智能光电检测：YOLO+OpenCV联合算法工程实践

后仲舒 · 9 小时前

前言最近，我独立开发了一套面向光电设备的上位机系统，用于实时拍摄与目标跟踪。起初，我对 AI 可谓一窍不通，但项目需求逼人，只能“硬核”补课。几番调研后，我锁定了当下最火的目标检测框架——YOLO。然而，YOLO 在大目标上表现惊艳，面对小目标却力不从心。为此，我又引入 OpenCV 的轮廓识别算法，将两种方案融合：大目标交给 YOLO，小目标交给 OpenCV，互补短板，整体精度显著提升。为了把算法落地，我啃完了 YOLO 标注、训练、推理的整条链路，并自研了一套配套软件，集成两大核心功能：

智能标注：
针对工业场景反复打磨，支持一键框选、快捷键批量操作、自动保存与回滚；相比市面工具，真正做到了“打开就会用，十分钟出活”。
目标检测：
图片或视频直接拖拽进软件，即可实时完成目标识别与跟踪，结果可视化、可导出，全流程无缝衔接。

本文将完整记录从零搭建这套系统的思路、踩坑与优化细节，并公开软件的核心功能设计，希望能给同样奋战在上位机与 AI 结合一线的开发者一点参考。1 图片搜集与标注为训练“鸟 vs 无人机”二分类模型，每类需准备上千张样本。数据源三路并进：

自采：无人机实拍+长焦拍鸟，确保场景真实；
开源：COCO 中抽取含鸟/无人机的切片；
补充：淘宝购买高清图包、CSDN 资源帖批量下载。

下载完成后，按类别归档：dataset/bird/ ，dataset/drone/ 目录就绪，双击启动自研标注工具，开始高效标注。

2 环境搭建
虚拟环境使用conda，ide使用PyCharm，官网下载ultralytics。具体配置参见文章《基于YOLOv11的无人机目标检测实战（Windows环境）》
3 图片整理与训练
　　图片按照训练集、验证集、测试集分类，比例为8:1:1 ，实现分类的代码如下

1 # 将图片和标注数据按比例切分为训练集和测试集
2 import shutil
3 import random
4 import os
5
6 # 原始路径
7 image_original_path = "data/images/"
8 label_original_path = "data/labels/"
9
10 cur_path = os.getcwd()
11 # 训练集路径
12 train_image_path = os.path.join(cur_path, "datasets/images/train/")
13 train_label_path = os.path.join(cur_path, "datasets/labels/train/")
14
15 # 验证集路径
16 val_image_path = os.path.join(cur_path, "datasets/images/val/")
17 val_label_path = os.path.join(cur_path, "datasets/labels/val/")
18
19 # 测试集路径
20 test_image_path = os.path.join(cur_path, "datasets/images/test/")
21 test_label_path = os.path.join(cur_path, "datasets/labels/test/")
22
23 # 训练集目录
24 list_train = os.path.join(cur_path, "datasets/train.txt")
25 list_val = os.path.join(cur_path, "datasets/val.txt")
26 list_test = os.path.join(cur_path, "datasets/test.txt")
27
28 train_percent = 0.8
29 val_percent = 0.1
30 test_percent = 0.1
31
32
33 def del_file(path):
34 for i in os.listdir(path):
35 file_data = path + "\" + i
36 os.remove(file_data)
37
38
39 def mkdir():
40 if not os.path.exists(train_image_path):
41 os.makedirs(train_image_path)
42 else:
43 del_file(train_image_path)
44 if not os.path.exists(train_label_path):
45 os.makedirs(train_label_path)
46 else:
47 del_file(train_label_path)
48
49 if not os.path.exists(val_image_path):
50 os.makedirs(val_image_path)
51 else:
52 del_file(val_image_path)
53 if not os.path.exists(val_label_path):
54 os.makedirs(val_label_path)
55 else:
56 del_file(val_label_path)
57
58 if not os.path.exists(test_image_path):
59 os.makedirs(test_image_path)
60 else:
61 del_file(test_image_path)
62 if not os.path.exists(test_label_path):
63 os.makedirs(test_label_path)
64 else:
65 del_file(test_label_path)
66
67
68 def clearfile():
69 if os.path.exists(list_train):
70 os.remove(list_train)
71 if os.path.exists(list_val):
72 os.remove(list_val)
73 if os.path.exists(list_test):
74 os.remove(list_test)
75
76
77 def main():
78 mkdir()
79 clearfile()
80
81 file_train = open(list_train, 'w')
82 file_val = open(list_val, 'w')
83 file_test = open(list_test, 'w')
84
85 total_txt = os.listdir(label_original_path)
86 num_txt = len(total_txt)
87 list_all_txt = range(num_txt)
88
89 num_train = int(num_txt * train_percent)
90 num_val = int(num_txt * val_percent)
91 num_test = num_txt - num_train - num_val
92
93 train = random.sample(list_all_txt, num_train)
94 # train从list_all_txt取出num_train个元素
95 # 所以list_all_txt列表只剩下了这些元素
96 val_test = [i for i in list_all_txt if not i in train]
97 # 再从val_test取出num_val个元素，val_test剩下的元素就是test
98 val = random.sample(val_test, num_val)
99
100 print("训练集数目：{}, 验证集数目：{}, 测试集数目：{}".format(len(train), len(val), len(val_test) - len(val)))
101 for i in list_all_txt:
102 name = total_txt[i][:-4]
103
104 srcImage = image_original_path + name + '.jpg'
105 if os.path.isfile(srcImage):
106 suffix = '.jpg'
107 else:
108 suffix = '.png'
109 srcImage = image_original_path + name + '.png'
110
111 srcLabel = label_original_path + name + ".txt"
112
113 if i in train:
114 dst_train_Image = train_image_path + name + suffix
115 dst_train_Label = train_label_path + name + '.txt'
116 shutil.copyfile(srcImage, dst_train_Image)
117 shutil.copyfile(srcLabel, dst_train_Label)
118 file_train.write(dst_train_Image + '\n')
119 elif i in val:
120 dst_val_Image = val_image_path + name + '.jpg'
121 dst_val_Label = val_label_path + name + '.txt'
122 shutil.copyfile(srcImage, dst_val_Image)
123 shutil.copyfile(srcLabel, dst_val_Label)
124 file_val.write(dst_val_Image + '\n')
125 else:
126 dst_test_Image = test_image_path + name + suffix
127 dst_test_Label = test_label_path + name + '.txt'
128 shutil.copyfile(srcImage, dst_test_Image)
129 shutil.copyfile(srcLabel, dst_test_Label)
130 file_test.write(dst_test_Image + '\n')
131
132 file_train.close()
133 file_val.close()
134 file_test.close()
135
136
137 if __name__ == "__main__":
138 main()

复制代码

训练代码如下

1 import warnings
2 warnings.filterwarnings('ignore')
3 from ultralytics import YOLO
4 if __name__ == '__main__':
5 model = YOLO('ultralytics/cfg/models/12/yolo12n.yaml')
6 model.load('yolo12n.pt') #注释则不加载
7 results = model.train(
8 data='data.yaml', #数据集配置文件的路径
9 epochs=180, #训练轮次总数
10 batch=4, #批量大小，即单次输入多少图片训练
11 imgsz=640, #训练图像尺寸
12 workers=2, #加载数据的工作线程数
13 device= 0, #指定训练的计算设备，无nvidia显卡则改为 'cpu'
14 optimizer='SGD', #训练使用优化器，可选 auto,SGD,Adam,AdamW 等
15 amp= True, #True 或者 False, 解释为：自动混合精度(AMP) 训练
16 patience = 50,
17 cache=False, # True 在内存中缓存数据集图像，服务器推荐开启
18 augment=True,
19 lr0 = 0.001,
20 lrf = 0.01,
21 cos_lr=True,
22 weight_decay=0.05
23 )

复制代码

训练结果，mAP精度达到9提上，分数非常高。

4 图片视频目标识别

视频文件目标识别

后记本文详细介绍了基于YOLO与OpenCV的光电上位机目标检测系统的开发过程。针对YOLO框架在小目标检测上的局限性，创新性地结合OpenCV轮廓识别算法，提升了系统的检测精度和适应性。通过数月的技术研究与实践，完成了以下工作：

技术研究：深入掌握YOLO模型的标注、训练及推理流程，并结合OpenCV优化小目标识别效果。
软件开发：自主设计并实现了一套功能完善的软件系统，包括图像标注工具和目标检测模块，显著提升了易用性和效率。
创新优化：针对实际需求优化标注功能，使软件操作更便捷，性能优于市面同类产品。

本系统的开发不仅验证了YOLO与OpenCV结合的技术可行性，也为类似场景下的目标检测任务提供了可借鉴的解决方案。未来，可进一步优化模型性能，拓展多目标跟踪、实时检测等高级功能，以满足更广泛的应用需求。

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

账号		自动登录	找回密码
密码			立即注册