基于YOLOv8的X光安检图像智能检测系统：八类违禁品/可疑物精准识别与实战部署
源码包含：完整YOLOv8训练代码+数据集(带标注)+权重文件+直接可允许检测的yolo检测程序+直接部署教程/训练教程
项目摘要
本项目集成了 YOLOv8 违禁品检测模型 与 PyQt5 图形化界面工具，实现：
- 支持输入方式：单图像 / 文件夹 / 视频流 / 摄像头
- 检测目标：八类常见安检违禁品/可疑物
- 输出内容：检测框、类别名称、置信度
- UI界面美观实用，支持一键检测和保存结果
- 附完整训练 + 部署教程，助你快速搭建属于自己的X光安检识别系统
前言
在机场、地铁、物流等公共安全场所，X光安检图像的人工识别存在耗时长、易漏检、人员依赖度高等问题。随着人工智能技术的发展，基于目标检测算法的智能安检系统逐渐成为主流解决方案。
本项目基于最新的YOLOv8深度学习模型，构建了一套轻量、高效、可视化的 X光安检图像智能检测系统，可精准识别电池、刀具、打火机等八类常见违禁品/可疑物，结合图形界面，支持一键识别与部署，大幅提升安检自动化水平。
一、软件核心功能介绍及效果演示
本项目功能设计以“易用 + 实战”为核心，结合PyQt5界面和YOLOv8模型实现如下能力：
✅ 1. 多输入方式支持
- 单张图像检测
- 整个文件夹批量检测
- 视频流检测（支持MP4等格式）
- 摄像头实时检测
✅ 2. 八类违禁品检测
- 类别包括：
电池、刀、打火机、塑料瓶、压力容器、剪刀、封条、闪存盘 - 可根据置信度阈值自定义筛选
✅ 3. 检测结果直观展示
- 界面显示原始图 + 检测框 + 类别 + 置信度
- 支持结果保存（截图/视频导出）
✅ 4. 模型训练与热更新
- 提供完整YOLOv8训练流程及数据标注格式
- 可根据用户数据进行二次训练，实现快速模型更新
✅ 5. 可视化界面友好
- 基于PyQt5开发
- 界面按钮清晰、一键式操作，适合零基础用户上手
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：
（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。
（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：
（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。
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。
YOLOv8原理图如下：
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）：
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：
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。
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
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
总结
本项目通过集成YOLOv8目标检测模型与PyQt5图形界面，构建了一个实用、高效、可扩展的X光安检智能检测系统，实现了对八类违禁品/可疑物的精准识别，具有以下核心优势：
- 📦 开箱即用：源码、模型、数据集与部署教程一应俱全
- 🧠 算法先进：采用YOLOv8，精度高、速度快、适应性强
- 💻 界面友好：PyQt5可视化交互，支持图像/视频/摄像头多输入
- 🔁 可持续迭代：支持自定义数据集训练与模型更新
无论你是人工智能学习者，还是安检系统开发者，本项目都能为你提供一套完整的技术解决方案与实战落地参考。
