写点什么

基于 YOLOv8 的狗狗品种 (多达 60 种常见犬类) 品种鉴别识别项目|完整源码数据集 +PyQt5 界面 + 完整训练流程 + 开箱即用!

作者:申公豹
  • 2025-07-29
    内蒙古
  • 本文字数:2631 字

    阅读完需:约 9 分钟

基于 YOLOv8 的狗狗品种(多达 60 种常见犬类)品种鉴别识别项目|完整源码数据集+PyQt5 界面+完整训练流程+开箱即用!

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‘


配套完整训练代码、标注数据、模型权重与部署教程,帮助用户从 0 到 1 训练并部署自己的狗狗品种识别系统。可广泛应用于:宠物店、犬类救助站、智慧城市宠物监管、AI 科普等场景。

前言

随着宠物经济的不断发展,狗狗已经成为众多家庭的重要成员。不同品种犬类在性格、饲养方式、健康管理上有显著差异,快速准确地识别狗狗品种有着重要应用价值。传统方式依赖人工识别,效率低且易出错。


本项目借助 YOLOv8 强大的目标检测能力,结合高质量数据集训练,实现 60 种犬类的高精度自动分类识别,并提供可交互图形界面,极大降低使用门槛。

一、软件核心功能介绍及效果演示

1.1 支持输入类型丰富

  • 图片识别:支持拖入单张图片或批量导入文件夹,自动识别犬类品种并标注框与标签;

  • 摄像头检测:调用本地设备摄像头,实时识别视频流中出现的狗狗;

  • 视频检测:加载本地或远程视频,逐帧识别每一帧图像中狗狗的品种;

  • 结果保存:每一次推理均可将识别框结果保存为新图片,便于后续整理分析。

1.2 PyQt5 界面美观易用

采用 PyQt5 实现图形化界面,支持按钮交互、一键启动识别任务,适合无编程基础用户。界面模块包括:


  • 左侧菜单栏:识别类型选择(图片/视频/摄像头)

  • 中间画布:显示识别结果图片

  • 底部控制台:显示当前任务状态与识别日志

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/
复制代码


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
复制代码


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()
复制代码


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
复制代码


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
复制代码

4.2 完整源码下载

至项目实录视频下方获取:https://www.bilibili.com/video/BV1wB8MzsE9P/



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,构建了一个面向 60 种常见犬类的智能识别系统,在保留高精度检测能力的同时,借助 PyQt5 提供了完整易用的图形界面,实现“开箱即用”的实际部署能力。

✅ 项目亮点总结如下:

  • 识别种类丰富:覆盖 60 种常见犬类,适配广泛实际需求

  • 模型精度高:经高质量数据集训练,mAP@0.5 可达 90%以上

  • 部署门槛低:PyQt5 图形界面 + 打包权重 + 完整教程,轻松上手

  • 应用场景多:适用于宠物门店、养殖基地、动物保护机构、智能城市等场景

  • 支持扩展训练:用户可复用框架,扩展为猫咪识别、鸟类识别等目标检测任务




🚀 如果你正在寻找一个具备训练、检测、部署一体化能力的目标检测项目实践,本项目将是你不可错过的选择!

发布于: 刚刚阅读数: 4
用户头像

申公豹

关注

🏆2022年InfoQ写作平台-签约作者 🏆 2023-06-05 加入

还未添加个人简介

评论

发布
暂无评论
基于YOLOv8的狗狗品种(多达60种常见犬类)品种鉴别识别项目|完整源码数据集+PyQt5界面+完整训练流程+开箱即用!_人工智能_申公豹_InfoQ写作社区