YOLO26超市空货架检测系统：单类别识别，mAP50=0.912，推理仅21.6ms（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）

摘要随着零售行业智能化转型的加速超市运营管理对自动化货架监控的需求日益增长。空货架识别作为库存管理和补货决策的关键环节直接影响客户购物体验和超市运营效率。本研究基于YOLO26目标检测算法构建了一个面向超市场景的空货架识别检测系统。系统采用轻量化YOLO26模型架构针对单类别“100-O-O-S”空货架状态进行检测。实验数据集包含训练集350张、验证集97张、测试集50张总计497张标注图像。经过100轮训练模型在验证集上取得了mAP500.912、mAP50-950.715的检测精度精度达0.936召回率0.852单张图像推理时间仅21.6ms。混淆矩阵分析显示模型对空货架的正检率达87%误检率控制在13%以内。实验结果验证了该系统在超市空货架识别任务中的有效性和实用性为智能零售货架管理提供了可靠的技术解决方案。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零售行业智能化转型趋势空货架问题的商业影响空货架识别的技术挑战研究价值与应用前景数据集介绍类别定义训练结果​编辑整体表现概览​编辑验证结果摘要来自 best.pt 验证各指标详细分析1. 精度Precision与召回率Recall​编辑​编辑2. mAP 指标3. 置信度与精度/召回关系混淆矩阵分析原始混淆矩阵confusion_matrix.png​编辑归一化混淆矩阵confusion_matrix_normalized.png​编辑训练过程曲线results.png​编辑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✅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近年来计算机视觉技术的快速发展为传统零售业的智能化转型提供了强大动力。深度学习目标检测算法在商品识别、货架监控、库存管理等场景中展现出巨大应用潜力。空货架识别作为超市运营管理中的核心痛点之一直接关系到补货决策的及时性和准确性进而影响客户满意度和销售业绩。传统超市货架检查主要依赖人工巡检存在效率低下、主观性强、无法实时监控等问题。随着YOLO系列算法在实时目标检测领域的突破基于视觉的自动化货架监控成为可能。YOLO26作为该系列的最新版本在保持高效推理速度的同时进一步提升了检测精度和模型泛化能力特别适合部署于超市实时监控系统。本研究聚焦于“超市空货架”这一特定检测任务旨在通过YOLO26算法实现对货架空置状态的自动识别。系统仅需识别单类别目标任务相对聚焦但实际场景复杂涉及光照变化、货架遮挡、不同商品包装等多种干扰因素。通过构建专门的训练数据集并进行模型优化本研究探索了深度学习技术在零售场景中的实际应用效果。背景零售行业智能化转型趋势随着物联网、大数据和人工智能技术的深度融合零售行业正经历着从传统模式向智慧零售的深刻变革。根据市场研究机构的数据显示全球智能零售市场规模预计在2025年达到385亿美元年复合增长率超过23%。在这场变革中货架智能化管理成为各大零售商竞相布局的重点领域。货架作为商品与消费者的最终接触点其状态监控的及时性和准确性直接影响着销售转化率和库存周转效率。空货架问题的商业影响空货架现象在超市运营中普遍存在且影响深远。从消费者行为角度看研究表明约30%的消费者在遇到心仪商品缺货时会选择离开该门店导致直接销售损失。从库存管理角度未能及时发现空货架会延长补货周期造成库存积压或断货并存的结构性问题。从运营效率角度人工巡检平均每店每日耗时约4-6小时人力成本高昂且难以保证检查频次和质量。特别是在大型商超或24小时营业的便利店场景中实时监控货架空置状态的需求更为迫切。空货架识别的技术挑战尽管目标检测技术已相当成熟但在空货架识别这一具体场景中仍面临多重技术挑战。首先光照条件复杂多变超市照明存在阴影、反光、色温差异等问题。其次货架结构多样层板、支架等可能对目标造成遮挡。再次商品包装多样性导致空货架的视觉表征差异较大部分空置区域可能与满货架背景混淆。此外不同角度的拍摄视角、货架高度差异、远近景变化等因素都增加了检测难度。这些挑战要求检测系统具备较强的泛化能力和鲁棒性。研究价值与应用前景构建高效准确的空货架识别系统具有重要的理论价值和现实意义。在理论层面该研究可验证先进目标检测算法在特定零售场景中的适用性探索单类别检测任务中的优化策略。在应用层面该系统可与超市现有的监控系统集成实现货架状态的实时监控和自动预警为补货决策提供数据支持。未来可进一步扩展至商品陈列合规性检查、促销活动执行监控、顾客行为分析等更广泛的零售智能化场景。随着边缘计算设备性能的提升将模型部署于本地设备实现低延迟检测也成为可能进一步拓展了系统的应用边界。数据集介绍本研究所使用的空货架数据集共计包含497张标注图像。按照模型训练、验证和测试的标准流程将数据集划分为三个子集训练集350张占比70.4%验证集97张占比19.5%测试集50张占比10.1%该划分比例符合深度学习模型训练的一般惯例既保证了训练数据的充足性也为模型验证和最终性能评估保留了独立的样本集。类别定义数据集采用单类别标注类别名称为“100-O-O-S”代表空货架目标。训练结果整体表现概览验证结果摘要来自best.pt验证mAP50: 0.91291.2%mAP50-95: 0.71571.5%Precision: 0.936Recall: 0.852速度: 每张图片推理时间约 21.6ms适合实时检测结论模型整体表现优秀具备较高的检测精度和召回率适合实际部署。各指标详细分析1.精度Precision与召回率RecallPrecision 0.936表示模型预测为正类的样本中有93.6%是正确的。Recall 0.852表示模型成功检测出85.2%的真实正样本。F1-score ≈ 0.89来自BoxF1_curve.png说明模型在精确率和召回率之间取得了良好平衡。2.mAP 指标mAP50 0.912在IoU0.5的宽松标准下模型表现非常出色。mAP50-95 0.715在更严格的IoU标准下仍保持较高水平说明模型定位精度较好。3.置信度与精度/召回关系BoxP_curve.png显示在置信度接近1时精度可达到1.0。BoxR_curve.png显示在低置信度0.0时召回率最高为0.92。BoxF1_curve.png显示最佳F1得分出现在置信度约0.424处值为0.89。混淆矩阵分析原始混淆矩阵confusion_matrix.png正确分类52正类、179背景归一化混淆矩阵confusion_matrix_normalized.png正类识别准确率87%背景误检率13%背景识别准确率87%漏检率13%分析模型对正类和背景的区分能力较强。训练过程曲线results.png损失曲线box_loss、cls_loss、dfl_loss 均随训练逐步下降未见明显过拟合。精度/召回曲线训练过程中稳定上升mAP50最终稳定在0.91以上。训练平稳性训练过程平滑未见剧烈波动说明模型收敛良好。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