💡💡💡本文摘要：基于YOLO11的矿井下移动目标检测，阐述了整个数据制作和训练可视化过程
博主简介
AI小怪兽，YOLO骨灰级玩家，1）YOLOv5、v7、v8、v9、v10、11优化创新，轻松涨点和模型轻量化；2）目标检测、语义分割、OCR、分类等技术孵化，赋能智能制造，工业项目落地经验丰富；
1.YOLO11介绍
Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。
结构图如下：
1.1 C3k2
C3k2，结构图如下
C3k2，继承自类C2f，其中通过c3k设置False或者Ture来决定选择使用C3k还是Bottleneck
实现代码ultralytics/nn/modules/block.py
1.2 C2PSA介绍
借鉴V10 PSA结构，实现了C2PSA和C2fPSA，最终选择了基于C2的C2PSA（可能涨点更好？）
实现代码ultralytics/nn/modules/block.py
1.3 11 Detect介绍
分类检测头引入了DWConv（更加轻量级，为后续二次创新提供了改进点），结构图如下（和V8的区别）：
实现代码ultralytics/nn/modules/head.py
2.矿井下移动目标检测系统
2.1项目背景
煤炭行业的发展对于我国的能源供应起着非常重要的作用，保障采矿安全是煤炭开采过程中至关重要的任务。由于缺少对矿井下可移动目标的监管，导致煤矿事故屡有发生，严重威胁着工作人员的生命安全。因此，精准的检测和追踪矿井移动目标，避免安全事故的发生，对于煤炭开采具有重大的意义。
本项目着眼于当前矿业安全领域的问题，服务于矿下环境监测、预警和自动化控制，给出了一整套解决方案。本项目将矿业安全监管无人化、自动化，结合煤矿大数据、深度学习等知识，增强了系统的实时性和准确性，还通过机器狗的灵活移动能力，实现了对矿井深处及难以到达区域的全面监测，为煤矿安全生产提供了更为坚实的保障。本项目的实施将为矿业行业的安全生产和可持续发展提供有力支撑，展现了机器视觉技术在矿业领域的巨大潜力和应用价值。
2.2 矿井下移动数据集介绍
训练集3202张，验证集430张，测试集392张
四个类别：
towline
support plate
helmet
miner
细节图：
标签可视化分析
2.3 智能分析模块
基于YOLO11框架构建模型，针对矿井特定场景进行训练，提升目标检测与识别的精度和速度，能够对矿井内的实时视频流进行分析，准确识别出矿工、设备、车辆等移动目标（如图1）。通过对捕捉到的图像和视频数据进行深入分析，并将环境参数传感器数据与视频数据进行融合分析，综合评估矿井内的安全状况。例如，系统可以识别出矿工是否遵循安全路径，是否发生火灾，或设备是否按照预定程序运行。
2.3 配置Underground.yaml
ps:建议填写绝对路径
# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO 2017 dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco ← downloads here (20.1 GB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: D:/YOLOv11/data/Underground # dataset root dir
train: images/train # train images (relative to 'path')
val: images/val # val images (relative to 'path')
test: images/test
# Classes
names:
0: towline
1: support plate
2: helmet
3: miner
2.4 如何训练
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
if __name__ == '__main__':
model = YOLO('ultralytics/cfg/models/11/yolo11.yaml')
model.train(data='data/Underground.yaml',
cache=False,
imgsz=0,
epochs=200,
batch=8,
close_mosaic=10,
device='0',
optimizer='SGD', # using SGD
project='runs/train',
name='exp',
)
2.5 训练结果可视化结果
YOLO11 summary (fused): 281 layers, 2,826,4 parameters, 0 gradients, 6.3 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 27/27 [00:27<00:00, 1.03s/it]
all 430 1514 0.912 0.886 0.933 0.658
towline 165 167 0.915 0.91 0.953 0.714
support plate 211 624 0.954 0.95 0.975 0.768
helmet 213 324 0.859 0.7 0.863 0.507
miner 241 399 0.922 0.4 0.94 0.3
Speed: 0.4ms preprocess, 4.2ms inference, 0.0ms loss, 3.0ms postprocess per image
预测结果：
3. 矿井下移动目标检测系统设计
3.1 PySide6介绍
受益于人工智能的崛起，Python语言几乎以压倒性优势在众多编程语言中异军突起，成为AI时代的首选语言。在很多情况下，我们想要以图形化方式将我们的人工智能算法打包提供给用户使用，这时候选择以python为主的GUI框架就非常合适了。
PySide是Qt公司的产品，PyQt是第三方公司的产品，二者用法基本相同，不过在使用协议上却有很大差别。PySide可以在LGPL协议下使用，PyQt则在GPL协议下使用。
PySide目前常见的有两个版本：PySide2和PySide6。PySide2由C++版的Qt5开发而来.，而PySide6对应的则是C++版的Qt6。从PySide6开始，PySide的命名也会与Qt的大版本号保持一致，不会再出现类似PySide2对应Qt5这种容易混淆的情况。
3.2 安装PySide6
pip install --upgrade pip
pip install pyside6 -i https://mirror.baidu.com/pypi/simple
基于PySide6开发GUI程序包含下面三个基本步骤：
- 设计GUI，图形化拖拽或手撸；
- 响应UI的操作（如点击按钮、输入数据、服务器更新），使用信号与Slot连接界面和业务；
- 打包发布；
3.3 矿井下移动目标检测系统设计
