基于深度学习的35种鸟类检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)

# -*- coding: utf-8 -*- """ 该脚本用于执行YOLO模型的训练。  它会自动处理以下任务： 1. 动态修改数据集配置文件 (data.yaml)，将相对路径更新为绝对路径，以确保训练时能正确找到数据。 2. 从 'pretrained' 文件夹加载指定的预训练模型。 3. 使用预设的参数（如epochs, imgsz, batch）启动训练过程。  要开始训练，只需直接运行此脚本。 """ import os import yaml from pathlib import Path from ultralytics import YOLO  def main():     """     主训练函数。          该函数负责执行YOLO模型的训练流程，包括：     1. 配置预训练模型。     2. 动态修改数据集的YAML配置文件，确保路径为绝对路径。     3. 加载预训练模型。     4. 使用指定参数开始训练。     """     # --- 1. 配置模型和路径 ---          # 要训练的模型列表     models_to_train = [         {'name': 'yolov5nu.pt', 'train_name': 'train_yolov5nu'},         {'name': 'yolov8n.pt', 'train_name': 'train_yolov8n'},         {'name': 'yolo11n.pt', 'train_name': 'train_yolo11n'},         {'name': 'yolo12n.pt', 'train_name': 'train_yolo12n'}     ]          # 获取当前工作目录的绝对路径，以避免相对路径带来的问题     current_dir = os.path.abspath(os.getcwd())          # --- 2. 动态配置数据集YAML文件 ---          # 构建数据集yaml文件的绝对路径     data_yaml_path = os.path.join(current_dir, 'train_data', 'data.yaml')          # 读取原始yaml文件内容     with open(data_yaml_path, 'r', encoding='utf-8') as f:         data_config = yaml.safe_load(f)          # 将yaml文件中的 'path' 字段修改为数据集目录的绝对路径     # 这是为了确保ultralytics库能正确定位到训练、验证和测试集     data_config['path'] = os.path.join(current_dir, 'train_data')          # 将修改后的配置写回yaml文件     with open(data_yaml_path, 'w', encoding='utf-8') as f:         yaml.dump(data_config, f, default_flow_style=False, allow_unicode=True)          # --- 3. 循环训练每个模型 ---          for model_info in models_to_train:         model_name = model_info['name']         train_name = model_info['train_name']                  print(f"n{'='*60}")         print(f"开始训练模型: {model_name}")         print(f"训练名称: {train_name}")         print(f"{'='*60}")                  # 构建预训练模型的完整路径         pretrained_model_path = os.path.join(current_dir, 'pretrained', model_name)         if not os.path.exists(pretrained_model_path):             print(f"警告: 预训练模型文件不存在: {pretrained_model_path}")             print(f"跳过模型 {model_name} 的训练")             continue                  try:             # 加载指定的预训练模型             model = YOLO(pretrained_model_path)                          # --- 4. 开始训练 ---                          print(f"开始训练 {model_name}...")             # 调用train方法开始训练             model.train(                 data=data_yaml_path,  # 数据集配置文件                 epochs=100,           # 训练轮次                 imgsz=640,            # 输入图像尺寸                 batch=8,             # 每批次的图像数量                 name=train_name,      # 模型名称             )                          print(f"{model_name} 训练完成！")                      except Exception as e:             print(f"训练 {model_name} 时出现错误: {str(e)}")             print(f"跳过模型 {model_name}，继续训练下一个模型")             continue          print(f"n{'='*60}")     print("所有模型训练完成！")     print(f"{'='*60}")  if __name__ == "__main__":     # 当该脚本被直接执行时，调用main函数     main()