源码包含：完整 YOLOv8 训练代码+数据集(带标注)+权重文件+直接可允许检测的 yolo 检测程序+直接部署教程/训练教程

项目摘要

本项目集成了 YOLOv8 无人机目标检测模型 与 PyQt5 图形界面工具，实现了对无人机在图像或视频中的精准位置识别和可视化操作。支持图片、视频、摄像头、文件夹批量输入等多种检测方式，并提供完整训练流程与模型部署方案。适用于安防监控、野外无人值守、目标跟踪等场景。

无论你是 AI 初学者，还是工程实战开发者，都可以借助本项目快速部署自己的无人机识别系统，源码与教程全部开放，开箱即用。

前言

随着无人机的广泛应用，如何快速、准确地检测和定位无人机成为安防、监控、空域管控等领域的重要需求。而传统算法存在检测精度不高、实时性不足等问题。

本项目基于 YOLOv8 这一高性能目标检测框架，配合我们精心标注的数据集，成功实现了无人机的精准识别与定位。同时配套设计了 可视化图形界面，无需代码基础也能直接使用。结合完整的训练流程和工程化代码结构，具有极强的实用价值和可扩展性。

一、软件核心功能介绍及效果演示

⭐ 支持单帧图像、文件夹批量检测、MP4 视频、摄像头实时流；

⭐ 支持设置检测置信度、IoU 阈值、自定义模型路径；

⭐ 可输出检测坐标（x, y, w, h）与无人机编号、类别；

⭐ 推理速度快，适合低延迟场景；

⭐ 可对接后续坐标追踪/目标跟踪系统进行二次开发。

📁 支持文件选择、摄像头启动、一键开始检测；

🧩 参数可调节（模型权重路径、置信度阈值、IoU 阈值）；

📊 检测日志输出、实时显示处理状态；

💾 一键保存结果图像与检测信息（如框坐标、类别等）；

🎯 支持窗口自适应、全屏检测等功能，界面交互友好。

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/BV1cYbXzkECJ/

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

本项目基于当前业界领先的 YOLOv8 模型，成功实现了对无人机目标的实时检测与位置捕捉识别，并结合 PyQt5 构建了可视化图形界面，为用户提供了即点即用的完整解决方案。项目具备以下核心优势：

• 🚀 高精度识别：基于 YOLOv8 训练，准确识别无人机目标并输出坐标、类别、置信度；

• 🖥️ 操作简单：配套 GUI 界面，支持一键检测、结果保存、日志查看等功能；

• 🧠 训练复现完整：配套公开数据集、标注样例、配置文件，助力用户快速训练自定义模型；

• 🛠️ 支持多场景部署：适用于图像、视频流、摄像头等多种输入方式；

• 🌱 便于学习与扩展：无论是 AI 初学者还是开发者都能快速上手，亦可用于竞赛/毕业设计等实践场景。

📦 本项目开箱即用、文档完善、代码清晰，是一个理想的目标检测项目实战模板。未来可扩展至目标跟踪、无人机航线规划、异常行为检测等领域，具备良好的工程实践与研究价值。