的技术手段。它可提升水域环境治理的效率与准确性，还可以激发公众对环境保护的关注与参与热情，推动全社会营造共同保护水环境的良好氛围。

综上所述，基于深度学习的海上垃圾识别系统是一项具有重要应用价值和社会意义的研究成果。它将为水环境保护和治理工作提供有力的技术支持，为建设美丽中国、美丽世界贡献力量。我们期待未来这一系统能够在更多领域得到应用和推广，共同守护我们美丽的家。

参考文献

杜艾卿,郭峰林,张正林,等.基于改进YOLOv7s的水面垃圾检测方法[J].武汉轻工大学学报,2023,42(05):98-105+113.

王一早,马纪颖,罗星,等.基于SPMYOLOv3的水面垃圾目标检测[J].计算机系统应用,2023,32(03):163-170.DOI:10.15888/j.cnki.csa.009001.

周鑫,李乔硕,陈君君,等.基于机器视觉的水面垃圾清理装置[J].智能城市,2023,9(01):95-97.DOI:10.19301/j.cnki.zncs.2023.01.028.

尹凯宸,王欣浦,吴毅东,等.基于YOLOv7的水面垃圾目标检测[J].电脑知识与技术,2022,18(33):28-30.DOI:10.14004/j.cnki.ckt.2022.2090.

Legesse B A.基于计算机视觉的水面垃圾自动检测[D].西南科技大学,2020.DOI:10.27415/d.cnki.gxngc.2020.001080.

谭文群,曾祥君,包学才,等.基于改进YOLOX的水库水面漂浮物目标检测算法[J].人民长江,2024,55(03):249-256.DOI:10.16232/j.cnki.1001-4179.2024.03.034.

Wen H,Li Y,Wang Y, et al.Usage of an improved YOLOv7 for steel surface defect detection[J].Materials Testing,2024,66(5):726-735.

Gowthami N,Blessy V S.Extreme small-scale prediction head-based efficient YOLOv7 for small-scale object detection[J].Engineering Research Express,2024,6(2):

Zhao X,Wang Q,Zhang M, et al.CSFF-YOLOv7: Improved YOLOv7 based on channel split and feature fusion in femoral neck fracture detection[J].Internet of Things,2024,26101190-.

翁云龙.基于深度学习的水面漂浮物检测方法研究[D].浙江科技大学,2024.DOI:10.27840/d.cnki.gzjkj.2024.000163.

陈任飞,彭勇,李忠文.基于持续无监督域适应策略的水面漂浮物目标检测方法[J].系统工程与电子技术,2023,45(11):3391-3401.

陈任飞,彭勇,吴剑,等.基于改进SSD模型和自适应滤波算法的水面漂浮物目标检测跟踪方法[J].工程科学与技术,2023,55(04):119-129.DOI:10.15961/j.jsuese.202200033.

刘麒,尹港,王影,等.基于深度学习的水面漂浮物识别算法设计[J].吉林化工学院学报,2022,39(07):28-33.DOI:10.16039/j.cnki.cn22-1249.2022.07.006.

Li J,Peng Z,Wang X, et al.Development and validation of a novel colonoscopy withdrawal time indicator based on YOLOv7.[J].Journal of gastroenterology and hepatology,2024,

成金海,陈红芳,李腾,等.三峡库区水面漂浮物清理及水库来漂量演化分析[J].人民长江,2022,53(S1):10-15.DOI:10.16232/j.cnki.1001-4179.2022.S1.003.

邵明振,于银山,蒋令杰,等.基于深度学习的湖泊水面漂浮物识别技术研究[J].产业与科技论坛,2022,21(10):50-51.

Xu L,Xu X,Xia Q, et al.A light-weight defect detection model for capacitor appearance based on the Yolov7[J].Measurement,2024,232114717-.

谢宸浩,黎德波,罗赐麟,等.基于PySide2天气雷达运行监控软件的设计与实现[J].广东气象,2024,46(01):87-91.

王健楠.基于YOLOv3的水面漂浮物检测研究[D].新疆师范大学,2022.DOI:10.27432/d.cnki.gxsfu.2022.000098.

姚贵发,殷睿新,李金乘.基于OpenMV的水面漂浮物清理系统[J].价值工程,2022,41(11):144-147.

刘伟,王源楠,江山,等.基于Mask R-CNN的水面漂浮物识别方法研究[J].人民长江,2021,52(11):226-233.DOI:10.16232/j.cnki.1001-4179.2021.11.037.