基于YOLOv8的粉尘污染检测识别｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！

基于YOLOv8的粉尘污染检测识别｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！

随着工业化的快速发展，粉尘污染成为了环境监测和工业安全中必须关注的问题。传统的粉尘检测方法往往依赖人工采样和实验室分析，周期长、成本高。基于计算机视觉的自动化粉尘检测系统能够实时、准确地监控环境，从而极大提高安全和管理效率。本项目基于最新的YOLOv8算法，实现了粉尘污染检测与识别，并提供完整源码、数据集和可视化界面，实现开箱即用。

该系统具有以下核心功能：

1. 实时粉尘检测：通过摄像头或视频流实时识别空气中的粉尘颗粒。
2. 图像标注与训练：支持自定义数据集标注，训练YOLOv8模型。
3. PyQt5可视化界面：一键加载视频或图片，实现检测结果可视化。
4. 权重文件直接调用：无需二次训练即可运行预训练模型进行检测。
5. 完整训练流程：包括数据准备、模型训练、验证与导出。
6. 部署与导出：支持导出为ONNX或TorchScript模型，便于边缘端部署。

项目摘要

本项目基于YOLOv8目标检测框架，结合工业场景下的粉尘监测需求，开发了一套完整的检测系统。项目亮点包括：

• 全流程开源：从数据采集、标注、训练到部署，均提供完整代码和教程。
• 轻量化模型：YOLOv8模型经过优化，适合在GPU甚至CPU端实时运行。
• 可视化友好：PyQt5界面操作简单，一键检测，结果直观展示。
• 适应多场景：可应用于工厂车间、建筑工地、矿山等环境的粉尘监测。

前言

空气质量监测一直是工业安全管理的重要环节。粉尘污染不仅影响生产环境，更会对工人健康造成长期威胁。传统人工检测方法效率低，难以满足现代工业生产的需求。而基于深度学习的视觉检测技术，尤其是YOLO系列算法，能够在保证高精度的同时，实现实时检测，为工业安全提供了可靠解决方案。

YOLOv8作为YOLO系列最新版本，具有更高的检测精度、更快的推理速度和更灵活的训练接口，非常适合用于粉尘检测这类小目标、密集目标识别场景。本项目将YOLOv8与PyQt5前端结合，实现了从数据采集到可视化展示的完整解决方案。

一、软件核心功能介绍及效果演示

本系统基于YOLOv8深度学习目标检测框架，针对工业环境下粉尘颗粒的实时识别需求，提供了一套从数据采集、模型训练到可视化展示的完整解决方案。核心功能包括：实时粉尘检测与标注、训练自定义数据集、PyQt5可视化界面操作、一键加载预训练权重以及检测结果统计分析。通过加载摄像头或视频流，系统能够在画面中准确标出粉尘颗粒位置，并显示置信度，实现了高效、直观的效果演示，便于用户快速掌握检测结果并进行进一步分析与应用。

二、软件效果演示

为了直观展示本系统基于 YOLOv8 模型的检测能力，我们设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。

（1）单图片检测演示

用户点击“选择图片”，即可加载本地图像并执行检测：

image-20250907222808895

（2）多文件夹图片检测演示

用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。

image-20250907222852961

（3）视频检测演示

支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：

image-20250907223202452

（4）摄像头检测演示

实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。由于原理和视频检测相同，就不重复演示了。

（5）保存图片与视频检测结果

用户可通过按钮勾选是否保存检测结果，所有检测图像自动加框标注并保存至指定文件夹，支持后续数据分析与复审。

image-20250907222940921

三、模型的训练、评估与推理

YOLOv8是Ultralytics公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如CIoU、TaskAlignedAssigner）与Anchor-Free策略，在COCO等数据集上表现优异。

其核心优势如下：

• 高速推理，适合实时检测任务
• 支持Anchor-Free检测
• 支持可扩展的Backbone和Neck结构
• 原生支持ONNX导出与部署

3.1 YOLOv8的基本原理

YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：

• 速度快：推理速度提升明显；
• 准确率高：支持 Anchor-Free 架构；
• 支持分类/检测/分割/姿态多任务；
• 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。

YOLOv8 由Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。

image-20250526165954475

YOLOv8原理图如下：

image-20250526170118103

3.2 数据集准备与训练

采用 YOLO 格式的数据集结构如下：

dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

每张图像有对应的 .txt 文件，内容格式为：

4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757

分类包括（可自定义）：

image-20250907223638624

3.3. 训练结果评估

训练完成后，将在 runs/detect/train 目录生成结果文件，包括：

• results.png：损失曲线和 mAP 曲线；
• weights/best.pt：最佳模型权重；
• confusion_matrix.png：混淆矩阵分析图。

若 mAP@0.5 达到 90% 以上，即可用于部署。

在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在runs/目录下，具体内容如下：

image-20250907223707673

3.4检测结果识别

使用 PyTorch 推理接口加载模型：

import cv2
from ultralytics import YOLO
import torch
from torch.serialization import safe_globals
from ultralytics.nn.tasks import DetectionModel

# 加入可信模型结构
safe_globals().add(DetectionModel)

# 加载模型并推理
model = YOLO('runs/detect/train/weights/best.pt')
results = model('test.jpg', save=True, conf=0.25)

# 获取保存后的图像路径
# 默认保存到 runs/detect/predict/ 目录
save_path = results[0].save_dir / results[0].path.name

# 使用 OpenCV 加载并显示图像
img = cv2.imread(str(save_path))
cv2.imshow('Detection Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

预测结果包含类别、置信度、边框坐标等信息。

image-20250907223750289

四.YOLOV8+YOLOUI完整源码打包

本文涉及到的完整全部程序文件：包括python源码、数据集、训练代码、UI文件、测试图片视频等（见下图），获取方式见【4.2 完整源码下载】：

4.1 项目开箱即用

作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。

运行项目只需输入下面命令。

python main.py

读者也可自行配置训练集，或使用打包好的数据集直接训练。

自行训练项目只需输入下面命令。

yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001

4.2 完整源码

至项目实录视频下方获取：https://www.bilibili.com/video/BV1SwHyzLENA/

image-20250801135823301

包含：

📦完整项目源码

📦 预训练模型权重

🗂️ 数据集地址（含标注脚本）

总结

基于YOLOv8的粉尘污染检测系统，通过深度学习与计算机视觉技术，实现了工业环境中粉尘颗粒的高效、实时检测。系统不仅提供完整的数据集、训练代码和预训练权重，还集成了PyQt5可视化界面，使用户能够方便地进行图像或视频检测、实时监控和结果统计。该项目兼顾精度与效率，支持快速部署，为工业安全管理和环境监测提供了可靠、开箱即用的解决方案。