基于 YOLOv8 的口罩检测 Web 系统

一、项目简介

本项目基于 YOLOv8 实现口罩佩戴状态检测，并在原有 Python / PyQt 程序基础上提供本机 Web 使用方式。项目包含 Web 入口、图片视频摄像头检测、模型训练、训练结果可视化、模型文件管理和本地检测记录等能力，适用于校园、公共场所等口罩佩戴识别场景的课程设计与演示。

项目实际包含 web_main.py Web 服务入口、main.py 检测程序、train.py 训练脚本、visualize.py 训练结果可视化，以及 login_window.py、main_window.py 等桌面端界面文件；模型目录中提供 YOLOv8、YOLOv11、YOLO26 的基础权重和项目训练结果目录。

二、系统功能

1.1 用户端功能

本地登录与使用入口

系统保留本地账号登录能力，用户登录后进入识别管理页面。Web 端在本机浏览器访问，桌面端可通过 PyQt 窗口启动和使用，满足不同演示方式需求。

图片识别

用户可上传常见格式图片进行口罩佩戴检测。模型推理后在结果图中绘制目标框、类别名称和置信度，并统计检测目标数量、平均置信度、最高置信度和类别分布；结果图和 CSV 明细可用于保存或导出。

视频识别

用户可上传本地视频，系统按设定的抽帧步长执行逐帧检测。处理任务在后台完成，前端可查看任务进度；完成后查看结果视频、检测统计摘要和类别分布。

摄像头实时识别

浏览器可调用本机摄像头进行实时检测，页面动态叠加识别框和统计信息。用户可开始、暂停识别并截图，摄像头会话可作为检测记录归档。

1.2 管理功能

检测历史管理

系统记录图片、视频和摄像头三类检测任务的时间、类型和统计信息。用户可按关键词查询历史、查看详情、导出 CSV 明细或清空历史；历史记录侧重保存检测数据而非重复保存原始媒体文件。

模型加载与参数调整

系统可加载项目内已有权重，或上传兼容模型文件后切换当前检测模型。用户可调整置信度阈值 conf、交并比阈值 iou 和最大检测数量 max_det，图片、视频和摄像头识别共用当前模型配置。

模型训练与结果查看

train.py 用于基于数据集训练检测模型，visualize.py 用于查看训练结果。系统可读取训练过程中的 Precision、Recall、mAP 等指标及结果图表，便于对不同训练结果进行比较。

三、技术栈

层级	技术	说明
检测模型	YOLOv8、Ultralytics	口罩佩戴状态目标检测
后端与服务	Python、FastAPI、Uvicorn	本机 Web 检测服务
桌面端	PyQt6	本地登录与窗口界面
图像处理	OpenCV、NumPy	图片、视频帧处理
数据处理	Pandas、Matplotlib	统计明细与训练结果可视化
深度学习	PyTorch、Torchvision	模型加载与训练

四、项目结构

c213/
├── web_main.py                     # Web 服务与页面入口
├── main.py                         # 检测程序入口
├── login_window.py                 # PyQt 登录窗口
├── main_window.py                  # PyQt 主界面
├── train.py                        # YOLO 模型训练脚本
├── visualize.py                    # 训练结果可视化脚本
├── requirements.txt                # Python 依赖
├── data/                           # 数据集与配置
├── train/                          # 训练相关目录
├── web_models/                     # Web 端模型文件管理目录
├── yolov8n.pt、yolo11n.pt、yolo26n.pt # 基础模型权重
└── 数据集说明.md

五、环境要求

Python 3.9+
PyTorch、Ultralytics、OpenCV
FastAPI、Uvicorn、python-multipart
可选：本机摄像头

六、模型与数据准备

项目数据集和配置位于 data 目录，训练脚本使用相应的数据配置训练模型。可将训练得到的最佳权重放入项目模型目录或通过 Web 模型管理功能加载；基础权重文件可用于初始化训练或检测。

七、系统启动

pip install -r requirements.txt
python web_main.py

启动后在浏览器访问服务页面即可进行图片、视频或摄像头识别。

八、模型训练

python train.py

训练后可运行：

python visualize.py

查看训练指标与图表。

九、默认账号

项目使用本地账号数据，未提供可确认的默认账号。

十、业务流程说明

9.1 图片、视频与摄像头识别流程

用户选择图片、视频或摄像头输入，并选定当前模型和检测阈值。系统读取媒体数据，调用 YOLO 模型推理，生成目标框、类别和置信度结果；图片立即返回结果，视频任务按帧处理并反馈进度，摄像头持续展示实时结果。

检测完成后，系统保存任务类型和统计数据，用户可查看历史记录或导出识别明细。

9.2 模型训练与部署流程

用户准备数据集后运行训练脚本，训练过程产生模型权重和指标文件。通过可视化脚本或 Web 训练结果页面查看 Precision、Recall、mAP 等指标，选择合适权重加载到模型管理模块，供后续各类识别任务使用。

十一、交付内容

Web、PyQt 桌面端、训练与可视化完整源码。
数据集说明、训练配置和模型权重文件。
项目说明文档，包含检测功能、环境和启动步骤。

本项目为个人原创，结构清晰，功能完整，适合课程设计、毕业设计和个人学习使用。如需购买项目成品或定制化需求可以联系作者。