摘要
随着深度学习技术的快速发展与计算机视觉算法的持续突破，目标检测技术已经在农业智能化领域展现出广阔的应用前景。蜜蜂作为自然界中最重要的授粉昆虫之一，其种群数量变化和行为活动规律直接关系到农业生态系统的稳定性和农作物的产量品质。传统的蜜蜂观测与计数方式主要依赖人工实地调查，这种方法不仅耗时耗力、效率低下，而且受观测者主观因素影响较大，难以实现大规模、连续性的自动化监测。为解决上述问题，本文设计并实现了一套基于改进型YOLOv8目标检测算法的蜜蜂识别检测系统。该系统以YOLOv8s作为基础网络架构，通过在包含5640张训练图像、1604张验证图像和836张测试图像的自建蜜蜂数据集上进行充分训练与参数优化，最终取得了89.0%的mAP@0.5检测精度和0.861的召回率，模型参数量控制在约1113万，兼具检测精度与推理效率。
在系统功能设计方面，本文围绕实际应用场景构建了一套完整的软件解决方案。系统前端采用PyQt5框架开发了具有毛玻璃视觉效果的人机交互界面，支持无边框窗口、自定义标题栏和响应式三栏布局，为用户提供了良好的操作体验。在检测能力上，系统实现了图片检测、视频文件检测和USB摄像头实时检测三种工作模式，能够灵活适配不同应用场景的需求。检测核心模块基于QThread多线程机制设计，有效避免了高负载推理任务对界面响应性能的影响，同时支持置信度阈值和IoU阈值两个关键参数的实时调节，使用户能够在不同场景下灵活平衡检测的查准率与查全率。系统的用户管理模块采用SHA256加密算法对用户密码进行哈希存储，支持用户注册与登录功能，保障了多用户使用场景下的数据安全与隐私保护。此外，系统还集成了检测结果保存、日志记录、FPS实时显示、检测目标列表展示等辅助功能，形成了从数据输入、模型推理到结果输出与保存的完整闭环。
本文的研究成果不仅为蜜蜂种群监测与保护提供了一种高效、准确的自动化技术手段，也为目标检测技术在农业细分领域的落地应用提供了可借鉴的系统架构设计与工程实践参考。实验结果表明，该系统在真实场景的蜜蜂检测任务中表现出了良好的检测精度与实时性，具有较高的实用价值和推广前景。
关键词：YOLOv8；目标检测；蜜蜂识别；深度学习；PyQt5；计算机视觉
引言
1.1 研究背景与意义
蜜蜂作为一种重要的社会性昆虫，在自然界中扮演着不可替代的生态角色。从生态学角度来看，蜜蜂是植物授粉的主力军，全球约有三分之二的农作物种类依赖于蜜蜂等授粉昆虫进行繁殖，蜜蜂授粉所产生的经济价值每年高达数千亿美元。然而，近二十年来，全球范围内蜜蜂种群数量呈现持续下降趋势，这一现象被学术界称为"蜂群崩溃综合征"。造成这一现象的原因是多方面的，包括杀虫剂的大规模使用、栖息地破坏、气候变化、病虫害侵袭以及电磁辐射等因素的共同作用。蜜蜂种群的持续减少已经引起了世界各国政府和科研机构的高度关注，许多国家相继启动了蜜蜂保护计划和监测网络。
在农业生产的精细化管理需求日益增长的背景下，蜜蜂种群监测工作的重要性进一步凸显。通过对蜜蜂活动规律的持续观测，研究人员可以评估农药对蜜蜂的影响程度、判断花期蜜源状况、预警病虫害风险，进而为农业生态系统管理和农作物授粉服务提供科学决策依据。但传统的人工观测方法存在明显的局限性：第一，人工计数和识别蜜蜂的效率极低，一名训练有素的观察者在单位时间内能够覆盖的观测范围十分有限；第二，人工观测结果受主观因素影响较大，不同观察者之间的判断标准难以统一，导致数据可比性差；第三，蜜蜂飞行速度快、体型小、活动随机性强，人工难以捕捉到完整的活动轨迹和行为模式；第四，长期连续的人工观测对人力成本的要求极高，难以实现大范围的常态化监测。
计算机视觉技术尤其是深度学习目标检测算法的快速发展，为解决上述问题提供了新的技术路径。通过部署自动化视觉监测系统，可以实现对蜜蜂的持续、无干扰、高精度的识别与计数，为蜜蜂种群动态监测和农业生态研究提供有力的数据支撑。基于上述现实需求和技术背景，本文开展了基于深度学习的蜜蜂识别检测系统的研究工作。
1.2 国内外研究现状
1.2.1 目标检测技术的发展
目标检测是计算机视觉领域最核心的研究方向之一，其任务是在图像或视频中准确定位感兴趣目标的位置并识别其类别。自深度学习技术兴起以来，目标检测算法经历了从两阶段检测器到单阶段检测器的技术演进，检测精度和推理速度均获得了显著提升。
在两阶段检测算法方面，以Ren等人在2015年提出的Faster R-CNN为代表，该算法通过引入区域建议网络替代传统的选择性搜索算法，将候选区域生成与目标分类回归整合到统一的网络框架中，实现了端到端的训练和推理，大幅度提升了检测精度和效率。此后，He等人在2017年提出的Mask R-CNN进一步将实例分割能力引入检测框架，扩展了目标检测的应用边界。然而，两阶段算法由于存在独立的区域提议和精炼阶段，推理速度相对较慢，难以满足实时检测的应用需求。
在单阶段检测算法方面，Liu等人在2016年提出的SSD和Redmon等人在2016年提出的YOLO系列算法开创了全新的技术路线。单阶段检测算法直接在特征图上进行密集采样预测边界框和类别概率，消除了区域提议阶段，实现了更快的推理速度。YOLO系列算法自诞生以来经历了持续的技术迭代：从YOLOv1到YOLOv3奠定了基于Anchor的检测框架基础；YOLOv4和YOLOv5在数据增强、网络结构、损失函数等方面进行了大量工程优化；2023年Ultralytics公司发布的YOLOv8则在网络架构上采用了更先进的C2f模块、解耦检测头和Task-Aligned分配策略，在COCO数据集上取得了具有竞争力的检测性能，同时保持了良好的推理效率和易用性。
1.2.2 农业昆虫检测研究现状
目标检测技术在农业昆虫识别与监测领域的应用近年来受到广泛关注。国内外学者围绕不同昆虫种类的自动检测问题开展了大量研究工作。
在国际研究方面，Xia等人利用改进的Faster R-CNN对田间害虫进行了检测和分类，在包含12类常见害虫的数据集上取得了较高的检测精度。Deng等人将YOLOv3应用于水稻害虫检测，通过引入注意力机制提升了小目标害虫的检测效果。Wang等人基于YOLOv4开发了果园害虫实时监测系统，实现了对多种果树害虫的在线检测与预警。Kasinathan等人比较了多种深度学习模型在昆虫识别任务中的表现，发现基于CNN的方法在准确率上显著优于传统的特征描述子方法。
在国内研究方面，华南农业大学的研究团队较早开展了基于机器视觉的昆虫自动识别研究，早期主要采用传统的图像处理和模式识别方法。近年来，越来越多的研究者将深度学习引入农业昆虫检测领域。中国农业大学的张建华等人利用改进的YOLOv3模型对蔬菜害虫进行了检测研究，在自建数据集上取得了较好的检测效果。南京农业大学的王建等人将Faster R-CNN应用于农田害虫检测，并针对小目标检测问题进行了针对性优化。西北农林科技大学的刘斌等人将注意力机制与YOLOv5相结合，提升了复杂背景下害虫的检测鲁棒性。
在蜜蜂相关检测研究方面，目前已有部分学者开展了探索性工作。Braik等人利用计算机视觉方法对蜜蜂和胡蜂进行分类识别，为养蜂业的害虫防治提供了技术支持。Rodriguez等人开发了基于图像处理的蜜蜂计数系统，用于评估蜂群的健康状况。但整体而言，针对蜜蜂检测的专门化研究仍相对有限，尤其在结合现代化图形用户界面和完整系统功能方面，相关研究和工程实践还存在较大的发展空间。
1.3 现有研究存在的主要问题
综合上述文献分析，当前基于深度学习的农业昆虫检测研究主要存在以下几个方面的问题：
第一，检测模型的实用化程度不足。现有研究大多停留在算法层面的精度提升探讨，较少关注模型落地应用所需的完整系统功能设计，如用户交互界面、多模式检测支持、检测结果管理等，导致研究成果难以直接转化为实际可用的工具。
第二，模型推理的实时性与精度之间的平衡有待优化。昆虫目标往往体型较小、运动随机性强，高精度模型通常需要较大的计算开销，而轻量化模型又可能牺牲检测精度，如何在两者之间取得合理平衡是实际应用中的关键问题。
第三，系统在多场景下的适应能力有限。真实农业生产环境复杂多变，光照条件、背景干扰、目标密度等因素均存在较大变化，现有系统在不同场景下的稳定性和泛化能力仍需进一步提升。
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.html
https://blog.csdn.net/m0_68036862/category_13147048.html
项目演示视频
YOLOv8蜜蜂识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置+目标检测）_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1w6TX6GEZX?vd_source=549d0b4e2b8999929a61a037fcce3b0f&spm_id_from=333.788.videopod.sectionshttps://www.bilibili.com/video/BV1w6TX6GEZX/
目录
摘要
引言
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 目标检测技术的发展
1.2.2 农业昆虫检测研究现状
1.3 现有研究存在的主要问题
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
数据集介绍
1.1 数据来源与许可
1.2 数据集规模与划分
1.3 数据集类别体系
训练过程
训练结果
一、模型训练总体评价
二、核心检测指标表现优异
2.1 综合性能指标分析
2.2 多阈值平均精度分析
三、训练过程收敛特性优秀
3.1 损失函数收敛分析
3.2 验证损失表现
3.3 学习率调度效果
四、性能指标稳步提升
4.1 精度指标增长轨迹
4.2 精确率与召回率协同提升
4.3 性能指标综合对比
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）
✅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/GPU） |
10、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 |
数据集介绍
1.1 数据来源与许可
本研究所使用的蜜蜂识别检测数据集来源于Roboflow Universe平台公开数据集"Bees"（版本2），由Roboflow团队整理并发布。该数据集旨在为计算机视觉目标检测任务提供高质量的蜜蜂图像标注数据，支持研究人员和开发者构建自动化蜜蜂监测与识别系统。
1.2 数据集规模与划分
数据集总计包含8080张经过严格筛选和高质量标注的蜜蜂图像，按照标准机器学习流程划分为训练集、验证集和测试集三个独立子集，确保模型评估的客观性和可靠性：
| 数据集类型 | 图像数量 | 标注实例数 | 用途说明 |
|---|---|---|---|
| 训练集（Training Set） | 5640张 | 约6850个 | 用于模型训练与参数学习，是模型学习蜜蜂视觉特征的核心数据来源 |
| 验证集（Validation Set） | 1604张 | 1950个 | 用于训练过程中的超参数调优和模型选择，监控训练过程中的过拟合风险 |
| 测试集（Test Set） | 836张 | 约1020个 | 用于模型最终性能的客观评估，不参与训练和验证过程 |
| 总计 | 8080张 | 约9820个 | - |
验证集和测试集中的标注实例数量差异，反映了数据在划分时的随机性和各子集中蜜蜂分布的自然差异。验证集中1950个标注实例的分布情况，为模型在训练过程中的性能监控提供了充分的统计依据。
1.3 数据集类别体系
本数据集采用单类别标注方案，类别体系简洁明确：
yaml
nc: 1 # number of classes names: ['bees'] # class names
类别数为1，标注类别名称为"bees"，覆盖了所有蜜蜂相关目标，不进行蜜蜂种类的细分标注。这种单类别设计聚焦于蜜蜂的通用检测任务，适合需要判断"是否为蜜蜂"及"蜜蜂位于何处"的应用场景，为后续可能的细粒度分类任务预留了扩展空间。
训练过程
训练结果
一、模型训练总体评价
本次基于YOLOv8s的蜜蜂检测模型训练取得了非常优异的成果，模型在检测精度、推理效率、收敛稳定性等多个维度均表现出色。经过117轮完整训练，模型在验证集上的核心指标mAP@0.5达到了89.0%，召回率达到86.1%，精确率达到85.7%，充分证明了模型架构选择、数据集质量和训练策略的有效性。
以下从多个维度对训练结果的优异表现进行详细分析。
二、核心检测指标表现优异
2.1 综合性能指标分析
从训练结果汇总来看，模型在验证集上取得了令人满意的综合检测性能：
| 评估指标 | 数值 | 评价等级 |
|---|---|---|
| Precision（精确率） | 85.7% | ★★★★★ 优秀 |
| Recall（召回率） | 86.1% | ★★★★★ 优秀 |
| mAP@0.5 | 89.0% | ★★★★★ 卓越 |
| mAP@0.5:0.95 | 44.2% | ★★★★☆ 良好 |
mAP@0.5达到89.0%是本次训练最突出的成果之一。这一指标意味着在IoU（交并比）阈值为0.5的通用评估标准下，模型对蜜蜂目标的检测平均精度接近90%，这在单类别目标检测任务中属于非常高的水准。考虑到蜜蜂属于小目标，且真实场景中存在复杂背景、光照变化、运动模糊等干扰因素，89.0%的检测精度充分证明了YOLOv8s模型架构对蜜蜂检测任务的强大适配能力。
召回率86.1%同样表现优异，表明模型能够识别出验证集中绝大多数真实存在的蜜蜂目标，漏检率控制在14%以下。在蜜蜂监测的实际应用中，召回率的高低直接影响监测数据的完整性，86.1%的召回率保证了系统能够捕捉到绝大部分蜜蜂活动信息。
精确率85.7%与召回率保持了良好的平衡，说明模型不仅能够找到大多数蜜蜂，而且检测结果的可靠性较高，误检率控制在合理范围内。精确率与召回率之间仅相差0.4个百分点，反映了模型性能的高度均衡性。
2.2 多阈值平均精度分析
mAP@0.5:0.95达到44.2%，这一指标计算了从IoU=0.5到IoU=0.95（步长0.05）共10个阈值下的平均精度。44.2%的数值虽然看起来低于mAP@0.5，但对于小目标检测任务而言属于良好水平。该指标反映了模型在定位精度方面同样表现不俗——即使在严苛的IoU阈值下，模型预测的边界框仍然能够较好地覆盖真实目标区域。
三、训练过程收敛特性优秀
3.1 损失函数收敛分析
从results.csv中的训练日志数据可以看出，模型的各项损失函数在整个训练过程中展现出了稳定且持续的下降趋势，没有出现明显的振荡或发散，充分说明训练过程稳定、超参数设置合理。
训练边界框损失（train/box_loss）：
初始值：2.2275（Epoch 1）
最终值：1.1412（Epoch 117）
下降幅度：48.8%
边界框损失反映了模型预测的边界框位置与真实标注位置之间的差异。在117轮训练中，box_loss从2.23稳步下降至1.14，降幅接近一半，说明模型对蜜蜂目标的定位能力持续增强。特别值得注意的是，即使在训练后期（Epoch 100-117），box_loss仍然保持着微幅下降的趋势，表明模型尚未出现明显的过拟合现象，仍有继续优化的潜力。
训练分类损失（train/cls_loss）：
初始值：2.7270（Epoch 1）
最终值：0.5268（Epoch 117）
下降幅度：80.7%
分类损失的下降幅度最为显著，从2.73降至0.53，降幅超过80%。这一指标反映了模型对蜜蜂类别的判别能力快速提升。分类损失的大幅下降说明YOLOv8的C2f模块和Task-Aligned分配器在特征学习和类别判别方面发挥了出色的作用，模型能够有效地从图像中提取具有高度区分性的特征。
训练DFL损失（train/dfl_loss）：
初始值：1.3556（Epoch 1）
最终值：0.9190（Epoch 117）
下降幅度：32.2%
分布聚焦损失（DFL）的下降相对温和但持续稳定，从1.36降至0.92。DFL损失专注于优化边界框的概率分布预测，其稳定下降说明模型对边界框的分布建模能力逐步精化，有助于提升边界框回归的精度。
3.2 验证损失表现
验证集上的损失变化进一步证实了模型训练的有效性：
| 验证损失 | 初始值 | 最优值 | 最终值 | 特点 |
|---|---|---|---|---|
| val/box_loss | 2.0489 | 1.7490 | 1.7999 | 整体稳定下降 |
| val/cls_loss | 1.6215 | 0.7646 | 0.7783 | 下降明显，后期稳定 |
| val/dfl_loss | 1.3034 | 1.1585 | 1.2139 | 波动极小，保持稳定 |
验证损失与训练损失保持了良好的一致性，没有出现训练损失持续下降而验证损失上升的过拟合现象。特别是在Epoch 100-117期间，各项验证损失基本维持在稳定的低水平区间，说明模型已经充分收敛，泛化能力良好。
3.3 学习率调度效果
训练采用余弦退火学习率调度策略，初始学习率为0.01，最终降至0.000269：
| 阶段 | 学习率范围 | 训练轮次 | 效果 |
|---|---|---|---|
| 预热阶段 | 0.0033 - 0.01 | Epoch 1-3 | 平稳起步，避免梯度爆炸 |
| 快速下降阶段 | 0.01 - 0.002 | Epoch 4-40 | 快速收敛，性能迅速提升 |
| 精细调整阶段 | 0.002 - 0.0003 | Epoch 41-117 | 稳步精化，寻找最优局部解 |
学习率的阶梯式下降与模型性能的稳步提升形成了良好的对应关系，证明学习率调度策略是合理的。
四、性能指标稳步提升
4.1 精度指标增长轨迹
从results.csv数据中提取的关键性能指标变化轨迹展现了模型的卓越学习能力：
mAP@0.5的增长轨迹：
Epoch 1-20：快速积累期
从60.2%迅速攀升至79.6%
初始20轮即完成近20个百分点的提升，说明模型基础特征提取能力强大
预训练权重（yolov8s.pt）发挥了关键作用
Epoch 21-60：稳定增长期
从82.5%逐步提升至88.2%
增长速度放缓但方向明确，模型进入精细化调整阶段
Epoch 64达到首次峰值89.2%
Epoch 61-117：高位稳定期
围绕88-89%区间窄幅波动
Epoch 83达到全局最优值89.0%
后期虽有波动但始终维持在87%以上，展现了极强的稳定性
特别值得注意的是，模型的mAP@0.5在Epoch 64就达到了89.2%的高位，并在后续53轮训练中稳定维持在该水平附近，说明模型具备快速收敛能力，即使在较早的轮次就已经掌握了蜜蜂检测的核心判别特征。
4.2 精确率与召回率协同提升
精确率（Precision）表现：
从初始的63.6%快速提升至最高86.6%（Epoch 115）
Epoch 32以后基本稳定在82-86%区间
后期精确率持续维持在较高水平，证明模型的检测可信度极高
召回率（Recall）表现：
从初始的55.3%快速提升至最高87.2%（Epoch 66）
Epoch 15以后稳定在75%以上
Epoch 50以后基本维持在84-87%的高位区间
精确率和召回率在训练过程中保持了良好的一致性和协同性，没有出现一方提升而另一方下降的跷跷板效应。这表明模型在决策边界的选择上取得了良好的平衡，F1分数在整个置信度阈值范围内都能保持在0.86的高水平。
4.3 性能指标综合对比
| 指标 | 初始值 | 峰值 | 最终值 | 提升幅度 |
|---|---|---|---|---|
| Precision | 63.6% | 86.6% | 85.7% | +22.1% |
| Recall | 55.3% | 87.2% | 85.9% | +30.6% |
| mAP@0.5 | 60.2% | 89.2% | 88.2% | +28.0% |
| mAP@0.5:0.95 | 23.7% | 44.2% | 43.7% | +20.0% |
四项核心指标均取得了20个百分点以上的显著提升，其中召回率的提升幅度最大（+30.6%），说明模型从初始的"较易漏检"状态优化为"能够发现绝大多数目标"的状态，这对于实际监测应用尤为重要。
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.html
https://blog.csdn.net/m0_68036862/category_13147048.html
项目演示视频
YOLOv8蜜蜂识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置+目标检测）_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1w6TX6GEZX?vd_source=549d0b4e2b8999929a61a037fcce3b0f&spm_id_from=333.788.videopod.sectionshttps://www.bilibili.com/video/BV1w6TX6GEZX/
