基于YOLO11实现明厨亮灶系统实时检测【多场景数据+模型训练、推理、导出】

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

一、简介
二、数据集构建与处理
- 2.1 数据集概况
- 2.2 数据集结构
- 2.3 数据集示例分布
三、环境搭建、验证
- 3.1 环境搭建
- 3.2 验证
四、模型训练、评估及推理
4.1 配置文件dataset.yaml
4.2 模型训练
4.3 性能评估
4.4 模型推理
五、模型部署
5.1 onnx模型
5.2 安卓模型部署

一、简介

在“明厨亮灶”食品安全监管体系下，后厨环境的实时监控已成为行业标准。然而，传统人工巡检方式存在检测效率低、实时性差、易漏检等痛点。对于厨师安全着装，以及老鼠，蟑螂等害虫，实现快速精准检测，以保证食品安全至关重要。
本文基于最新的YOLOv11算法，结合大规模高质量标注数据集，提供一套完整的厨房鼠患智能检测解决方案。

二、数据集构建与处理

2.1 数据集概况

数据规模：35953张高质量图像
标注格式：YOLO TXT
类别设置：14类别 [‘cockroach’,‘hairnet’, ‘no_gloves’, ‘no_hat’,‘rat’,‘with_mask’,‘without_mask’,‘smoke’,‘phone’,‘overflow’,‘garbage’,‘garbage_bin’,‘chef_uniform’,‘chef_hat’]
场景覆盖：监控视角、手机摄像头视角、多光照条件
数据划分：训练集/验证集/测试集 = 7:2:1

2.2 数据集结构

kitchen_dataset/ ├── train/ │ ├── images/ # 训练集图像 │ └── labels/ # YOLO格式标注 ├── val/ │ ├── images/ # 验证集图像 │ └── labels/ # YOLO格式标注 ├── test/ │ ├── images/ # 测试集图像 │ └── labels/ # YOLO格式标注 └── dataset.yaml # 数据集配置文件

2.3 数据集示例分布

根据统计本数据集共包含14个目标检测类别，总计超6W个标注实例。各类别实例分布呈现出显著的不均衡特征

三、环境搭建、验证

3.1 环境搭建

#1. 安装Anaconda Prompt、Pycharm#2. 创建python环境conda create -n YOLOv11python=3.8.20 -y#3. 激活环境conda activate YOLOv11#4. 安装ultralytics和pytorchpipinstalltorch==1.13.1+cu116torchvision==0.14.1+cu116torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu116 -i https://pypi.tuna.tsinghua.edu.cn/simple/ pipinstallultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple#5. 预训练权重下载wgethttps://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11s.pt

3.2 验证

使用指令或者创建infer.py进行推理

yolo predictmodel=yolo11s.ptsources=“https://ultralytics.com/images/bus.jpg”

fromultralyticsimportYOLO#加载预训练模型（会自动下载 yolov8n.pt）model=YOLO("yolov8s.pt")#预测图片results=model.predict(source="bus.jpg",# 输入源：图片/视频/目录/摄像头（0）conf=0.5,# 置信度阈值save=True,# 保存结果show=True,# 显示结果（适用于Jupyter Notebook）device="cuda:0"# 使用GPU（改为 "cpu" 则用CPU）)#打印结果forresultinresults:print(result.boxes)# 检测到的边界框信息

以下结果确认环境是没有问题

四、模型训练、评估及推理

4.1 配置文件dataset.yaml

path:/path/kitchen_datasettrain:train/imagesval:val/imagestest:test/imagesnc:14# 类别数量# 类别名称names:['cockroach','hairnet','no_gloves','no_hat','rat','with_mask','without_mask','smoke','phone','overflow','garbage','garbage_bin','chef_uniform','chef_hat']# 类别名称

4.2 模型训练

数据准备完成后，通过一下指令或者创建train.py文件进行模型训练，data参数用于加载数据集的配置文件，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小（根据个人配置，进行调整）

yolo trainmodel=yolo11s.ptdata=dataset.yamlepochs=300imgsz=640batch=32

fromultralyticsimportYOLO# 加载模型model=YOLO('yolo11s.pt')# 从头开始或使用预训练权重# 训练results=model.train(data='dataset.yaml',# 数据集配置文件epochs=300,# 训练轮数imgsz=640,# 图像大小batch=32,# 批量大小device=0,# GPU设备 (0,1,2,3 或 'cpu')workers=8,# 数据加载线程数optimizer='AdamW',# 优化器 (SGD, Adam, AdamW, etc.)lr0=0.01,# 初始学习率lrf=0.01,# 最终学习率系数momentum=0.937,# SGD动量weight_decay=0.0005,# 权重衰减warmup_epochs=3.0,# 热身轮数warmup_momentum=0.8,# 热身动量box=7.5,# 框损失权重cls=0.5,# 分类损失权重dfl=1.5,# DFL损失权重pose=12.0,# 姿态损失权重（仅姿态模型）kobj=1.0,# 关键点对象损失权重label_smoothing=0.0,# 标签平滑dropout=0.0,# Dropout（分类任务）verbose=True,# 打印详细信息seed=0,# 随机种子deterministic=True,# 确定性训练single_cls=False,# 单类别训练rect=False,# 矩形训练cos_lr=False,# 余弦学习率调度close_mosaic=10,# 最后N轮关闭马赛克增强resume=False,# 恢复训练amp=True,# 自动混合精度fraction=1.0# 数据集比例)

4.3 性能评估

在深度学习中，我们通常用损失函数下降的曲线来观察模型训练的情况，避免过拟合和欠拟合现象。在训练结束后我们可以在run/detect中进行查看，结果如下所示：

4.4 模型推理

我们可以利用以上3.2章节创建的infer.py来进行推理，更换两个地方，将model=“我们训练好的模型”，通常在run/detect/exp/weights/best.pt，以及 source=“需要推理的图片路径”，source可以指定单张图片/图片文件夹
例如：

yolo predictmodel=run/detect/exp1/weights/best.ptsources=/data/Imgs

五、模型部署

5.1 onnx模型

onnx模型量化

fromultralyticsimportYOLOimportonnx# 加载预训练模型model=YOLO('yolo11s.pt')# 可以是 yolov8s.pt, yolov8m.pt 等# 导出为ONNX格式success=model.export(format='onnx',imgsz=640,# 输入图像尺寸dynamic=True,# 支持动态batch sizesimplify=True,# 简化模型opset=12,# ONNX opset版本half=False,# 是否导出FP16，量化时建议False)

onnx模型推理

importcv2importnumpyasnpimportonnxruntimeasort#1. 加载ONNX模型model_path="yolo11s.onnx"session=ort.InferenceSession(model_path)#2. 加载并预处理图像img_path="test.jpg"# 改为你的测试图片路径img=cv2.imread(img_path)# 调整到640x640input_img=cv2.resize(img,(640,640))input_img=input_img.transpose(2,0,1)# HWC -> CHWinput_img=input_img.astype(np.float32)/255.0# 归一化input_img=np.expand_dims(input_img,axis=0)# 添加batch维度# 3. 执行推理input_name=session.get_inputs()[0].name outputs=session.run(None,{input_name:input_img})[0]# 获取第一个输出# 4. 解析检测结果detections=outputs[0]# shape: (84, 8400)boxes=[]confidences=[]class_ids=[]# 遍历所有8400个预测foriinrange(detections.shape[1]):# 获取类别分数scores=detections[4:,i]class_id=np.argmax(scores)confidence=scores[class_id]# 过滤低置信度ifconfidence>0.5:# 获取边界框 (cx, cy, w, h 格式)cx,cy,w,h=detections[0:4,i]# 转换为角点格式x1=int((cx-w/2)*img.shape[1]/640)# 缩放回原始尺寸y1=int((cy-h/2)*img.shape[0]/640)x2=int((cx+w/2)*img.shape[1]/640)y2=int((cy+h/2)*img.shape[0]/640)boxes.append([x1,y1,x2,y2])confidences.append(float(confidence))class_ids.append(class_id)# 5. 应用NMS (简化版)indices=cv2.dnn.NMSBoxes(boxes,confidences,0.5,0.4)# 6. 绘制检测框foriinindices:ifhasattr(i,'__len__'):# 处理不同版本的返回格式i=i[0]box=boxes[i]conf=confidences[i]class_id=class_ids[i]# 绘制矩形框cv2.rectangle(img,(box[0],box[1]),(box[2],box[3]),(0,255,0),2)# 添加标签label=f"{class_id}:{conf:.2f}"cv2.putText(img,label,(box[0],box[1]-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)# 7. 保存并显示结果cv2.imwrite("result.jpg",img)print(f"检测到{len(indices)}个目标")# 显示图像（可选）cv2.imshow("Detection Result",img)cv2.waitKey(0)cv2.destroyAllWindows()