多类别的家庭厨房食物、物品识别系统开箱即用教程 （YOLOv8）| 完整源码与部署教程

🗂️ 源码包含：完整 YOLOv8 训练代码 + 标注数据集 + 预训练权重文件 + 一键检测程序 + 图形化部署界面（PyQt5）+ 详细训练 & 推理教程

项目摘要

本项目实现了一个基于 YOLOv8 模型的多类别家庭厨房食物与常见物品智能识别系统，支持对包括水果、蔬菜、零食、包装食品、餐具及清洁用品等 30 个常见类别的物体进行高精度目标检测。项目集成了完整的数据集构建、训练、模型推理及图形化交互界面（PyQt5）等功能，具备“开箱即用”的实用特性。

通过本系统，用户无需复杂配置，即可快速实现对图像或视频中物品的自动识别与分类，广泛适用于智能厨房管理、食品分类推荐、厨房垃圾识别回收等多个实际应用场景。

前言

近年来，随着人工智能在图像识别领域的突破，基于深度学习的目标检测模型在工业与民用领域得到了广泛应用。厨房作为家庭生活中最频繁使用的空间之一，食材、工具与消耗品种类繁杂，如果能借助智能识别系统进行自动化管理与识别，将大大提升生活便利性与资源利用效率。

本项目正是基于这一出发点，结合当前性能领先的 YOLOv8 目标检测算法，构建了一个覆盖厨房常见食物与物品的多类别识别系统，并配套图形化界面进行部署，方便非专业用户一键使用、零门槛操作。

一、软件核心功能介绍及效果演示

1.1 核心功能一览

• ✅ 支持 30 类厨房常见物品识别：包括水果、蔬菜、饮品、餐品、餐具、清洁用品等

• ✅ 支持图像、视频、摄像头多输入源识别

• ✅ PyQt5 图形化界面一键检测

• ✅ 完整 YOLOv8 训练代码及模型微调教程

• ✅ 训练结果可视化 + 推理展示

• ✅ 可拓展自定义数据集与类别

1.2 功能效果展示

以下为系统运行效果截图：

• 📸 静态图像识别效果：上传单张图片，系统将自动标注识别类别及置信度

• 🎞️ 视频/实时摄像头检测：自动帧读取 + 连续检测 + 多物体追踪展示

• 🖥️ 图形化界面演示：用户可通过图形界面操作上传图像、选择模型、查看检测结果

🎥 视频演示将在教程后半部分提供详细讲解，包含识别动画效果与输出结果图例。

二、软件效果演示

为了直观展示本系统基于 YOLOv8 模型的检测能力，我们设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。

（1）单图片检测演示

用户点击“选择图片”，即可加载本地图像并执行检测：

（2）多文件夹图片检测演示

用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。

（3）视频检测演示

支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：

（4）摄像头检测演示

实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。由于原理和视频检测相同，就不重复演示了。

（5）保存图片与视频检测结果

用户可通过按钮勾选是否保存检测结果，所有检测图像自动加框标注并保存至指定文件夹，支持后续数据分析与复审。

三、模型的训练、评估与推理

YOLOv8 是 Ultralytics 公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如 CIoU、TaskAlignedAssigner）与 Anchor-Free 策略，在 COCO 等数据集上表现优异。其核心优势如下：

• 高速推理，适合实时检测任务

• 支持 Anchor-Free 检测

• 支持可扩展的 Backbone 和 Neck 结构

• 原生支持 ONNX 导出与部署

3.1 YOLOv8 的基本原理

YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：

• 速度快：推理速度提升明显；

• 准确率高：支持 Anchor-Free 架构；

• 支持分类/检测/分割/姿态多任务；

• 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。

YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往 YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。

YOLOv8 原理图如下：

3.2 数据集准备与训练

采用 YOLO 格式的数据集结构如下：

dataset/├── images/│   ├── train/│   └── val/├── labels/│   ├── train/│   └── val/

每张图像有对应的 .txt 文件，内容格式为：

4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757

分类包括（可自定义）：

3.3. 训练结果评估

训练完成后，将在 runs/detect/train 目录生成结果文件，包括：

• results.png：损失曲线和 mAP 曲线；

• weights/best.pt：最佳模型权重；

• confusion_matrix.png：混淆矩阵分析图。

若 mAP@0.5 达到 90% 以上，即可用于部署。

在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8 训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在 runs/目录下，具体内容如下：

3.4 检测结果识别

使用 PyTorch 推理接口加载模型：

import cv2from ultralytics import YOLOimport torchfrom torch.serialization import safe_globalsfrom ultralytics.nn.tasks import DetectionModel
# 加入可信模型结构safe_globals().add(DetectionModel)
# 加载模型并推理model = YOLO('runs/detect/train/weights/best.pt')results = model('test.jpg', save=True, conf=0.25)
# 获取保存后的图像路径# 默认保存到 runs/detect/predict/ 目录save_path = results[0].save_dir / results[0].path.name
# 使用 OpenCV 加载并显示图像img = cv2.imread(str(save_path))cv2.imshow('Detection Result', img)cv2.waitKey(0)cv2.destroyAllWindows()

预测结果包含类别、置信度、边框坐标等信息。

四.YoLOV8+YOLOUI 完整源码打包

本文涉及到的完整全部程序文件：包括 python 源码、数据集、训练代码、UI 文件、测试图片视频等（见下图），获取方式见【4.2 完整源码下载】：

4.1 项目开箱即用

作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。

运行项目只需输入下面命令。

python main.py

读者也可自行配置训练集，或使用打包好的数据集直接训练。

自行训练项目只需输入下面命令。

yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001

4.2 完整源码下载

至项目实录视频下方获取：https://www.bilibili.com/video/BV1Zu8kz3E72/

包含：

📦完整项目源码

📦 预训练模型权重

🗂️ 数据集地址（含标注脚本）

总结

本项目以 YOLOv8 为核心，构建了一个功能完整、部署简便的多类别家庭厨房食物与物品识别系统，支持 30 类日常厨房物品的精准识别。无论是图像、视频还是实时摄像头输入，都能实现高效检测与可视化展示。

通过集成 PyQt5 图形化界面、完整训练流程、可自定义的数据集配置，本系统不仅适合个人学习和研究深度学习目标检测技术，也可作为智能家居、垃圾分类、厨房管理等应用场景的基础平台进行实际部署。

未来，项目可进一步拓展移动端部署、语音播报提示、与智能硬件联动等功能，真正实现“AI + 生活”的无缝融合。