摘要水下生物识别是海洋生态监测与渔业资源管理的关键技术。本研究构建了一个基于YOLO26的水下生物目标检测系统针对5类典型水下生物海胆、海参、扇贝、海星、水草进行自动识别与定位。系统采用5320张训练图像、1520张验证图像和760张测试图像进行模型训练与评估。本文详细阐述了研究背景、数据集构成及当前技术瓶颈为后续数据修复与模型优化提供基础。引言水下视觉感知技术在海洋科学研究、海底资源勘探、生态保护及水产养殖自动化中发挥着日益重要的作用。传统的水下生物调查依赖人工潜水、拖网采样或水下视频人工判读这些方法存在效率低、主观性强、覆盖范围有限且对生态环境产生干扰等不足。随着计算机视觉与深度学习的发展尤其是以YOLOYou Only Look Once为代表的单阶段目标检测算法的成熟为水下生物的高效、非侵入式自动识别提供了技术可能。然而水下环境具有光照不足、对比度低、水体浑浊、生物姿态多变及相互遮挡等复杂特性使得通用目标检测模型直接迁移应用时性能显著下降。因此构建专用的水下生物识别系统并针对实际数据分布进行优化成为当前研究的热点。本研究基于YOLO26框架设计了一个涵盖5类常见水下生物的检测系统旨在探索深度学习在水下生态监测中的工程化应用路径。本文后续章节将详细介绍研究区域与数据采集情况、数据集构建方法、初步训练结果分析及现存问题以期为该领域的同行提供参考与借鉴。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水下生物监测的现实需求传统监测方法的局限性深度学习目标检测技术在水下环境的应用前景数据集介绍数据集划分训练结果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背景水下生物监测的现实需求海洋覆盖了地球表面的71%蕴藏着丰富的生物资源。水下生物的种类、数量与分布状况直接反映了海洋生态系统的健康状况。近年来随着全球气候变化、过度捕捞及海洋污染问题的加剧对水下生物进行长期、连续、大范围的动态监测变得尤为迫切。例如海胆echinus的过度繁殖会破坏海藻林生态系统海参holothurian作为底栖生物对环境变化高度敏感扇贝scallop是重要的经济养殖品种海星starfish暴发会严重危害贝类养殖业而水草waterweeds的分布变化则可指示水体富营养化程度。因此实现对上述关键物种的自动化识别与数量统计具有显著的生态保护与经济价值。传统监测方法的局限性长期以来水下生物调查主要依赖以下几种方式人工潜水采样成本高、效率低、受潜水深度和作业时间限制且存在人身安全风险。拖网或底拖采样破坏性大会扰动海底沉积物并误伤非目标生物。水下视频人工判读虽为非破坏性手段但需要专业人员耗费大量时间逐帧查看容易因疲劳导致漏检或误判且不同专家之间一致性较差。上述方法难以满足大尺度、高频次、标准化的监测需求迫切需要引入智能化图像分析技术。深度学习目标检测技术在水下环境的应用前景以YOLO系列为代表的深度学习目标检测算法因其端到端的回归思想、实时检测能力和较高的平均精度mAP已被成功应用于车牌识别、安防监控、医学影像分析等多个领域。近年来少量研究开始尝试将其引入水下场景例如对鱼类、海参、海胆等生物进行检测计数。然而水下图像的退化特性——包括蓝绿色偏、光照非均匀、散射效应引起的模糊、以及生物与背景的低对比度——使得陆地上表现优异的模型在水下性能大打折扣。此外水下生物数据集普遍存在类间样本不平衡、小目标众多、标注成本高昂等问题。数据集介绍本系统针对水下常见生物及关键指示物种共设置5个检测类别具体如下类别索引英文名称中文名称生态/经济意义0echinus海胆海藻林生态关键种过度繁殖会破坏藻床1holothurian海参底栖环境指示生物具有较高经济价值2scallop扇贝重要海水养殖品种易受海星侵害3starfish海星贝类养殖的主要敌害生物4waterweeds水草水体富营养化与生态恢复的指示生物数据集划分为评估模型的泛化能力数据集按照7:2:1的比例划分为三个独立子集子集类型图像数量用途说明训练集5320 张用于模型参数学习与权重更新验证集1520 张用于超参数调整、模型选择与过拟合监控测试集760 张用于最终性能评估目前尚未用于正式评测训练结果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