摘要本研究提出并实现了一套基于YOLO26You Only Look Once架构的玉米田杂草智能识别检测系统旨在解决传统农业中杂草与作物识别效率低下的问题。该系统针对玉米种植环境构建了一个包含5类目标的数据集其中训练集4971张验证集312张。实验结果表明模型在综合指标上表现优异整体mailto:mAP0.5达到0.746。其中“杂草”类别的检测精度极高mailto:mAP0.50.988。该系统为精准农业中的自动化除草与作物监测提供了可行的技术方案。详细功能展示视频https://www.bilibili.com/video/BV15gd2BtEES/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV15gd2BtEES/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV15gd2BtEES/目录摘要详细功能展示视频功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块引言背景1. 现代农业面临的挑战2. 精准农业与智能识别的需求3. 目标检测技术在农业中的应用4. 研究现状与挑战数据集介绍训练结果核心指标总结编辑编辑编辑Ultralytics YOLO26概述主要功能常用标注工具详细功能展示视频功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅参数实时调节置信度和IoU阈值✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅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。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查引言随着现代农业向智能化、精准化方向发展利用计算机视觉技术实现农田环境的自动感知与决策已成为研究热点。在玉米种植过程中杂草与作物的竞争严重影响产量传统的人工除草或广谱喷药方式不仅成本高昂还可能对环境和作物本身造成损害。因此开发一种能够实时、准确区分玉米与杂草的智能检测系统对于实现“精准喷施”和“变量除草”具有重要意义。YOLO作为一种单阶段目标检测算法以其速度快、精度高的特点在实时检测任务中表现出色。本研究基于改进的YOLO模型构建了一套专门针对玉米田复杂环境的识别系统。该系统不仅能够识别主要作物“玉米”还能对多种杂草及其他干扰物进行分类检测为后续的农机自动化作业提供数据支持。背景1. 现代农业面临的挑战在全球人口增长与耕地资源有限的矛盾日益突出的背景下提高农业生产效率和资源利用率成为当务之急。杂草是影响玉米产量的主要生物胁迫因素之一它们与玉米争夺光照、水分和养分。据统计未加控制的杂草可导致玉米产量损失高达30%以上。目前主流的杂草防控手段仍以化学除草剂为主但由于长期使用不仅导致杂草抗药性增强还带来了土壤污染和生态破坏等副作用。2. 精准农业与智能识别的需求精准农业的核心在于“对症下药”和“按需供给”。在除草环节这意味着需要精准识别出每一株杂草的位置并仅对其施药同时保护作物不受伤害。这要求检测系统具备高精度、高实时性的特点能够在复杂的田间背景下如光照变化、遮挡、不同生长阶段稳定工作。3. 目标检测技术在农业中的应用近年来深度学习技术特别是卷积神经网络CNN在图像识别领域取得了突破性进展。YOLO系列算法因其单次前向传播即可完成检测的特性非常适合部署在边缘计算设备如无人机、农业机器人上。相比于传统的手工特征提取方法如SIFT、HOG基于深度学习的方法能够自动学习农作物与杂草在形态、纹理、颜色上的深层差异从而显著提升识别准确率。4. 研究现状与挑战尽管已有大量研究致力于作物与杂草的识别但在实际应用中仍面临诸多挑战类别混淆玉米幼苗与某些杂草如狗尾草、稗草在形态上高度相似容易导致误判。背景复杂田间环境多变土壤、阴影、其他作物的干扰增加了检测难度。数据不平衡数据集中不同类别的样本数量可能存在差异导致模型对少数类别的识别能力不足。本研究正是在上述背景下展开旨在通过构建高质量的数据集和优化YOLO26模型解决玉米田中杂草识别的痛点问题特别是针对识别难度较大的“玉米”本体进行重点分析与优化。数据集介绍本研究使用的数据集是专门为玉米田环境采集和标注的旨在模拟真实农业场景下的复杂情况。类别定义数据集共包含5个检测类别具体定义如下ji鸡作为田间干扰物或特定监测目标caodizaoshuhe草地上作物可能指特定的伴生作物或特定生长状态的植物shacao杂草主要检测目标li李指某种特定植物或误标需结合实际场景yumi玉米核心作物目标数据规模为了保证模型的泛化能力数据集划分如下训练集4971张图像。用于模型的参数学习和特征提取。验证集312张图像。训练结果核心指标总结首先我们来看最核心的性能指标表mailto:mAP0.5 (0.746)这是一个相当不错的指标意味着在IoU阈值为0.5的情况下模型的平均精度达到了74.6%。这表明模型整体上具备较强的检测能力。mailto:mAP0.5:0.95 (0.433)这个指标衡量了模型在不同IoU阈值从0.5到0.95下的鲁棒性。0.433的得分表明模型在要求更严格的高IoU下表现有所下降说明定位精度还有提升空间。各类别表现差异shacao (杂草):表现最好mailto:mAP0.5高达0.988几乎完美。caodizaoshuhe (草地上作物):表现优秀mailto:mAP0.5为0.955。li (李):表现中等mailto:mAP0.5为0.790。ji (鸡):表现尚可mailto:mAP0.5为0.727。Ultralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集成残差对数似然估计(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码详细功能展示视频https://www.bilibili.com/video/BV15gd2BtEES/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV15gd2BtEES/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV15gd2BtEES/
YOLO26实战：玉米与杂草检测，5类目标训练5000张图（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）
发布时间：2026/6/23 3:25:37
摘要本研究提出并实现了一套基于YOLO26You Only Look Once架构的玉米田杂草智能识别检测系统旨在解决传统农业中杂草与作物识别效率低下的问题。该系统针对玉米种植环境构建了一个包含5类目标的数据集其中训练集4971张验证集312张。实验结果表明模型在综合指标上表现优异整体mailto:mAP0.5达到0.746。其中“杂草”类别的检测精度极高mailto:mAP0.50.988。该系统为精准农业中的自动化除草与作物监测提供了可行的技术方案。详细功能展示视频https://www.bilibili.com/video/BV15gd2BtEES/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV15gd2BtEES/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV15gd2BtEES/目录摘要详细功能展示视频功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块引言背景1. 现代农业面临的挑战2. 精准农业与智能识别的需求3. 目标检测技术在农业中的应用4. 研究现状与挑战数据集介绍训练结果核心指标总结编辑编辑编辑Ultralytics YOLO26概述主要功能常用标注工具详细功能展示视频功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅参数实时调节置信度和IoU阈值✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅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。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查引言随着现代农业向智能化、精准化方向发展利用计算机视觉技术实现农田环境的自动感知与决策已成为研究热点。在玉米种植过程中杂草与作物的竞争严重影响产量传统的人工除草或广谱喷药方式不仅成本高昂还可能对环境和作物本身造成损害。因此开发一种能够实时、准确区分玉米与杂草的智能检测系统对于实现“精准喷施”和“变量除草”具有重要意义。YOLO作为一种单阶段目标检测算法以其速度快、精度高的特点在实时检测任务中表现出色。本研究基于改进的YOLO模型构建了一套专门针对玉米田复杂环境的识别系统。该系统不仅能够识别主要作物“玉米”还能对多种杂草及其他干扰物进行分类检测为后续的农机自动化作业提供数据支持。背景1. 现代农业面临的挑战在全球人口增长与耕地资源有限的矛盾日益突出的背景下提高农业生产效率和资源利用率成为当务之急。杂草是影响玉米产量的主要生物胁迫因素之一它们与玉米争夺光照、水分和养分。据统计未加控制的杂草可导致玉米产量损失高达30%以上。目前主流的杂草防控手段仍以化学除草剂为主但由于长期使用不仅导致杂草抗药性增强还带来了土壤污染和生态破坏等副作用。2. 精准农业与智能识别的需求精准农业的核心在于“对症下药”和“按需供给”。在除草环节这意味着需要精准识别出每一株杂草的位置并仅对其施药同时保护作物不受伤害。这要求检测系统具备高精度、高实时性的特点能够在复杂的田间背景下如光照变化、遮挡、不同生长阶段稳定工作。3. 目标检测技术在农业中的应用近年来深度学习技术特别是卷积神经网络CNN在图像识别领域取得了突破性进展。YOLO系列算法因其单次前向传播即可完成检测的特性非常适合部署在边缘计算设备如无人机、农业机器人上。相比于传统的手工特征提取方法如SIFT、HOG基于深度学习的方法能够自动学习农作物与杂草在形态、纹理、颜色上的深层差异从而显著提升识别准确率。4. 研究现状与挑战尽管已有大量研究致力于作物与杂草的识别但在实际应用中仍面临诸多挑战类别混淆玉米幼苗与某些杂草如狗尾草、稗草在形态上高度相似容易导致误判。背景复杂田间环境多变土壤、阴影、其他作物的干扰增加了检测难度。数据不平衡数据集中不同类别的样本数量可能存在差异导致模型对少数类别的识别能力不足。本研究正是在上述背景下展开旨在通过构建高质量的数据集和优化YOLO26模型解决玉米田中杂草识别的痛点问题特别是针对识别难度较大的“玉米”本体进行重点分析与优化。数据集介绍本研究使用的数据集是专门为玉米田环境采集和标注的旨在模拟真实农业场景下的复杂情况。类别定义数据集共包含5个检测类别具体定义如下ji鸡作为田间干扰物或特定监测目标caodizaoshuhe草地上作物可能指特定的伴生作物或特定生长状态的植物shacao杂草主要检测目标li李指某种特定植物或误标需结合实际场景yumi玉米核心作物目标数据规模为了保证模型的泛化能力数据集划分如下训练集4971张图像。用于模型的参数学习和特征提取。验证集312张图像。训练结果核心指标总结首先我们来看最核心的性能指标表mailto:mAP0.5 (0.746)这是一个相当不错的指标意味着在IoU阈值为0.5的情况下模型的平均精度达到了74.6%。这表明模型整体上具备较强的检测能力。mailto:mAP0.5:0.95 (0.433)这个指标衡量了模型在不同IoU阈值从0.5到0.95下的鲁棒性。0.433的得分表明模型在要求更严格的高IoU下表现有所下降说明定位精度还有提升空间。各类别表现差异shacao (杂草):表现最好mailto:mAP0.5高达0.988几乎完美。caodizaoshuhe (草地上作物):表现优秀mailto:mAP0.5为0.955。li (李):表现中等mailto:mAP0.5为0.790。ji (鸡):表现尚可mailto:mAP0.5为0.727。Ultralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集成残差对数似然估计(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码详细功能展示视频https://www.bilibili.com/video/BV15gd2BtEES/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV15gd2BtEES/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV15gd2BtEES/
