摘要随着智能家居与健康饮食管理的快速发展冰箱内食物自动化识别成为关键任务。本文基于YOLOv8目标检测算法构建了一个包含30类常见冰箱食物的检测系统。实验采用自建数据集其中训练集2,896张、验证集103张、测试集51张。模型训练结果显示整体F1值最高达到0.96精确率在高置信度下接近1.0召回率在低置信度下亦接近1.0mAP50稳定在0.65~0.70之间mAP50-95达到0.30~0.38。混淆矩阵表明大多数食物类别分类准确率高背景误检率低。实验证明该模型具备良好的分类能力与泛化性能可有效支持冰箱食物识别、库存管理与智能烹饪等实际应用。订阅此专栏获取文章项目完整源码和数据集https://blog.csdn.net/m0_68036862/category_13147048.htmlhttps://blog.csdn.net/m0_68036862/category_13147048.html项目演示视频基于YOLOv8的冰箱内食物识别检测系统深度学习项目源码YOLO数据集模型权重UI界面python深度学习环境配置模型训练_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1u8Jg6wERW/?vd_source549d0b4e2b8999929a61a037fcce3b0fhttps://www.bilibili.com/video/BV1u8Jg6wERW/目录摘要项目演示视频功能模块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目标检测技术发展数据集介绍类别设置数据来源与标注数据集划分训练过程训练结果总体评价关键指标分析1. 混淆矩阵Confusion Matrix​编辑2. F1曲线F1_curve​编辑3. 精确率-置信度曲线P_curve​编辑4. 召回率-置信度曲线R_curve​编辑5. PR曲线PR_curve​编辑6. 训练损失与验证指标results.png​编辑常用标注工具项目演示视频功能模块✅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物联网与计算机视觉技术的发展智能冰箱逐渐成为现代家庭食品管理的重要设备。传统冰箱仅具备储存功能无法自动识别内部食物种类与数量难以满足用户对食品保鲜、过期预警及健康饮食管理的需求。为此引入目标检测技术实现对冰箱内食物的自动识别具有重要现实意义。YOLOYou Only Look Once系列算法因其检测速度快、精度高广泛应用于实时目标检测任务。其中YOLOv8在检测精度与模型轻量化方面进一步提升适合嵌入式及边缘计算场景。本文旨在基于YOLOv8构建一个高效、稳定的冰箱内食物检测系统覆盖日常常见30类食物并通过详细的数据集构建与模型评估验证其在真实场景中的可行性。背景智能冰箱通过内置摄像头采集内部图像结合图像识别算法自动识别食物类别、位置与数量从而实现以下功能食物库存管理过期提醒与采购建议食谱推荐减少食物浪费目标检测技术发展传统方法基于手工特征如HOG、SIFT与分类器如SVM受光照、遮挡影响大。深度学习方法两阶段检测器如Faster R-CNN精度高但速度慢。单阶段检测器如YOLO系列速度快、精度可接受适合实时场景。YOLOv8支持自适应锚框提供更好的特征金字塔结构训练与部署更便捷数据集介绍类别设置本数据集共包含30 类冰箱常见食物覆盖水果、蔬菜、肉类、乳制品、调味品等具体如下apple, banana, beef, blueberries, bread, butter, carrot, cheese, chicken, chicken_breast, chocolate, corn, eggs, flour, goat_cheese, green_beans, ground_beef, ham, heavy_cream, lime, milk, mushrooms, onion, potato, shrimp, spinach, strawberries, sugar, sweet_potato, tomato数据来源与标注图像采集冰箱内实拍 部分公开食物数据集图像分辨率统一调整至640×640标注格式YOLO格式类别、中心点x、中心点y、宽度、高度标注工具LabelImg数据集划分数据集图像数量用途训练集2,896张模型参数学习验证集103张超参数调优与模型选择测试集51张最终性能评估训练过程训练结果总体评价模型表现优秀在多个关键指标上达到了较高水平尤其适合用于实际冰箱食物识别场景。关键指标分析1.混淆矩阵Confusion Matrix主对角线值较高如apple: 1.0banana: 0.98beef: 0.95说明模型对大多数食物的分类准确率很高。误分类情况较少例如chicken与chicken_breast之间可能存在轻微混淆类别相似。background被误检为食物的比例很低-0.20说明模型对背景抑制良好。结论分类能力强类别区分度好。2.F1曲线F1_curve最大 F1 值 ≈ 0.96置信度阈值 0.65 左右。曲线平稳说明模型在不同置信度下都能保持较高的精确率与召回率平衡。结论模型稳健适合实际部署时调整置信度阈值。3.精确率-置信度曲线P_curve精确率在0.99 置信度下仍接近 1.0说明高置信度预测非常可靠。结论模型对高置信度预测非常自信误检率低。4.召回率-置信度曲线R_curve召回率随置信度下降而上升在较低置信度下接近 1.0。说明模型能检测出绝大多数目标但需要适当降低阈值以提高召回。结论适合对漏检敏感的场景如库存盘点。5.PR曲线PR_curve曲线几乎呈L形说明模型在保持高精确率的同时也能维持高召回率。结论模型整体性能优秀无明显偏差。6.训练损失与验证指标results.png指标趋势说明train/box_loss下降边界框回归收敛良好train/cls_loss下降分类收敛良好val/mAP50稳定在 0.65~0.70中等偏上可进一步优化val/mAP50-95稳定在 0.30~0.38对于多类别任务属于合理范围结论训练过程稳定未出现过拟合或欠拟合。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。界面核心代码订阅此专栏获取文章项目完整源码和数据集https://blog.csdn.net/m0_68036862/category_13147048.htmlhttps://blog.csdn.net/m0_68036862/category_13147048.html项目演示视频基于YOLOv8的冰箱内食物识别检测系统深度学习项目源码YOLO数据集模型权重UI界面python深度学习环境配置模型训练_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1u8Jg6wERW/?vd_source549d0b4e2b8999929a61a037fcce3b0fhttps://www.bilibili.com/video/BV1u8Jg6wERW/