当前位置： 首页 > news >正文

基于yolov11的打电话玩手机检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面

news 来源：原创 2025/5/7 7:52:42

【算法介绍】
该系统是针对不允许携带手机场景使用问题设计的智能化监控解决方案。系统依托YOLOv11深度学习模型，可实时检测并定位画面中出现的手机，一旦识别到目标设备即判定为违规行为，并触发预警机制。

YOLOv11作为新一代目标检测算法，在特征提取与多尺度目标识别能力上实现突破性优化。其动态锚点自适应机制与多层级特征融合架构，使模型能够精准捕捉不同角度、遮挡状态下的设备形态，对小尺寸设备（如折叠屏手机）及复杂背景（如金属工具干扰）的识别准确率超95%。同时，YOLOv11通过引入注意力模块与对抗训练策略，显著提升了模型在光照变化、动态干扰场景下的泛化能力。

检测结果支持可视化结果保存，该系统有效替代人工巡检，降低80%以上违规漏检率，助力考场防作弊、工业防信息泄露等场景实现全天候、无死角监管，为高安全需求行业提供智能化、高可靠性的行为管控工具。

【效果展示】

 

【玩手机判定规则】

在不允许携带手机场景中，对视频或者摄像头实时监控，一旦发现有手机出现即判定是玩手机行为。

【训练数据集介绍】

数据集已经经过脱敏处理，遮挡人脸不影响检测手机效果

 数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)

图片数量(jpg文件个数)：8061

标注数量(xml文件个数)：8061

标注数量(txt文件个数)：8061

标注类别数：1

标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["phone"]

每个类别标注的框数：

phone 框数 = 8247

总框数：8247

使用标注工具：labelImg

标注规则：对类别进行画矩形框

重要说明：暂无

特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注

图片预览：

标注例子：

【训练信息】

参数值
训练集图片数7265
验证集图片数808
训练map97.6%
训练精度(Precision)95.7%
训练召回率(Recall)94.2%

【验证集精度统计】

Class

Images

Instances

P

R

mAP50

mAP50-95

all

808

824

0.957

0.942

0.976

0.615

【测试环境】

windows10
anaconda3+python3.8
torch==2.3.0
ultralytics==8.3.81
onnxruntime==1.16.3

【界面设计】

class Ui_MainWindow(QtWidgets.QMainWindow):signal = QtCore.pyqtSignal(str, str)def setupUi(self):self.setObjectName("MainWindow")self.resize(1280, 728)self.centralwidget = QtWidgets.QWidget(self)self.centralwidget.setObjectName("centralwidget")self.weights_dir = './weights'self.picture = QtWidgets.QLabel(self.centralwidget)self.picture.setGeometry(QtCore.QRect(260, 10, 1010, 630))self.picture.setStyleSheet("background:black")self.picture.setObjectName("picture")self.picture.setScaledContents(True)self.label_2 = QtWidgets.QLabel(self.centralwidget)self.label_2.setGeometry(QtCore.QRect(10, 10, 81, 21))self.label_2.setObjectName("label_2")self.cb_weights = QtWidgets.QComboBox(self.centralwidget)self.cb_weights.setGeometry(QtCore.QRect(10, 40, 241, 21))self.cb_weights.setObjectName("cb_weights")self.cb_weights.currentIndexChanged.connect(self.cb_weights_changed)self.label_3 = QtWidgets.QLabel(self.centralwidget)self.label_3.setGeometry(QtCore.QRect(10, 70, 72, 21))self.label_3.setObjectName("label_3")self.hs_conf = QtWidgets.QSlider(self.centralwidget)self.hs_conf.setGeometry(QtCore.QRect(10, 100, 181, 22))self.hs_conf.setProperty("value", 25)self.hs_conf.setOrientation(QtCore.Qt.Horizontal)self.hs_conf.setObjectName("hs_conf")self.hs_conf.valueChanged.connect(self.conf_change)self.dsb_conf = QtWidgets.QDoubleSpinBox(self.centralwidget)self.dsb_conf.setGeometry(QtCore.QRect(200, 100, 51, 22))self.dsb_conf.setMaximum(1.0)self.dsb_conf.setSingleStep(0.01)self.dsb_conf.setProperty("value", 0.25)self.dsb_conf.setObjectName("dsb_conf")self.dsb_conf.valueChanged.connect(self.dsb_conf_change)self.dsb_iou = QtWidgets.QDoubleSpinBox(self.centralwidget)self.dsb_iou.setGeometry(QtCore.QRect(200, 160, 51, 22))self.dsb_iou.setMaximum(1.0)self.dsb_iou.setSingleStep(0.01)self.dsb_iou.setProperty("value", 0.45)self.dsb_iou.setObjectName("dsb_iou")self.dsb_iou.valueChanged.connect(self.dsb_iou_change)self.hs_iou = QtWidgets.QSlider(self.centralwidget)self.hs_iou.setGeometry(QtCore.QRect(10, 160, 181, 22))self.hs_iou.setProperty("value", 45)self.hs_iou.setOrientation(QtCore.Qt.Horizontal)self.hs_iou.setObjectName("hs_iou")self.hs_iou.valueChanged.connect(self.iou_change)self.label_4 = QtWidgets.QLabel(self.centralwidget)self.label_4.setGeometry(QtCore.QRect(10, 130, 72, 21))self.label_4.setObjectName("label_4")self.label_5 = QtWidgets.QLabel(self.centralwidget)self.label_5.setGeometry(QtCore.QRect(10, 210, 72, 21))self.label_5.setObjectName("label_5")self.le_res = QtWidgets.QTextEdit(self.centralwidget)self.le_res.setGeometry(QtCore.QRect(10, 240, 241, 400))self.le_res.setObjectName("le_res")self.setCentralWidget(self.centralwidget)self.menubar = QtWidgets.QMenuBar(self)self.menubar.setGeometry(QtCore.QRect(0, 0, 1110, 30))self.menubar.setObjectName("menubar")self.setMenuBar(self.menubar)self.statusbar = QtWidgets.QStatusBar(self)self.statusbar.setObjectName("statusbar")self.setStatusBar(self.statusbar)self.toolBar = QtWidgets.QToolBar(self)self.toolBar.setToolButtonStyle(QtCore.Qt.ToolButtonTextBesideIcon)self.toolBar.setObjectName("toolBar")self.addToolBar(QtCore.Qt.TopToolBarArea, self.toolBar)self.actionopenpic = QtWidgets.QAction(self)icon = QtGui.QIcon()icon.addPixmap(QtGui.QPixmap(":/images/1.png"), QtGui.QIcon.Normal, QtGui.QIcon.Off)self.actionopenpic.setIcon(icon)self.actionopenpic.setObjectName("actionopenpic")self.actionopenpic.triggered.connect(self.open_image)self.action = QtWidgets.QAction(self)icon1 = QtGui.QIcon()icon1.addPixmap(QtGui.QPixmap(":/images/2.png"), QtGui.QIcon.Normal, QtGui.QIcon.Off)self.action.setIcon(icon1)self.action.setObjectName("action")self.action.triggered.connect(self.open_video)self.action_2 = QtWidgets.QAction(self)icon2 = QtGui.QIcon()icon2.addPixmap(QtGui.QPixmap(":/images/3.png"), QtGui.QIcon.Normal, QtGui.QIcon.Off)self.action_2.setIcon(icon2)self.action_2.setObjectName("action_2")self.action_2.triggered.connect(self.open_camera)self.actionexit = QtWidgets.QAction(self)icon3 = QtGui.QIcon()icon3.addPixmap(QtGui.QPixmap(":/images/4.png"), QtGui.QIcon.Normal, QtGui.QIcon.Off)self.actionexit.setIcon(icon3)self.actionexit.setObjectName("actionexit")self.actionexit.triggered.connect(self.exit)self.toolBar.addAction(self.actionopenpic)self.toolBar.addAction(self.action)self.toolBar.addAction(self.action_2)self.toolBar.addAction(self.actionexit)self.retranslateUi()QtCore.QMetaObject.connectSlotsByName(self)self.init_all()

【模型可检测出1类】

phone

【常用评估参数介绍】

在目标检测任务中，评估模型的性能是至关重要的。你提到的几个术语是评估模型性能的常用指标。下面是对这些术语的详细解释：

  1. Class：
    • 这通常指的是模型被设计用来检测的目标类别。例如，一个模型可能被训练来检测车辆、行人或动物等不同类别的对象。
  2. Images：
    • 表示验证集中的图片数量。验证集是用来评估模型性能的数据集，与训练集分开，以确保评估结果的公正性。
  3. Instances：
    • 在所有图片中目标对象的总数。这包括了所有类别对象的总和，例如，如果验证集包含100张图片，每张图片平均有5个目标对象，则Instances为500。
  4. P（精确度Precision）：
    • 精确度是模型预测为正样本的实例中，真正为正样本的比例。计算公式为：Precision = TP / (TP + FP)，其中TP表示真正例（True Positives），FP表示假正例（False Positives）。
  5. R（召回率Recall）：
    • 召回率是所有真正的正样本中被模型正确预测为正样本的比例。计算公式为：Recall = TP / (TP + FN)，其中FN表示假负例（False Negatives）。
  6. mAP50：
    • 表示在IoU（交并比）阈值为0.5时的平均精度（mean Average Precision）。IoU是衡量预测框和真实框重叠程度的指标。mAP是一个综合指标，考虑了精确度和召回率，用于评估模型在不同召回率水平上的性能。在IoU=0.5时，如果预测框与真实框的重叠程度达到或超过50%，则认为该预测是正确的。
  7. mAP50-95：
    • 表示在IoU从0.5到0.95（间隔0.05）的范围内，模型的平均精度。这是一个更严格的评估标准，要求预测框与真实框的重叠程度更高。在目标检测任务中，更高的IoU阈值意味着模型需要更准确地定位目标对象。mAP50-95的计算考虑了从宽松到严格的多个IoU阈值，因此能够更全面地评估模型的性能。

这些指标共同构成了评估目标检测模型性能的重要框架。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。

【使用步骤】

使用步骤：
（1）首先根据官方框架ultralytics安装教程安装好yolov11环境，并安装好pyqt5
（2）切换到自己安装的yolo11环境后，并切换到源码目录，执行python main.py即可运行启动界面，进行相应的操作即可

【提供文件】

python源码
yolo11n.pt模型
训练的map,P,R曲线图(在weights\results.png)
测试图片（在test_img文件夹下面）

注意提供训练的数据集，请到mytxt.txt文件中找到地址

 

相关文章：

  • 防止交叉验证中的数据泄露：提升模型在实际环境中的性能
  • React状态管理
  • 攻防世界-php伪协议和文件包含
  • 先滤波再降采样 还是 先降采样再滤波
  • JavaSE核心知识点01基础语法01-02（基本数据类型、运算符、运算符优先级）
  • 国产海光DCU及超算平台深度解析
  • Vue项目安全实践指南：从输入验证到状态管理的全方位防护
  • 笔记本电脑升级计划（2017———2025）
  • Springclound常用五大组件及其使用原理
  • [人机交互]理解与概念化交互
  • ARM介绍及其体系结构
  • Linux55yum源配置、本机yum源备份，本机yum源配置，网络Yum源配置，自建yum源仓库
  • SpringMVC 框架核心知识点详解与实战
  • 哈希算法、搜索算法与二分查找算法在 C# 中的实现与应用
  • 多语言笔记系列：Polyglot Notebooks 中使用 xUnit 单元测试
  • 数据结构实验8.1：图的基本操作
  • 第16章 监控和排除日志记录错误
  • 1. 设计哲学与核心价值
  • OpenCV第6课 图像处理之几何变换（仿射）
  • 【漫话机器学习系列】241.典型丢弃概率（Typical Dropout Probabilities）
  • 五一期间7名游客接连被困青海荒漠，警方提醒严禁非法穿越
  • 潘功胜：将下调个人住房公积金贷款利率0.25个百分点
  • 老人刷老年卡乘车被要求站着？公交公司致歉：涉事司机停职
  • 原四川省农村信用社联合社党委副书记、监事长杨家卷被查
  • 10家A股农商行去年年报：瑞丰银行营收增速领跑，常熟银行等4家净利增速超11%
  • 刘翔的赛会纪录被改写，田径钻石赛在赛场内外交出精彩答卷