一、数据集介绍
1、数量：7000+张图片和对应标签
2、类别：plastic（塑料垃圾）、bio（生物）、rov（ROV机器人）共3类
二、训练好的模型介绍
1、基于YOLOv8训练的模型
2、训练轮数：300轮
3、精确率：98.3%
三、完整系统介绍
1、检测：plastic（塑料垃圾）、bio（生物）、rov（ROV机器人）共3类
2、图片检测+视频检测+摄像头检测
3、展示检测目标置信度位置信息，统计数量，自由选择检测结果
4、检测结果保存至本地
5、自定义系统标题：UIProgram->UiMain.py->拉到末尾
6、自定义系统图标：UIProgram->ui_imgs->替换图片注意文件格式和名称不变
四、论文介绍
随着全球海洋污染问题日益严峻，海底垃圾识别技术在海洋环境保护和资源管理中逐渐受到重视。基于深度学习的图像识别技术在复杂环境下的目标检测领域取得了显著进展，为海底垃圾识别提供了新的解决方案。本文提出了一种基于深度学习的海底垃圾识别系统，采用先进的YOLOv8算法作为核心检测模型，并结合PyQt5框架构建了用户友好的图形用户界面（GUI）。YOLOv8算法凭借其高效的检测速度和较高的识别精度，在复杂水下环境中展现了优异的性能，而PyQt5框架则为系统提供了直观且交互性强的操作界面。
本文首先介绍了海底垃圾识别技术的研究背景及其在海洋环境保护中的重要性，并对YOLO系列算法在目标检测领域的应用进行了综述。接着，详细阐述了系统的设计方案，包括系统架构、数据预处理、模型设计以及界面设计。在系统实现部分，描述了环境搭建、模型训练、界面实现以及系统测试的过程。通过实验验证了所提系统在不同光照和水下环境下的垃圾识别性能，包括识别精度、速度和模型的泛化能力。实验结果表明，该系统在保持较高识别准确率的同时，能够实现快速的识别速度，满足实时海底垃圾识别的需求。最后，本文总结了研究成果，并对未来的研究方向进行了展望。该研究不仅为海底垃圾识别提供了一种有效的解决方案，也为深度学习技术在海洋环境保护领域的应用提供了新的思路。
源码已经过本人亲自测试，可完美运行
