基于Faster-RCNN的水下垃圾检测系统，支持图像、视频和摄像实时检测【python源码、pytorch框架】

更多目标检测和图像分类识别项目可看我主页其他文章

功能演示：

基于Faster-RCNN的水下垃圾检测系统，支持图像、视频和摄像实时检测【python源码、pytorch框架】_哔哩哔哩_bilibili

（一）简介

基于Faster-RCNN的水下垃圾检测系统是在 PyTorch 框架之下得以实现的。这是一个完备的项目，涵盖了诸多方面，其中包括代码部分，数据集，训练完备的模型权重， UI 界面以及各类重要的模型指标

该系统的 UI 界面是通过 pyqt5 设计并成功实现的。该项目可外接usb摄像头或直接用笔记本摄像头实现摄像实时检测。

该项目是在pycharm和anaconda搭建的虚拟环境执行，pycharm和anaconda安装和配置可观看教程：

超详细的pycharm+anaconda搭建python虚拟环境_pycharm anaconda环境搭建-CSDN博客

（二）项目介绍

1. 项目结构

2.模型训练、验证

该项目可以使用已经训练好的模型权重，也可以自己重新训练，自己训练也比较简单：

第一步：模型训练(若是原项目数据集，则直接运行train_resnet50_fpn.py)
1)将VOCdevkit/VOC_DATA/JPEGImages、VOCdevkit/VOC_DATA/Annotations替换为自己数据集
2)修改resnet50+fpn+fasterrcnn中`--num-classes`参数为自己数据集的类别数
3)将VOCdevkit/VOC_DATA/ImageSets/Main中的train.txt、val.txt替换为自己数据集的train.txt、val.txt（可运行voc_data_split.py生成）
4)修改resnet50+fpn+fasterrcnn中`--num-classes`参数为自己数据集的类别数
5)运行train_resnet50_fpn.py训练脚本

第二步：模型验证(若是原项目数据集，则直接运行validation.py)
1)修改validation.py中`--num-classes`参数为自己数据集的类别数
2)修改validation.py中`----weights-path`参数为自己训练好的权重文件路径，在save_weights文件夹中
3)运行validation.py验证脚本