基于YOLO26的美国硬币识别检测系统（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）

摘要

本论文提出了一种基于YOLO26（You Only Look Once）深度学习模型的美国硬币识别检测系统。该系统针对四种常见美国硬币——Dime（10美分）、Nickel（5美分）、Penny（1美分）和Quarter（25美分）——实现了高精度的实时检测与分类。研究采用YOLO26s作为基础模型，在包含120张标注图像的小型数据集上进行训练、验证和测试，其中训练集105张、验证集10张、测试集5张。实验结果表明，该系统在验证集上达到了97.7%的mAP50和86.4%的mAP50-95，平均精度达95.3%，召回率达93.8%。各类别中，Dime表现最佳（mAP50=99.1%），Penny次之（99.0%），Quarter为98.7%，Nickel稍低（94.3%）。推理速度达到1.6ms/张，满足实时检测要求。混淆矩阵分析显示，Nickel与Penny之间存在少量误检，整体背景抑制能力良好。该系统为美国硬币的自动化识别、分类和计数提供了高效解决方案。

关键词：YOLO26；目标检测；美国硬币识别；深度学习；实时检测

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

数据集介绍

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。

✅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

✅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

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

硬币作为日常生活中广泛使用的货币形式，在自动售货机、公交售票系统、银行清分机、自助收费设备等领域具有重要应用价值。美国硬币系统包含多种面额，其中Dime（10美分）、Nickel（5美分）、Penny（1美分）和Quarter（25美分）是最为常见的四种。这些硬币在尺寸、重量、颜色和图案上存在细微差异：Dime最小且银色，Nickel较大且银色偏暗，Penny呈铜色，Quarter最大且银色带边缘纹路。这些相似特征使得传统基于物理特性的机械识别方法面临挑战，而计算机视觉技术的引入为硬币识别提供了新的解决方案。

近年来，基于深度学习的目标检测算法在计算机视觉领域取得了突破性进展。其中，YOLO（You Only Look Once）系列算法以其端到端的检测架构和卓越的实时性能，成为目标检测任务的主流选择。YOLO算法将目标检测视为回归问题，通过单一神经网络直接从图像中预测边界框和类别概率，实现了检测速度与精度的平衡。

然而，硬币识别检测任务面临多重挑战。首先，硬币尺寸较小，在图像中可能仅占据数十个像素，对检测算法的细粒度特征提取能力提出较高要求。其次，硬币表面存在磨损、污渍、反光等干扰因素，增加了识别难度。第三，不同面额硬币之间的外观相似性（如Dime与Nickel均为银色）可能导致类别混淆。第四，在真实应用场景中，硬币可能以任意角度、姿态出现，且背景复杂多变。第五，硬币重叠、遮挡情况下的检测与计数更具挑战性。

针对上述挑战，本研究基于YOLO26模型构建美国硬币识别检测系统。本研究在小型标注数据集上验证该方法的有效性，通过全面的实验评估分析模型性能、类别表现和错误模式，为实际应用提供技术参考。

背景

货币识别技术经历了从机械式识别到智能视觉识别的演进历程。早期的硬币识别系统主要基于物理特性，如直径、厚度、重量、电磁感应等参数进行鉴别。这些方法在特定条件下能够实现有效识别，但存在设备成本高、维护复杂、适应性差等局限性。随着图像传感器技术和计算机处理能力的提升，基于图像处理的硬币识别方法逐渐兴起，通过提取硬币图像的纹理、边缘、颜色等特征，结合传统机器学习分类器（如支持向量机、K近邻等）进行识别。

深度学习的兴起为硬币识别带来了革命性变化。卷积神经网络（CNN）能够自动学习多层次特征表示，从低级的边缘纹理到高级的语义信息，大大提升了识别的准确性和鲁棒性。在硬币识别领域，研究者们尝试了多种深度学习架构。部分研究采用分类网络对单个硬币图像进行分类，需要预先分割硬币区域；另一部分研究则采用目标检测网络，实现端到端的硬币定位与识别一体化。

美国硬币识别具有重要的实际应用价值。在零售领域，自动售货机和自助收费系统需要快速准确识别投入的硬币面额，以确保正确计费。在银行金融领域，硬币清分机需要高效处理大量混合硬币，完成分类、计数和包装。在博物馆教育和收藏领域，硬币识别系统可用于辅助鉴定和分类。在智能家居和物联网场景中，硬币识别可作为儿童财商教育工具或家庭小额支付终端的功能模块。

然而，现有美国硬币识别系统仍面临若干技术瓶颈。首先，大规模标注数据集的缺乏限制了深度学习模型的性能提升。硬币图像的标注需要专业知识和精细操作，成本较高。其次，不同年份、版本硬币的图案差异增加了类别内变异，要求模型具备更强的泛化能力。第三，真实场景中的光照变化、拍摄角度、遮挡等因素对模型鲁棒性提出挑战。第四，移动端和嵌入式设备的资源限制要求模型在保持精度的同时尽可能轻量化。

针对上述背景，本研究致力于开发一种基于YOLO26的美国硬币识别检测系统，在有限标注数据条件下探索最优模型配置和训练策略，为实际部署提供可行性验证。研究成果不仅可直接应用于硬币识别相关场景，也可为其他小型物体识别任务提供方法参考。

数据集介绍

数据集总量为120张标注图像，按照以下比例划分为训练集、验证集和测试集：

本研究使用的美国硬币数据集包含四种面额类别，类别定义如下：

names: ['Dime', 'Nickel', 'Penny', 'Quarter']

训练结果

1、整体性能概览（来自验证结果）

结论：模型整体表现非常优秀，mAP50 高达 0.977，说明在 IoU=0.5 的阈值下，检测准确率极高。mAP50-95 为 0.864，说明模型在不同 IoU 阈值下仍保持较高鲁棒性。

2、各类别表现分析

注意：Nickel 的精度较低（0.889），可能是与其他类别（如 Quarter）存在外观相似性，导致误检。

3、训练过程曲线分析（results.png）

• train/box_loss、cls_loss、dfl_loss持续下降，说明模型在学习。

• val/box_loss、cls_loss、dfl_loss也同步下降，未出现明显上升，说明没有过拟合。

• mAP50 和 mAP50-95在后期趋于平稳，说明模型已收敛。

训练过程健康，模型收敛良好。

4、混淆矩阵分析（confusion_matrix_normalized.png）

从归一化混淆矩阵中可以看出：

• Dime和Quarter分类非常清晰，几乎没有误检。

• Nickel和Penny之间存在少量混淆，可能是由于颜色、大小相似。

• 背景误检较少，说明模型对背景抑制能力较强。

5、PR 曲线分析（BoxPR_curve.png）

• 各类别 PR 曲线在 Recall 接近 1.0 时仍保持高 Precision，说明模型在高召回率下仍能保持高精度，适合实际应用。

6、F1-Confidence 曲线（BoxF1_curve.png）

• 所有类别的 F1 分数在置信度 0.5~0.6 左右达到峰值（约 0.96~0.98），说明模型在该阈值下表现最佳。

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 K2，MuSGD 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