免费开源毕设：基于YOLO的军事影像检测系统

🪖 基于 YOLO 的军事影像检测系统 (Military Footage Detection System)

本项目是一个功能完整的军事影像智能检测系统。基于最新的 Ultralytics YOLO 系列模型构建，能够识别军事场景影像中的典型目标（如人员、车辆、军用车辆、爆炸等）。本项目提供了美观、易用的 Streamlit Web 交互界面，非常适合作为本科毕业设计的参考与展示。

⚠️ 关于本项目 (About This Project)

本仓库开源了系统的前端交互应用（App）源码及训练数据可视化模块。

🔗 开源地址：

• GitCode：点击访问
• GitHub：点击访问

🛒 核心模型与训练源码资源包 (Core Models & Training Codes) 包含：

1. 核心训练代码：包含train.py (单模型)和train_batch.py (批量实验)，支持断点续训和自动批量大小（autobatch），训练完成后自动生成 GPU 耗时、成本估算和 mAP 评估报告。
2. 全系列模型权重与训练日志：包含YOLOv8 / YOLO11 / YOLO26三个系列的best.pt模型文件，以及完整的训练日志、Loss 曲线图、mAP 指标图和混淆矩阵等评估图表，直接用于论文插图。
3. （赠品）数据集：本项目使用 Roboflow Military Footage Recognition Dataset 的开源数据集。

• 说明：数据集本身是免费开源的。但由于国内网络环境下载困难，我在资源包中免费提供了已整理好的数据集压缩包，方便大家直接使用。

✨ 核心功能亮点 (Features)

• 🚀 多模型兼容: 系统无缝支持YOLOv8、YOLO11以及最新的YOLO26模型，用户可在侧边栏一键切换，实时对比不同模型的检测效果。
• 📷 多模态检测: 支持上传单张图片进行快速检测，也支持导入MP4/MKV/AVI等格式的视频文件（内置转码功能，确保在浏览器中流畅播放）。
• 📦 批量处理引擎: 针对大量数据，提供批量检测功能。系统会自动统计各类别数量，并生成包含详细信息的 CSV 表格。
• 📑 自动报告生成: 一键生成专业的 PDF 检测报告，包含检测综述、类别统计和样张展示，可直接用于作业或汇报。
• 📊 训练可视化: 独家内置模型性能对比面板。无需手动绘制，系统自动解析训练日志，生成专业的 mAP 和 Loss 对比图，助你轻松完成毕设论文的实验分析章节。
• 🇨🇳 全中文支持: 从界面菜单到检测框标签（如"人员"、“军用车辆”、"爆炸"等目标），全部采用中文显示，符合国内用户习惯。

📺 系统演示 (Demo)

🎥 视频演示 (Video Demo)

点击下方图标，跳转至各大视频平台查看系统的详细运行演示：

哔哩哔哩 (Bilibili)	抖音 (Douyin)	小红书 (Xiaohongshu)	快手 (Kuaishou)
Bilibili	抖音	Xiaohongshu	Kuaishou

🛠️ 快速开始 (Quick Start)

第一阶段：部署开源版（运行系统界面）

此步骤将教你如何运行本仓库的开源代码，体验系统的 UI 交互功能。

1. 环境准备 (Environment Setup)

• 安装 Anaconda: 如果你还没有安装 Anaconda，请参考此教程进行安装。
• 打开终端 (Important):
  • 方法 A (推荐): 进入本项目文件夹，在地址栏输入cmd并回车，即可直接在当前目录下打开终端。
  • 方法 B: 打开终端后，使用cd命令跳转到项目目录（例如：cd D:\毕设\YOLO_farms_multi-species_detection）。
• 配置国内镜像源 (推荐):
  如果你在国内网络环境下，建议配置清华源以加速下载：

  conda config--addchannels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config--addchannels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config--addchannels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ conda config--addchannels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

• 创建并激活环境:

  conda create-ntask1python=3.11.15-yconda activate task1

• 安装 PyTorch (关键步骤):
  本项目基于 PyTorch 2.5.1 开发。推荐访问 PyTorch 官网 获取最适合你机器的安装命令。
  或者，你可以直接使用以下常用命令（请根据你的显卡驱动版本选择）：
  • 方案 A (推荐新显卡/CUDA 12.1):

    condainstallpytorch torchvision torchaudio pytorch-cuda=12.1-cpytorch-cnvidia-y

  • 方案 B (兼容旧显卡/CUDA 11.8):

    condainstallpytorch torchvision torchaudio pytorch-cuda=11.8-cpytorch-cnvidia-y

  • 方案 C (无显卡/仅使用 CPU):

    condainstallpytorch torchvision torchaudio cpuonly-cpytorch-y

2. 安装依赖
   下载本仓库代码，并安装必要的第三方库：
3. 运行系统
   在终端中执行以下命令：
   成功后，浏览器会自动打开系统界面。
   注意：此时由于没有加载模型文件，点击检测可能会提示"未找到模型"。

后续每次运行系统

以后每次使用本项目时，只需按以下步骤操作：

1. 进入项目目录: 使用文件管理器进入本项目文件夹
2. 打开终端: 在地址栏输入cmd并回车，即可直接在当前目录下打开终端
3. 激活环境:

conda activate task1

4. 启动系统:

streamlit run app/app.py

第二阶段：加载模型（开启检测功能）

为了让系统能够识别军事影像中的目标，你需要加载训练好的 YOLO 模型文件（.pt）。

🅰️ 如果你购买了资源包 (推荐)

资源包中已包含YOLOv8 / YOLO11 / YOLO26全系列训练好的高精度模型。

1. 解压资源包：找到models文件夹。
2. 复制文件：将整个models文件夹直接复制到本项目的根目录下。
3. 完成：刷新网页，侧边栏会自动加载所有模型。

🅱️ 如果你自己训练模型

如果你自行训练了模型：

1. 新建文件夹：在项目根目录下创建一个名为models的文件夹。
2. 放置模型：将你训练得到的best.pt文件复制到models/文件夹中（建议重命名为清晰的名称，如yolo11m_military_footage.pt）。
3. 完成：刷新网页，即可在侧边栏选择你的模型进行检测。

📖详细训练教程: 如果你想自己训练模型，请查看 训练指南

📂 项目结构 (Project Structure)

YOLO_military_footage_detection/ ├── app/ │ ├── app.py # Streamlit 系统主入口 │ ├── analysis.py # 训练日志分析与绘图模块 │ └── report_gen.py # PDF 报告生成模块 ├── data/ # 训练数据集 (Images/Labels) │ └── military_footage_recognition/ # 军事影像数据集 (6类) ├── models/ # 训练好的模型文件 (.pt) ├── training/ # 模型训练代码 │ ├── train.py # 单模型训练脚本 │ └── train_batch.py # 批量训练脚本 ├── runs/ # 训练输出目录 ├── docs/ # 演示图片与文档 ├── requirements.txt # 项目依赖库列表 └── README.md # 项目说明文档

(注：data/(数据集)、training/*.py(训练脚本) 和models/*.pt(模型文件) 为资源包专有内容，未包含在开源仓库中。)

📊 数据集信息 (Dataset Information)

本项目使用 Roboflow Military Footage Recognition Dataset 开源数据集，主要用于检测军事影像目标。

😷 类别信息

📷 图片数量

💡 说明：数据集本身是免费开源的。但由于国内网络环境下载困难，资源包中免费提供了已整理好的数据集压缩包，方便大家直接使用。

💰 训练成本核算 (Training Cost Analysis)

📊实际训练数据: 查看 训练总结报告，包含15个模型的真实训练耗时、成本

以下是基于国内主流 GPU 云服务商（如 AutoDL）的成本估算逻辑：

1. 硬件配置: NVIDIA A800 80GB PCIe
2. 训练规模:

• 模型数量: 15 个模型 (YOLOv8/11/26 系列 x n/s/m/l/x 五种规格)
• 训练轮数: 100 Epochs / 模型

3. 实际耗时与成本:

• 总耗时: 74 小时 20 分 (约 74.34 小时)
• 云服务器费率: ¥9.35 / 小时
• 总算力成本:74.34 小时 x ¥9.35 ≈ ¥695.07

💡 省钱建议: 自己租用服务器复现所有实验不仅耗时耗力，且算力成本往往高于直接获取成品。

🛒 核心模型与训练源码资源包 (Core Models & Training Codes) 包含：

1. 核心训练代码：包含train.py (单模型)和train_batch.py (批量实验)，支持断点续训和自动批量大小（autobatch），训练完成后自动生成 GPU 耗时，成本估算和 mAP 评估报告。
2. 全系列模型权重与训练日志：包含YOLOv8 / YOLO11 / YOLO26三个系列的best.pt模型文件，以及完整的训练日志、Loss 曲线图、mAP 指标图和混淆矩阵等评估图表，直接用于论文插图。
3. （赠品）数据集：整理好的 Ultralytics 开源数据集压缩包。