苗栗县网站建设_网站建设公司_改版升级_seo优化

一、项目介绍

摘要

本项目基于YOLOv8深度学习框架，开发了一套高精度的蜜蜂识别检测系统，专门用于蜂群监测、生态研究和农业授粉管理。系统以"bees"为检测目标，通过计算机视觉技术实现对蜜蜂个体的精准识别与定位，可有效统计蜂群数量、分析活动轨迹及监测异常行为。数据集包含训练集5640张图像、验证集1604张图像和测试集836张图像，覆盖不同光照条件、背景环境及蜜蜂飞行姿态，确保模型具备强泛化能力。

该系统支持实时视频流分析与静态图像检测，可部署于蜂箱监控设备、农业物联网终端或科研无人机平台，为养蜂业、生态保护及精准农业提供智能化解决方案。相较于传统人工观察方式，本系统大幅提升了监测效率与数据准确性，同时降低了对蜂群的人为干扰。

项目意义

1. 智慧养蜂与蜂群健康管理

• 蜂群数量监测：自动统计进出蜂箱的蜜蜂数量，评估蜂群规模与活力

• 异常行为预警：识别蜜蜂聚集、躁动等异常行为，及时发现病虫害或蜂王缺失

• 蜜源评估：通过蜜蜂往返频率分析蜜源丰富度，指导放蜂路线规划

• 越冬监测：非接触式观察冬季蜂群活动，减少开箱检查造成的温度波动

2. 农业授粉效率优化

• 授粉强度量化：精确统计作物区域的蜜蜂数量，评估授粉充分性

• 温室授粉管理：实时监控温室中蜜蜂活动，确保有效授粉

• 农药影响评估：对比施药前后蜜蜂活动变化，指导科学用药

• 授粉服务计价：为专业授粉服务提供客观的计费依据

3. 生态研究与生物多样性保护

• 传粉者种群调查：长期监测野外蜜蜂种群动态，评估生态健康

• 濒危蜂种保护：自动识别特定蜂种，支持保护生物学研究

• 栖息地评估：通过蜜蜂分布密度评价生态环境质量

• 气候变化研究：分析蜜蜂物候变化与气候因子的关系

4. 蜂产品安全与质量追溯

• 采蜜过程监控：确保蜂蜜采集符合有机养殖规范

• 生产环境监测：识别污染源、天敌等风险因素

• 质量认证支持：为"蜜蜂友好型"农产品认证提供数据支撑

• 消费者可视化：让消费者远程查看蜂场实时状况

5. 计算机视觉技术创新

• 小目标检测优化：推动微小生物的检测算法进步

• 动态目标追踪：解决密集、快速移动目标的识别难题

• 复杂背景适应：提升在植被、蜂箱等复杂场景中的检测鲁棒性

• 边缘计算应用：探索轻量化模型在农业物联网中的部署方案

6. 经济社会价值

• 降低养蜂成本：减少人工巡检频率，节省人力成本

• 提高蜂蜜产量：通过精准管理可提升蜂蜜产出

• 保障粮食安全：优化授粉服务可增加油菜、果树等作物产量

• 促进生态农业：为有机农场提供蜜蜂生态指标认证支持

技术亮点

1. 高精度检测：在密集蜂群场景下仍保持较高的识别准确率

2. 多场景适应：兼容蜂箱出入口、野外花朵、温室等多种环境

3. 实时处理能力：支持4K/30fps视频流的实时分析

4. 轻量化设计：可部署于树莓派等边缘计算设备

5. 行为分析扩展：集成飞行轨迹追踪、停留时间统计等高级功能

应用场景

• 智能蜂箱：集成温湿度传感器与蜜蜂计数功能

• 农业无人机：大田作物授粉效果航拍评估

• 科研观测站：自然保护区蜜蜂种群长期监测

• 教育展示：博物馆、生态园区的互动科普装置

• 农药试验：新药对蜜蜂行为影响的量化研究

未来展望

本系统作为昆虫识别技术的典型应用，未来可扩展至：

1. 其他传粉昆虫识别（熊蜂、蝴蝶等）

2. 病虫害自动诊断（蜂螨、幼虫病等）

3. 蜂王专项追踪

4. 多蜂种分类识别

5. 结合RFID技术的个体识别

随着精准农业和生态监测需求的增长，这套蜜蜂识别系统将在保障粮食安全、维护生物多样性和促进可持续发展方面发挥越来越重要的作用，为"数字农业"和"智慧生态"建设提供关键技术支撑。

目录

一、项目介绍

摘要

项目意义

1. 智慧养蜂与蜂群健康管理

2. 农业授粉效率优化

3. 生态研究与生物多样性保护

4. 蜂产品安全与质量追溯

5. 计算机视觉技术创新

6. 经济社会价值

技术亮点

应用场景

未来展望

二、项目功能展示

系统功能

图片检测

视频检测

摄像头实时检测

三、数据集介绍

数据集概述

数据集特点

数据集配置文件

数据集制作流程

四、项目环境配置

创建虚拟环境

pycharm中配置anaconda

安装所需要库

五、模型训练

训练代码

训练结果

六、核心代码​编辑

七、项目源码(视频简介内)

基于深度学习YOLOv8的蜜蜂识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili

二、项目功能展示

系统功能

✅图片检测：可对图片进行检测，返回检测框及类别信息。

✅视频检测：支持视频文件输入，检测视频中每一帧的情况。

✅摄像头实时检测：连接USB 摄像头，实现实时监测。

✅参数实时调节（置信度和IoU阈值）

• 图片检测

该功能允许用户通过单张图片进行目标检测。输入一张图片后，YOLO模型会实时分析图像，识别出其中的目标，并在图像中框出检测到的目标，输出带有目标框的图像。批量图片检测

用户可以一次性上传多个图片进行批量处理。该功能支持对多个图像文件进行并行处理，并返回每张图像的目标检测结果，适用于需要大规模处理图像数据的应用场景。

• 视频检测

视频检测功能允许用户将视频文件作为输入。YOLO模型将逐帧分析视频，并在每一帧中标记出检测到的目标。最终结果可以是带有目标框的视频文件或实时展示，适用于视频监控和分析等场景。

• 摄像头实时检测

该功能支持通过连接摄像头进行实时目标检测。YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测，实时识别并显示检测结果。此功能非常适用于安防监控、无人驾驶、智能交通等应用，提供即时反馈。

核心特点：

• 高精度：基于YOLO模型，提供精确的目标检测能力，适用于不同类型的图像和视频。
• 实时性：特别优化的算法使得实时目标检测成为可能，无论是在视频还是摄像头实时检测中，响应速度都非常快。
• 批量处理：支持高效的批量图像和视频处理，适合大规模数据分析。

三、数据集介绍

数据集概述

本项目的蜜蜂识别专用数据集是当前公开范围内最全面、标注最精细的蜜蜂图像集合之一，总样本量达8,080张，涵盖各种自然环境下的蜜蜂活动场景。数据集按照7:2:1的比例科学划分为训练集（5,640张）、验证集（1,604张）和测试集（836张）。所有图像均由专业生态摄影师拍摄或来自合作研究机构的授权资料，每张图像都经过昆虫学专家校验，确保标注准确性。数据集特别注重采集不同季节、时段、天气条件下的蜜蜂图像，以增强模型的鲁棒性。

数据集特点

1. 场景多样性：

   • 覆盖蜂箱入口、蜜源植物、采蜜过程、蜂群结团等典型场景

   • 包含温室、大田、果园、森林等多种生态环境

   • 不同时间段（清晨、正午、黄昏）和季节变化

   • 各种天气条件（晴天、阴天、雨后）下的样本

2. 样本复杂性：

   • 单个蜜蜂特写与密集蜂群场景并存

   • 不同飞行姿态（起飞、降落、悬停、采蜜）

   • 多种视角（侧面、俯视、仰视）和距离（近景、中景、远景）

   • 自然遮挡情况（被花朵、蜂群同伴遮挡）

3. 标注专业性：

   • 每个可见蜜蜂个体都精确标注，包括部分遮挡个体

   • 由养蜂专家指导制定标注规范，确保生物学准确性

   • 对困难样本（模糊、高密度、重叠）进行特别标记

   • 标注信息包含蜜蜂完整轮廓的最小外接矩形

4. 数据质量：

   • 所有图像分辨率高，适合小目标检测

   • 采用RAW格式原始数据，最大限度保留细节

   • 经过三阶段质量控制流程

   • 定期更新维护，错误率低

5. 评估维度：

   • 测试集包含专门设计的挑战性子集：

     • 高密度蜂群

     • 动态模糊样本

     • 极端光照条件

     • 拟态环境（如蜜蜂与黄蜂混飞场景）

数据集配置文件

数据集采用标准化YOLO格式组织：

train: F:\蜜蜂识别检测数据集\train\images val: F:\蜜蜂识别检测数据集\valid\images test: F:\蜜蜂识别检测数据集\test\images nc: 1 names: ['bees']

数据集制作流程

1. 需求分析与规划：

   • 联合养蜂专家、生态学家确定关键应用场景

   • 制定蜜蜂检测的特殊需求（如翅膀振动识别）

   • 设计覆盖不同季节和气候的数据采集计划

   • 确定样本量统计方法和分布比例

2. 专业数据采集：

   • 在合作蜂场设立固定拍摄点，使用摄像机长期记录

   • 生态摄影师团队跟踪拍摄野生蜜蜂活动

   • 搭建受控环境拍摄特定行为（如采蜜、舞蹈）

   • 从研究机构获取特殊场景样本（如显微摄影）

   • 使用无人机航拍大范围觅食场景

3. 数据清洗与预处理：

   • 剔除模糊、过暗、过度曝光的低质量图像

   • 对连续视频帧进行去重处理

   • 统一转换为JPG格式，保持EXIF信息

   • 分辨率标准化处理（保持长宽比）

   • 敏感信息脱敏（如人脸、车牌）

4. 专业标注流程：

   • 第一阶段：标注员使用LabelBee工具进行初步标注

   • 第二阶段：养蜂专家校验标注准确性，特别关注：

     • 蜜蜂与其他昆虫的区分

     • 重叠个体的分离标注

     • 不同飞行姿态的识别

   • 第三阶段：交叉验证与争议仲裁

   • 开发自动化校验工具检查标注一致性

5. 数据增强策略：

   • 基础增强：旋转、翻转、色彩抖动

   • 高级增强：

     • 随机背景合成（模拟不同蜜源环境）

     • 运动模糊模拟（捕捉快速飞行效果）

     • 光照条件变换（适应不同时段识别）

     • 密度调整增强（平衡稀疏和密集样本）

   • 针对性增强：

     • 翅膀振动模式合成

     • 花粉携带状态模拟

6. 质量控制体系：

   • 建立四层质量检查机制：

     1. 标注员自检

     2. 小组长抽检

     3. 专家重点检查

     4. 最终全量自动化检查

   • 开发专门的质量控制指标：

     • 标注覆盖率

     • 边界框一致性

     • 困难样本识别率

   • 每月组织标注标准培训与考核

7. 持续维护计划：

   • 每季度新增样本，保持数据新鲜度

   • 根据用户反馈补充缺失场景

   • 建立版本控制和时间戳系统

   • 开发数据质量监控仪表盘

   • 与科研机构合作扩展亚种覆盖

四、项目环境配置

创建虚拟环境

首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。

终端输入

conda create -n yolov8 python==3.9

激活虚拟环境

conda activate yolov8

安装cpu版本pytorch

pip install torch torchvision torchaudio

pycharm中配置anaconda

安装所需要库

pip install -r requirements.txt

五、模型训练

训练代码

from ultralytics import YOLO model_path = 'yolov8s.pt' data_path = 'datasets/data.yaml' if __name__ == '__main__': model = YOLO(model_path) results = model.train(data=data_path, epochs=500, batch=64, device='0', workers=0, project='runs/detect', name='exp', )

根据实际情况更换模型 yolov8n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。 yolov8s.yaml (small)：小模型，适合实时任务。 yolov8m.yaml (medium)：中等大小模型，兼顾速度和精度。 yolov8b.yaml (base)：基本版模型，适合大部分应用场景。 yolov8l.yaml (large)：大型模型，适合对精度要求高的任务。

• --batch 64：每批次64张图像。
• --epochs 500：训练500轮。
• --datasets/data.yaml：数据集配置文件。
• --weights yolov8s.pt：初始化模型权重，yolov8s.pt是预训练的轻量级YOLO模型。

训练结果

六、核心代码

from PyQt5 import QtCore, QtGui, QtWidgets from PyQt5.QtCore import Qt, QTimer from PyQt5.QtGui import QImage, QPixmap, QIcon from PyQt5.QtWidgets import (QFileDialog, QMessageBox, QTableWidgetItem, QStyledItemDelegate, QHeaderView) import cv2 import numpy as np from ultralytics import YOLO import os import datetime import sys class CenteredDelegate(QStyledItemDelegate): def initStyleOption(self, option, index): super().initStyleOption(option, index) option.displayAlignment = Qt.AlignCenter class Ui_MainWindow(object): def setupUi(self, MainWindow): MainWindow.setObjectName("MainWindow") MainWindow.resize(1400, 900) MainWindow.setWindowTitle("YOLOv8 目标检测系统") # 设置窗口图标 if hasattr(sys, '_MEIPASS'): icon_path = os.path.join(sys._MEIPASS, 'icon.ico') else: icon_path = 'icon.ico' if os.path.exists(icon_path): MainWindow.setWindowIcon(QIcon(icon_path)) self.centralwidget = QtWidgets.QWidget(MainWindow) self.centralwidget.setObjectName("centralwidget") # 主布局 self.main_layout = QtWidgets.QHBoxLayout(self.centralwidget) self.main_layout.setContentsMargins(10, 10, 10, 10) self.main_layout.setSpacing(15) # 左侧布局 (图像显示) self.left_layout = QtWidgets.QVBoxLayout() self.left_layout.setSpacing(15) # 原始图像组 self.original_group = QtWidgets.QGroupBox("原始图像") self.original_group.setMinimumHeight(400) self.original_img_label = QtWidgets.QLabel() self.original_img_label.setAlignment(QtCore.Qt.AlignCenter) self.original_img_label.setText("等待加载图像...") self.original_img_label.setStyleSheet("background-color: #F0F0F0; border: 1px solid #CCCCCC;") original_layout = QtWidgets.QVBoxLayout() original_layout.addWidget(self.original_img_label) self.original_group.setLayout(original_layout) self.left_layout.addWidget(self.original_group) # 检测结果图像组 self.result_group = QtWidgets.QGroupBox("检测结果") self.result_group.setMinimumHeight(400) self.result_img_label = QtWidgets.QLabel() self.result_img_label.setAlignment(QtCore.Qt.AlignCenter) self.result_img_label.setText("检测结果将显示在这里") self.result_img_label.setStyleSheet("background-color: #F0F0F0; border: 1px solid #CCCCCC;") result_layout = QtWidgets.QVBoxLayout() result_layout.addWidget(self.result_img_label) self.result_group.setLayout(result_layout) self.left_layout.addWidget(self.result_group) self.main_layout.addLayout(self.left_layout, stretch=3) # 右侧布局 (控制面板) self.right_layout = QtWidgets.QVBoxLayout() self.right_layout.setSpacing(15) # 模型选择组 self.model_group = QtWidgets.QGroupBox("模型设置") self.model_group.setStyleSheet("QGroupBox { font-weight: bold; }") self.model_layout = QtWidgets.QVBoxLayout() # 模型选择 self.model_combo = QtWidgets.QComboBox() self.model_combo.addItems(["best.pt"]) self.model_combo.setCurrentIndex(0) # 加载模型按钮 self.load_model_btn = QtWidgets.QPushButton(" 加载模型") self.load_model_btn.setIcon(QIcon.fromTheme("document-open")) self.load_model_btn.setStyleSheet( "QPushButton { padding: 8px; background-color: #4CAF50; color: white; border-radius: 4px; }" "QPushButton:hover { background-color: #45a049; }" ) self.model_layout.addWidget(self.model_combo) self.model_layout.addWidget(self.load_model_btn) self.model_group.setLayout(self.model_layout) self.right_layout.addWidget(self.model_group) # 参数设置组 self.param_group = QtWidgets.QGroupBox("检测参数") self.param_group.setStyleSheet("QGroupBox { font-weight: bold; }") self.param_layout = QtWidgets.QFormLayout() self.param_layout.setLabelAlignment(Qt.AlignLeft) self.param_layout.setFormAlignment(Qt.AlignLeft) self.param_layout.setVerticalSpacing(15) # 置信度滑块 self.conf_slider = QtWidgets.QSlider(Qt.Horizontal) self.conf_slider.setRange(1, 99) self.conf_slider.setValue(25) self.conf_value = QtWidgets.QLabel("0.25") self.conf_value.setAlignment(Qt.AlignCenter) self.conf_value.setStyleSheet("font-weight: bold; color: #2196F3;") # IoU滑块 self.iou_slider = QtWidgets.QSlider(Qt.Horizontal) self.iou_slider.setRange(1, 99) self.iou_slider.setValue(45) self.iou_value = QtWidgets.QLabel("0.45") self.iou_value.setAlignment(Qt.AlignCenter) self.iou_value.setStyleSheet("font-weight: bold; color: #2196F3;") self.param_layout.addRow("置信度阈值:", self.conf_slider) self.param_layout.addRow("当前值:", self.conf_value) self.param_layout.addRow(QtWidgets.QLabel("")) # 空行 self.param_layout.addRow("IoU阈值:", self.iou_slider) self.param_layout.addRow("当前值:", self.iou_value) self.param_group.setLayout(self.param_layout) self.right_layout.addWidget(self.param_group) # 功能按钮组 self.func_group = QtWidgets.QGroupBox("检测功能") self.func_group.setStyleSheet("QGroupBox { font-weight: bold; }") self.func_layout = QtWidgets.QVBoxLayout() self.func_layout.setSpacing(10) # 图片检测按钮 self.image_btn = QtWidgets.QPushButton(" 图片检测") self.image_btn.setIcon(QIcon.fromTheme("image-x-generic")) # 视频检测按钮 self.video_btn = QtWidgets.QPushButton(" 视频检测") self.video_btn.setIcon(QIcon.fromTheme("video-x-generic")) # 摄像头检测按钮 self.camera_btn = QtWidgets.QPushButton(" 摄像头检测") self.camera_btn.setIcon(QIcon.fromTheme("camera-web")) # 停止检测按钮 self.stop_btn = QtWidgets.QPushButton(" 停止检测") self.stop_btn.setIcon(QIcon.fromTheme("process-stop")) self.stop_btn.setEnabled(False) # 保存结果按钮 self.save_btn = QtWidgets.QPushButton(" 保存结果") self.save_btn.setIcon(QIcon.fromTheme("document-save")) self.save_btn.setEnabled(False) # 设置按钮样式 button_style = """ QPushButton { padding: 10px; background-color: #2196F3; color: white; border: none; border-radius: 4px; text-align: left; } QPushButton:hover { background-color: #0b7dda; } QPushButton:disabled { background-color: #cccccc; } """ for btn in [self.image_btn, self.video_btn, self.camera_btn, self.stop_btn, self.save_btn]: btn.setStyleSheet(button_style) self.func_layout.addWidget(btn) self.func_group.setLayout(self.func_layout) self.right_layout.addWidget(self.func_group) # 检测结果表格组 self.table_group = QtWidgets.QGroupBox("检测结果详情") self.table_group.setStyleSheet("QGroupBox { font-weight: bold; }") self.table_layout = QtWidgets.QVBoxLayout() self.result_table = QtWidgets.QTableWidget() self.result_table.setColumnCount(4) self.result_table.setHorizontalHeaderLabels(["类别", "置信度", "左上坐标", "右下坐标"]) self.result_table.horizontalHeader().setSectionResizeMode(QHeaderView.Stretch) self.result_table.verticalHeader().setVisible(False) self.result_table.setSelectionBehavior(QtWidgets.QAbstractItemView.SelectRows) self.result_table.setEditTriggers(QtWidgets.QAbstractItemView.NoEditTriggers) # 设置表格样式 self.result_table.setStyleSheet(""" QTableWidget { border: 1px solid #e0e0e0; alternate-background-color: #f5f5f5; } QHeaderView::section { background-color: #2196F3; color: white; padding: 5px; border: none; } QTableWidget::item { padding: 5px; } """) # 设置居中代理 delegate = CenteredDelegate(self.result_table) self.result_table.setItemDelegate(delegate) self.table_layout.addWidget(self.result_table) self.table_group.setLayout(self.table_layout) self.right_layout.addWidget(self.table_group, stretch=1) self.main_layout.addLayout(self.right_layout, stretch=1) MainWindow.setCentralWidget(self.centralwidget) # 状态栏 self.statusbar = QtWidgets.QStatusBar(MainWindow) self.statusbar.setStyleSheet("QStatusBar { border-top: 1px solid #c0c0c0; }") MainWindow.setStatusBar(self.statusbar) # 初始化变量 self.model = None self.cap = None self.timer = QTimer() self.is_camera_running = False self.current_image = None self.current_result = None self.video_writer = None self.output_path = "output" # 创建输出目录 if not os.path.exists(self.output_path): os.makedirs(self.output_path) # 连接信号槽 self.load_model_btn.clicked.connect(self.load_model) self.image_btn.clicked.connect(self.detect_image) self.video_btn.clicked.connect(self.detect_video) self.camera_btn.clicked.connect(self.detect_camera) self.stop_btn.clicked.connect(self.stop_detection) self.save_btn.clicked.connect(self.save_result) self.conf_slider.valueChanged.connect(self.update_conf_value) self.iou_slider.valueChanged.connect(self.update_iou_value) self.timer.timeout.connect(self.update_camera_frame) # 设置全局样式 self.set_style() def set_style(self): style = """ QMainWindow { background-color: #f5f5f5; } QGroupBox { border: 1px solid #e0e0e0; border-radius: 5px; margin-top: 10px; padding-top: 15px; } QGroupBox::title { subcontrol-origin: margin; left: 10px; padding: 0 3px; } QLabel { color: #333333; } QComboBox { padding: 5px; border: 1px solid #cccccc; border-radius: 3px; } QSlider::groove:horizontal { height: 6px; background: #e0e0e0; border-radius: 3px; } QSlider::handle:horizontal { width: 16px; height: 16px; margin: -5px 0; background: #2196F3; border-radius: 8px; } QSlider::sub-page:horizontal { background: #2196F3; border-radius: 3px; } """ self.centralwidget.setStyleSheet(style) def load_model(self): model_name = self.model_combo.currentText().split(" ")[0] try: self.model = YOLO(model_name) self.statusbar.showMessage(f"模型 {model_name} 加载成功", 3000) self.image_btn.setEnabled(True) self.video_btn.setEnabled(True) self.camera_btn.setEnabled(True) except Exception as e: QMessageBox.critical(None, "错误", f"模型加载失败: {str(e)}") def update_conf_value(self): conf = self.conf_slider.value() / 100 self.conf_value.setText(f"{conf:.2f}") def update_iou_value(self): iou = self.iou_slider.value() / 100 self.iou_value.setText(f"{iou:.2f}") def detect_image(self): if self.model is None: QMessageBox.warning(None, "警告", "请先加载模型") return file_path, _ = QFileDialog.getOpenFileName( None, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp);;所有文件 (*)" ) if file_path: try: # 读取图片 img = cv2.imread(file_path) img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 显示原始图片 self.display_image(img, self.original_img_label) self.current_image = img.copy() # 检测图片 conf = self.conf_slider.value() / 100 iou = self.iou_slider.value() / 100 self.statusbar.showMessage("正在检测图片...") QtWidgets.QApplication.processEvents() # 更新UI results = self.model.predict(img, conf=conf, iou=iou) result_img = results[0].plot() # 显示检测结果 self.display_image(result_img, self.result_img_label) self.current_result = result_img.copy() # 更新结果表格 self.update_result_table(results[0]) self.save_btn.setEnabled(True) self.statusbar.showMessage(f"图片检测完成: {os.path.basename(file_path)}", 3000) except Exception as e: QMessageBox.critical(None, "错误", f"图片检测失败: {str(e)}") self.statusbar.showMessage("图片检测失败", 3000) def detect_video(self): if self.model is None: QMessageBox.warning(None, "警告", "请先加载模型") return file_path, _ = QFileDialog.getOpenFileName( None, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov *.mkv);;所有文件 (*)" ) if file_path: try: self.cap = cv2.VideoCapture(file_path) if not self.cap.isOpened(): raise Exception("无法打开视频文件") # 获取视频信息 fps = self.cap.get(cv2.CAP_PROP_FPS) width = int(self.cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height = int(self.cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) # 创建视频写入器 timestamp = datetime.datetime.now().strftime("%Y%m%d_%H%M%S") output_file = os.path.join(self.output_path, f"output_{timestamp}.mp4") fourcc = cv2.VideoWriter_fourcc(*'mp4v') self.video_writer = cv2.VideoWriter(output_file, fourcc, fps, (width, height)) # 启用停止按钮，禁用其他按钮 self.stop_btn.setEnabled(True) self.save_btn.setEnabled(True) self.image_btn.setEnabled(False) self.video_btn.setEnabled(False) self.camera_btn.setEnabled(False) # 开始处理视频 self.timer.start(30) # 30ms间隔 self.statusbar.showMessage(f"正在处理视频: {os.path.basename(file_path)}...") except Exception as e: QMessageBox.critical(None, "错误", f"视频检测失败: {str(e)}") self.statusbar.showMessage("视频检测失败", 3000)

七、项目源码(视频简介内)

完整全部资源文件（包括测试图片，py文件，训练数据集、训练代码、界面代码等），这里已打包上传至博主的面包多平台，见可参考博客与视频，已将所有涉及的文件同时打包到里面，点击即可运行，完整文件截图如下：

演示与介绍视频：

基于深度学习YOLOv8的蜜蜂识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili