摘要

本文基于YOLO26目标检测算法构建了一套蜜蜂识别检测系统，用于自动识别图像中的蜜蜂目标。数据集共包含8,080张标注图像（训练集5,640张、验证集1,604张、测试集836张），类别仅为bees。实验结果表明，模型在验证集上的mAP50达到0.91，最佳F1值为0.85，精确率最高可达1.00，召回率接近1.00。然而，模型存在一定的假阳性问题（背景误检为蜜蜂）以及定位精度不足的现象，并表现出轻微过拟合趋势。总体而言，该系统具备初步部署能力。

详细功能展示视频

https://www.bilibili.com/video/BV1znohBbE9r/

引言

蜜蜂作为生态系统中的重要授粉昆虫，其种群数量和活动行为对农业生产与生态平衡具有重要指示意义。传统的蜜蜂监测主要依赖人工观察或物理诱捕，存在效率低、主观性强、难以大规模持续监测等问题。近年来，随着计算机视觉与深度学习技术的发展，基于图像的目标检测方法为蜜蜂自动识别与行为分析提供了新的技术路径。

YOLO系列算法因其检测速度快、精度高、易于部署等优势，已广泛应用于农业害虫检测、动物识别、植物病害诊断等场景。本研究针对蜜蜂检测任务，采用YOLO26算法构建识别系统，旨在实现对蜜蜂目标的快速、准确检测。通过对模型训练过程中的精确率、召回率、F1值、PR曲线、混淆矩阵及损失曲线等多维度指标进行分析，评估模型在实际应用场景中的性能表现，并为后续优化提供依据。

目录

  摘要

详细功能展示视频

https://www.bilibili.com/video/BV1znohBbE9r/

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

训练结果

1. F1-置信度曲线 (BoxF1_curve.png)​编辑

2. 精确率-置信度曲线 (BoxP_curve.png)​编辑

3. 召回率-置信度曲线 (BoxR_curve.png)​编辑

4. PR曲线 (BoxPR_curve.png)​编辑

5. 混淆矩阵 (confusion_matrix.png 及归一化版本)​编辑​编辑

6. 训练过程曲线 (results.png)​编辑

Ultralytics YOLO26

概述

主要功能

常用标注工具

详细功能展示视频

---

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）

✅ 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/GPU）

10、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

蜜蜂是自然界中最重要且最高效的授粉昆虫之一，全球约有75%的农作物品种依赖于昆虫授粉，其中蜜蜂承担了绝大部分授粉任务。研究表明，蜜蜂授粉不仅能够显著提高农作物的产量，还能改善果实的品质和种子质量。在农业生产中，蜜蜂的存在直接关系到作物的经济效益和生态系统的稳定运行。然而，近年来由于气候变化、农药滥用、病原体传播以及栖息地破坏等多重因素的影响，全球蜜蜂种群数量呈现显著下降趋势，部分地区甚至出现了蜂群崩溃失调现象，这一现象已引起国际社会的高度关注。

为了有效监测和保护蜜蜂资源，科研人员和农业工作者迫切需要一种能够自动、高效、非侵入式地识别和统计蜜蜂活动的方法。传统的蜜蜂监测方法主要包括人工计数、诱捕采样和视频回放分析。这些方法虽然在一定程度上能够提供有用信息，但存在若干明显的局限性：人工计数耗时耗力且易受观察者主观判断的影响，难以长时间连续观测；诱捕采样会对蜜蜂种群造成伤害甚至死亡，不适用于保护性研究；视频回放分析虽然可以保存原始数据，但后期人工标注和处理工作量极大，效率低下。

近年来，随着深度学习和计算机视觉技术的快速发展，基于图像和视频的自动目标检测方法逐渐成为解决上述问题的有效手段。特别是YOLO系列算法，以其“端到端”的检测方式和优异的实时性能，在农业害虫识别、果园果实计数、野生动物监测等领域展现出巨大的应用潜力。与传统的图像处理方法相比，基于深度学习的目标检测算法具有更强的特征提取能力和泛化性能，能够应对复杂背景、光照变化、目标遮挡等现实挑战。

基于上述背景，本研究设计并实现了一个基于YOLO的蜜蜂识别检测系统。系统仅需输入图像或视频帧，即可自动输出图像中蜜蜂的位置和置信度。该系统的建立不仅可以为农业授粉管理提供技术支持，还可为生态学中的种群动态研究、蜜蜂行为分析等提供自动化工具，具有重要的理论意义和实际应用价值。

数据集介绍

本研究所使用的数据集为自建的蜜蜂图像数据集，所有图像均经过人工标注，目标类别仅为蜜蜂（bees）。数据集总量为8,080张图像，按照约7:2:1的比例划分为训练集、验证集和测试集，具体分布如下：

数据集	图像数量	用途说明
训练集	5,640张	用于模型参数学习与特征提取
验证集	1,604张	用于训练过程中的超参数调优和过拟合监控
测试集	836张	用于最终模型性能的独立评估

训练结果

1. F1-置信度曲线 (BoxF1_curve.png)

• 最高 F1 值 ≈ 0.85（置信度约 0.37）

• 说明模型在最佳阈值下，精确率和召回率的调和平均表现尚可，但未达到优秀（0.9+）。

2. 精确率-置信度曲线 (BoxP_curve.png)

• 最高精确率 1.00（置信度 0.923）

• 表明模型在极高置信度下判断几乎无误，但可能只覆盖极少数样本。

3. 召回率-置信度曲线 (BoxR_curve.png)

• 召回率随置信度下降而上升，最高接近 1.00

• 说明模型能识别出大多数目标，但代价是精确率下降。

4. PR曲线 (BoxPR_curve.png)

• 曲线下面积（AP）未直接给出，但从趋势看，精确率随召回率上升下降较快

5. 混淆矩阵 (confusion_matrix.png 及归一化版本)

• 归一化矩阵显示：

  • 背景识别准确率：91%

  • 蜜蜂识别准确率：100%（？）需要确认数据完整性

6. 训练过程曲线 (results.png)

• train/box_loss、cls_loss、dfl_loss 持续下降

• val/box_loss、cls_loss、dfl_loss 在后期趋于平稳甚至略有上升 → 过拟合迹象

• metrics/precision 和 recall 波动后趋于 0.89 左右

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 K2，MuSGD 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：