摘要

DeepSeek智能分析 是一个集成了最新目标检测技术与现代化Web开发框架的高性能、可扩展的智能视觉分析平台。该系统核心致力于解决公共卫生场景下的口罩佩戴规范检测问题，通过先进的YOLO系列算法，实现了对图像、视频及实时摄像头流中人员是否佩戴口罩的精准、高效识别。

系统采用前后端分离的架构设计，后端使用稳健的SpringBoot框架构建RESTful API，负责核心业务逻辑、用户管理与AI模型调度；前端则提供友好的用户交互界面，负责数据可视化与结果展示。结合MySQL数据库进行持久化存储，确保了用户数据、检测记录与模型元数据的安全与可管理性。

本系统的突出特点在于其高度的灵活性与技术前瞻性。它不仅支持从YOLOv8到YOLOv12等多种版本的模型一键切换，允许用户根据不同的精度与速度需求选择最佳模型，还创新性地集成了DeepSeek大语言模型，为检测结果提供更智能、更人性化的分析描述，超越了传统的单纯框选与分类。

从功能完整性来看，系统涵盖了从用户登录注册、个人中心管理，到多媒体文件（图片、视频、实时流）检测，再到检测记录管理与后台用户管理的全流程，并提供了丰富的数据可视化看板。同时，个性化的UI设置（如导航栏颜色更换）进一步提升了用户体验。

总而言之，DeepSeek智能分析系统是一个功能全面、技术栈先进、兼具实用性与创新性的Web应用，展示了深度学习模型在具体工业场景下落地的完整路径，为智慧安防、智慧园区等领域的视觉分析应用提供了优秀的范例。

---

目录

 摘要

视频介绍

引言

功能模块

登录注册模块

可视化模块

更换导航栏背景颜色

图像检测模块

视频检测模块

实时检测模块

图片识别记录管理

视频识别记录管理

摄像头识别记录管理

用户管理模块

个人中心

数据管理模块

MySQL表设计

数据集介绍

1. 核心任务与类别定义

2. 数据规模与划分

模型训练结果

YOLOv8

YOLOv10

YOLOv11

YOLOv12

---

        MySQL表设计

视频介绍

https://www.bilibili.com/video/BV13d15B3E5S

哔哩哔哩 项目展示 项目源码在视频下方简介内https://www.bilibili.com/video/BV13d15B3E5S

引言

随着全球公共卫生意识的普遍提升，在特定公共场所规范佩戴口罩已成为有效阻断病毒传播链的关键措施之一。然而，在大型场馆、交通枢纽或办公区域，单纯依靠人力进行监督与检查不仅成本高昂，而且难以实现全天候、无遗漏的覆盖。在此背景下，利用计算机视觉技术开发自动化的智能监测系统，成为了一个极具现实意义和研究价值的方向。

近年来，以YOLO（You Only Look Once）系列为代表的目标检测算法因其卓越的实时性和精度，在各类实时视觉任务中得到了广泛应用。从YOLOv8的成熟稳定，到YOLOv10、v11、v12在模型架构与性能上的持续优化，为构建更加强大和灵活的检测系统提供了坚实的技术基础。

与此同时，现代Web开发技术，特别是前后端分离模式与微服务框架的普及，使得将复杂的AI能力封装成易于使用的Web服务成为可能。用户无需关心底层复杂的模型推理过程，通过浏览器即可轻松完成检测任务，并享受数据可视化与管理带来的便利。

因此，本项目旨在设计并实现一个名为 “DeepSeek智能分析” 的前后端分离Web系统。该系统将最新的YOLO系列模型（v8/v10/v11/v12）与强大的SpringBoot后端框架相结合，构建一个多功能、高可用的口罩佩戴检测平台。系统具备以下核心设计目标：

1. 多模型支持与灵活性：集成多种YOLO模型，允许用户根据场景需求自由切换，平衡检测速度与准确率。

2. 全媒介检测能力：支持图像、上传视频和摄像头实时流三种输入模式，满足多样化的应用场景。

3. 智能化与深度分析：引入DeepSeek大语言模型，为检测结果提供更深层次的语义分析和描述，提升系统智能化水平。

4. 完整的数据闭环与管理：实现从检测任务执行、结果存储（MySQL）到历史记录查询与管理的完整数据流，并提供管理员进行用户与数据管理的功能。

5. 良好的用户体验：通过清晰的数据可视化、个性化的界面设置（如背景色更换）以及响应式的用户交互设计，提升系统的易用性和亲和力。

本系统基于一个精心标注的数据集进行训练与验证，该数据集包含训练集6732张图片和验证集1227张图片，定义了 ['未佩戴口罩'， '已佩戴口罩'] 两个检测类别，为模型的可靠性提供了保障。

功能模块

✅ 用户登录注册：支持密码检测，保存到MySQL数据库。

✅ 支持四种YOLO模型切换，YOLOv8、YOLOv10、YOLOv11、YOLOv12。

✅ 信息可视化，数据可视化。

✅ 图片检测支持AI分析功能，deepseek

✅ 支持图像检测、视频检测和摄像头实时检测，检测结果保存到MySQL数据库。

✅ 图片识别记录管理、视频识别记录管理和摄像头识别记录管理。

✅ 用户管理模块，管理员可以对用户进行增删改查。

✅ 个人中心，可以修改自己的信息，密码姓名头像等等。

✅ 支持更换导航栏背景颜色
 

登录注册模块

可视化模块

更换导航栏背景颜色

图像检测模块

• YOLO模型集成 (v8/v10/v11/v12)

• DeepSeek多模态分析

• 支持格式：JPG/PNG/MP4/RTSP

视频检测模块

实时检测模块

图片识别记录管理

视频识别记录管理

摄像头识别记录管理

用户管理模块

个人中心

数据管理模块

MySQL表设计

• users - 用户信息表

• imgrecords- 图片检测记录表

• videorecords- 视频检测记录表

• camerarecords- 摄像头检测记录表

数据集介绍

本系统（DeepSeek智能分析）的检测核心——YOLO系列模型，其性能的可靠性直接依赖于背后高质量的数据集。本项目采用了一个专门为口罩佩戴检测任务精心构建和标注的数据集，旨在训练出能够精准识别“已佩戴口罩”与“未佩戴口罩”两种状态的鲁棒模型。

以下是该数据集的详细说明：

1. 核心任务与类别定义

• 检测任务： 二分类目标检测。系统无需识别具体的人脸身份或其它物体，而是专注于判断图像中每一个人是否佩戴了口罩，并确定其位置。

• 类别名称与数量：

  • Without a mask （未佩戴口罩）

  • Wear a mask （已佩戴口罩）

• 类别数： nc: 2。这是一个简洁而高效的双类别检测问题，非常适合在实际应用中进行实时处理。

2. 数据规模与划分

为了科学地训练和评估模型，数据集被严格划分为训练集和验证集：

• 训练集： 6,732 张图像

  • 用途：用于直接训练YOLO模型，让模型学习从像素数据中识别和定位“戴口罩”与“不戴口罩”这两种模式的特征。

• 验证集： 1,227 张图像

  • 用途：在训练过程中和训练结束后，用于评估模型的性能（如计算精度mAP、召回率Recall等），防止模型过拟合，并作为选择最佳模型的依据。

• 总计： 约 7,959 张图像。这是一个规模适中、足以训练一个高性能专用检测模型的数据集。

模型训练结果

#coding:utf-8
#根据实际情况更换模型
# yolon.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。
# yolos.yaml (small)：小模型，适合实时任务。
# yolom.yaml (medium)：中等大小模型，兼顾速度和精度。
# yolob.yaml (base)：基本版模型，适合大部分应用场景。
# yolol.yaml (large)：大型模型，适合对精度要求高的任务。
 
from ultralytics import YOLO
 
model_path = 'pt/yolo12s.pt'
data_path = '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',
                          name='exp',
                          )
 
 
 
 
 
 
 
 

YOLOv8

YOLOv10

YOLOv11

YOLOv12