企业官网建设流程全解析

蚊子种类检测数据集13166张（存在增强处理），yolo，voc，coco三种标注方式
图像尺寸:512*512
类别数量:17类
训练集图像数量:11520; 验证集图像数量:1097； 测试集图像数量:549
类别名称: 每一类图像数 ，每一类标注数
Aedes_albobictus-白纹伊蚊：468,468
Aedes_aegypti-埃及伊蚊：2860,2860
Anopheles jamesii-詹姆斯按蚊：480,480
Anopheles_barbirostris-须喙按蚊：477,477
Anopheles_culicifacies-库态按蚊：484,485
Anopheles_stephensi-斯氏按蚊：473,473
Anopheles_subpictus-浅色按蚊：477,477
Anopheles_vagus-迷走按蚊：401,401
Armigeres_subalbatus-骚扰阿蚊：476,476
Aedes_vittatus-白线伊蚊：480,480
Culex_bitaeniorhynchus-二带喙库蚊：477,477
Culex_quinquefasciatus-致倦库蚊：949,949
Culex_tritaeniorhynchus-三带喙库蚊：476,476
Culex_gelidus-寒库蚊：470,470
Mansonia indiana-印度曼蚊：480,480
Mansonia_uniformis-常型曼蚊：474,475
Culex_vishnui-韦氏库蚊：2760,2763
image num: 13166

模型代码
采用 YOLOv11n 网络训练
训练轮次：80 个 epoch
提供全部训练 + 测试源代码
训练精度 mAP 效果如图所示
PyQt5 界面功能
界面使用 PyQt5 开发，提供全部源码（.ui、.qrc、.py 及图标文件）
支持图片检测、视频检测、摄像头实时检测
界面实时显示：目标位置、目标总数、置信度等信息

蚊子种类检测数据集

一、数据集参数表

二、YOLOv11 训练&测试代码

1. 环境安装命令

pipinstallultralytics opencv-python torch

2. 数据集配置文件mosquito_17class.yaml

path:./mosquito_datasettrain:images/trainval:images/valtest:images/testnc:17names:['Aedes_albobictus','Aedes_aegypti','Anopheles_jamesii','Anopheles_barbirostris','Anopheles_culicifacies','Anopheles_stephensi','Anopheles_subpictus','Anopheles_vagus','Armigeres_subalbatus','Aedes_vittatus','Culex_bitaeniorhynchus','Culex_quinquefasciatus','Culex_tritaeniorhynchus','Culex_gelidus','Mansonia_indiana','Mansonia_uniformis','Culex_vishnui']

3. 完整训练代码

fromultralyticsimportYOLOif__name__=="__main__":# 加载YOLOv11n预训练模型model=YOLO("yolov11n.pt")# 启动训练train_results=model.train(data="mosquito_17class.yaml",epochs=80,imgsz=512,batch=16,device=0,workers=4,project="mosquito_detection",name="yolov11n_mosquito",patience=15,augment=True,hsv_h=0.015,hsv_s=0.7,hsv_v=0.4,fliplr=0.5,flipud=0.2,mosaic=1.0)# 模型验证metrics=model.val()print(f"mAP@0.5:{metrics.box.map50:.3f}")print(f"mAP@0.5-0.95:{metrics.box.map:.3f}")# 单图测试推理model.predict("test_mosquito.jpg",save=True,conf=0.25)

4. 通用测试推理代码

fromultralyticsimportYOLO# 加载训练好的权重model=YOLO("best.pt")# 图片推理results=model.predict("test.jpg",conf=0.25,save=True)total_num=0forresinresults:forboxinres.boxes:total_num+=1cls_id=int(box.cls[0])conf=float(box.conf[0])x1,y1,x2,y2=map(int,box.xyxy[0])cls_name=model.names[cls_id]print(f"蚊虫种类：{cls_name}| 置信度：{conf:.2f}| 坐标：{x1},{y1},{x2},{y2}")print(f"检测到蚊虫总数：{total_num}")

5. PyQt5 可视化界面完整代码

fromPyQt5.QtWidgetsimportQApplication,QMainWindow,QFileDialogfromPyQt5.uicimportloadUifromultralyticsimportYOLOimportcv2importsysclassMosquitoDetectUI(QMainWindow):def__init__(self):super().__init__()loadUi("mosquito_ui.ui",self)self.model=YOLO("best.pt")# 绑定功能按钮self.btn_img.clicked.connect(self.detect_image)self.btn_video.clicked.connect(self.detect_video)self.btn_camera.clicked.connect(self.detect_camera)defdetect_image(self):path,_=QFileDialog.getOpenFileName()ifpath:results=self.model(path,conf=0.25)self.show_result(results)defdetect_video(self):path,_=QFileDialog.getOpenFileName()ifpath:cap=cv2.VideoCapture(path)whilecap.isOpened():ret,frame=cap.read()ifnotret:breakresults=self.model(frame,conf=0.25)self.show_result(results)cv2.waitKey(1)cap.release()defdetect_camera(self):cap=cv2.VideoCapture(0)whilecap.isOpened():ret,frame=cap.read()ifnotret:breakresults=self.model(frame,conf=0.25)self.show_result(results)cv2.waitKey(1)cap.release()defshow_result(self,results):total=0forresinresults:forboxinres.boxes:total+=1x1,y1,x2,y2=map(int,box.xyxy[0])cls_idx=int(box.cls[0])conf=float(box.conf[0])name=self.model.names[cls_idx]print(f"种类：{name}置信度：{conf:.2f}位置：{x1},{y1},{x2},{y2}")print(f"当前检测总数：{total}\n")if__name__=="__main__":app=QApplication(sys.argv)window=MosquitoDetectUI()window.show()sys.exit(app.exec_())

三、应用场景

1. 病媒生物监测：疾控中心、卫健部门开展蚊虫种群普查，识别不同传播类蚊虫，防控登革热、疟疾等虫媒传染病。
2. 消杀作业辅助：小区、公园、养殖场、疫区精准识别蚊虫种类，制定针对性消杀方案。
3. 实验室昆虫分类：科研院所、生物实验室自动化完成蚊虫样本种类识别，提升分类效率。
4. 环境智能监测：户外监测设备、智慧园区接入检测模型，实时统计蚊虫种类与数量。
5. 农林卫生防护：农田、林区蚊虫监测，减少蚊虫对人畜侵扰，保障农林作业环境安全。
6. 出入境检疫检测：口岸检疫场景快速识别外来蚊虫品种，防范外来物种及疫病入侵。