YOLO26瓶子罐子识别检测系统：7967张标注图像+PyQt5界面+模型权重+远程环境部署（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）

摘要针对城市固体废物中可回收物品瓶子与罐子的人工分拣效率低、成本高的问题本文基于YOLO26目标检测算法构建了一套高效、准确的自动识别系统。系统采用YOLO26框架进行训练与验证数据集共包含7,967张图像涵盖瓶子与罐子两类目标。实验结果表明模型在验证集上的平均精度均值mAP50达到95.2%其中罐子的识别精度为97.4%瓶子为93.0%。模型总体精度为94.5%召回率为91.4%在保证较高检测速度的同时单张推理时间1.7ms展现出良好的工程部署潜力。该系统可为智能垃圾分类、回收流水线视觉分拣等场景提供可靠的技术支撑。详细功能展示视频https://www.bilibili.com/video/BV13zohBjE3Q/引言随着城市化进程加快和居民消费水平提高生活垃圾产生量持续攀升其中瓶子、罐子等可回收物占比显著。传统的人工分拣方式不仅劳动强度大、效率低下而且在恶劣环境下易造成分拣错误难以满足现代垃圾分类回收产业对智能化、自动化的迫切需求。近年来以深度学习为代表的目标检测技术取得了长足发展尤其是YOLO系列模型凭借其检测速度快、精度高的优势在工业视觉、自动驾驶、安防监控等领域得到广泛应用。将YOLO引入固体废物识别能够实现实时、精准的瓶子与罐子检测为后续自动化分拣设备提供视觉感知能力。本文基于YOLO26目标检测框架构建了一套专门针对瓶子与罐子的固体废物识别系统。从数据集构建、模型训练到性能评估系统性地验证了该方法的可行性与优越性。通过分析模型的精度、召回率、混淆矩阵及各类性能曲线评估其在真实场景中的应用潜力并为后续优化提供方向指导。目录摘要详细功能展示视频https://www.bilibili.com/video/BV13zohBjE3Q/引言功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块背景数据集介绍数据集规模与划分训练结果总体评价性能优秀已具备实用价值​编辑各类别详细性能分析关键曲线解读1. Precision-Recall 曲线​编辑2. Precision-Confidence 曲线​编辑3. Recall-Confidence 曲线​编辑混淆矩阵分析​编辑​编辑关键问题训练损失曲线results.png​编辑Ultralytics YOLO26概述主要功能常用标注工具功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅参数实时调节置信度和IoU阈值✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查背景当前全球范围内固体废物的产生量仍处于持续增长态势。根据世界银行相关报告未来三十年全球垃圾总量预计将从目前的每年约20亿吨上升至34亿吨。其中塑料瓶、易拉罐等容器类废物由于材质轻、体积大、回收价值高成为城市可回收垃圾体系中的重点关注对象。然而在传统的人工分拣环节中分拣工人长时间面对传送带上的混杂垃圾极易产生视觉疲劳和注意力下降导致漏检率和误检率上升。同时工作环境中的异味、粉尘、噪音等因素也对工人健康构成威胁造成人员流动性大、用工成本不断提高。为应对上述挑战国内外众多研究机构和科技企业开始探索基于计算机视觉的自动化垃圾分类方案。早期方法主要依赖传统图像处理技术如颜色直方图、纹理特征、形状分析等但这些方法对光照变化、遮挡、堆叠等复杂情况的鲁棒性较差难以满足实际工业场景的需求。深度学习技术的兴起尤其是卷积神经网络CNN在图像分类和目标检测任务中的突破为固体废物识别带来了新的解决方案。其中YOLOYou Only Look Once系列算法将目标检测任务统一为回归问题实现端到端的实时预测在精度和速度之间取得了良好平衡。相比两阶段检测器如Faster R-CNNYOLO在嵌入式设备和工业相机环境下更具部署优势。基于YOLO26的固体废物识别系统通常需要构建包含典型可回收物如瓶子、罐子的大规模标注数据集并针对实际工况中的遮挡、堆叠、光线变化等问题进行数据增强。通过训练得到的模型可部署于传送带上方或机械臂视觉系统中实现对流动目标的实时检测与定位进而联动分拣执行机构完成自动抓取或气吹分离。数据集介绍本系统识别目标为两类常见可回收固体废物Bottle瓶子包括塑料瓶、玻璃瓶等柱状容器。Cans罐子包括易拉罐、金属罐等。数据采集自多种真实场景如垃圾分类站、传送带、垃圾桶周围涵盖不同光照条件、遮挡程度、堆叠密度及背景复杂度。数据集规模与划分总图像数量为7,967 张按照训练、验证、测试三类任务进行划分数据集图像数量用途训练集5,553 张模型参数学习验证集1,474 张超参数调优与模型选择测试集940 张最终性能评估训练结果总体评价性能优秀已具备实用价值mAP500.95295.2%mAP50-950.88788.7%总体精度0.945总体召回率0.914结论模型对瓶子、罐子的识别效果很好满足工业或垃圾分类场景的基本要求。各类别详细性能类别精度(P)召回率(R)mAP50mAP50-95实例数瓶子0.9480.8640.9300.8391072罐子0.9420.9650.9740.935567分析罐子召回率极高96.5%几乎不漏检mAP50达97.4%识别非常稳定。瓶子精度略高94.8%但召回率86.4%相对偏低存在一定漏检。关键曲线解读1. Precision-Recall 曲线瓶子 AP 0.930罐子 AP 0.974曲线面积大说明模型在不同置信度下表现均衡。2. Precision-Confidence 曲线在置信度 ≥ 0.5 时精度稳定在 0.97 以上。最高精度 0.99 1.00 置信度。3. Recall-Confidence 曲线低置信度0.0时召回率 0.96随置信度提高召回率缓慢下降属于正常表现。混淆矩阵分析真实 \ 预测瓶子罐子背景瓶子0.890.020.09罐子0.020.980.02背景0.000.020.00关键问题瓶子漏检率 9%被误判为背景瓶子与罐子之间误检率很低仅 2%背景误检为物体的概率极低0~2%训练损失曲线results.png训练和验证的 box_loss、cls_loss 稳定下降无过拟合迹象验证损失未明显回升mAP50 持续上升并收敛Ultralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集​成残差对数似然估计​(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码