基于深度学习的救援过程识别系统
作者：王海滨

一、系统简介
本系统是基于深度学习YOLOv8模型开发的救援过程识别系统，可以实时识别救援场景中的"已救援"和"救援中"两种状态，为救援工作提供智能辅助决策支持。系统支持自定义数据集训练，可根据实际需求扩展识别类别。

二、环境配置
1. 操作系统：Windows 10/11
2. Python版本：3.8及以上
3. 依赖库：
   - PyQt5
   - OpenCV (cv2)
   - Ultralytics (YOLOv8)
   - Torch
   - Numpy
   - PIL

三、安装说明
1. 安装Python环境（建议使用Anaconda）
2. 运行installPackages.py安装所需依赖：
   python installPackages.py
3. 确保models文件夹中包含训练好的模型文件best.pt

四、使用说明
1. 启动系统：
   python MainProgram.py

2. 功能模块：
   a) 图片检测：
      - 点击"图片"按钮，选择需要检测的图片
      - 系统将自动识别图片中的救援状态并显示结果
   
   b) 视频检测：
      - 点击"视频"按钮，选择需要检测的视频文件
      - 系统将逐帧分析视频中的救援状态并显示结果
   
   c) 摄像头实时检测：
      - 点击"摄像头"按钮，开启摄像头实时检测
      - 系统将实时分析摄像头捕获的画面并显示救援状态
   
   d) 批量图片检测：
      - 点击文件夹图标，选择包含多张图片的文件夹
      - 系统将批量处理文件夹中的所有图片并显示结果

3. 结果查看：
   - 检测结果将在右侧面板显示，包括目标类别、置信度和位置信息
   - 底部表格显示所有检测到的目标详细信息
   - 可通过下拉菜单选择特定目标查看详情

4. 结果保存：
   - 点击"保存"按钮可将检测结果（包含标注的图片或视频）保存到save_data文件夹

五、注意事项
1. 首次运行时，系统会自动下载YOLOv8模型权重文件，请确保网络连接正常
2. 处理大型视频文件时可能需要较长时间，请耐心等待
3. 如遇到GPU内存不足问题，可尝试降低视频分辨率或使用CPU模式

六、常见问题
1. Q: 系统无法启动？
   A: 请检查Python环境和依赖库是否正确安装，确保models文件夹中包含模型文件

2. Q: 检测结果不准确？
   A: 可能是由于光线、角度等因素影响，尝试调整拍摄环境或使用更高质量的图像

3. Q: 视频处理速度慢？
   A: 视频处理需要较高的计算资源，建议使用配置较高的计算机或降低视频分辨率

七、自定义标注与训练
1. 数据准备：
   - 收集与目标场景相似的图片（建议300张以上）
   - 使用标注工具（如LabelImg）对图片进行标注
   - 标注格式为YOLO格式（每个标注对应一个.txt文件）

2. 数据集组织：
   - 在datasets目录下创建自定义数据集文件夹（如MyData）
   - 创建train和val两个子文件夹，分别存放训练集和验证集
   - 每个子文件夹下创建images和labels两个文件夹
   - 将图片放入images文件夹，对应标注放入labels文件夹

3. 创建配置文件：
   - 在数据集根目录创建data.yaml文件
   - 配置文件内容示例：
     ```
     train: 数据集路径/train/images
     val: 数据集路径/val/images
     nc: 2  # 类别数量
     names: ['已救援', '救援中']  # 类别名称
     ```

4. 训练模型：
   - 修改train.py中的数据集路径和参数
   - 运行训练脚本：python train.py
   - 训练完成后，模型将保存在runs/detect/train/weights目录下

5. 使用自定义模型：
   - 将训练好的best.pt复制到models文件夹
   - 修改Config.py中的模型路径和类别名称
   - 重启系统即可使用自定义模型进行识别

八、联系方式
如有任何问题或建议，请联系：17705812500
作者：王海滨