摘要本文基于YOLO26目标检测算法构建了一套面向热成像图像的人员识别检测系统。系统以YOLO26为骨干网络采用单类别人员检测任务训练数据集共包含25,000余张热成像图像其中训练集21,422张验证集3,061张测试集1,531张。实验结果表明模型在验证集上的mAP0.5达到0.91。混淆矩阵分析显示人员检测准确率为88%。系统在热成像低光照、复杂背景等条件下表现出较好的鲁棒性适用于夜间安防、边界巡逻、消防救援等典型热成像人员检测场景。引言热成像技术因其不受可见光限制、能够穿透烟雾和部分遮挡物等优势在安防监控、军事侦察、消防救援、自动驾驶夜视等领域的应用日益广泛。尤其在夜间或恶劣天气条件下热成像是实现人员检测的重要手段。然而热成像图像存在分辨率低、对比度差、噪声干扰大、目标边缘模糊等特点传统图像处理方法难以准确提取人员特征。近年来以YOLOYou Only Look Once为代表的单阶段目标检测算法在可见光目标检测任务中取得了巨大成功具备检测速度快、精度高、端到端训练等优点。将YOLO算法应用于热成像人员识别既能发挥其在实时检测中的优势又能通过深度学习自动学习热成像中的温度分布与形状特征弥补传统方法的不足。为此本文设计并实现了一套基于YOLO的热成像人员识别检测系统。系统以YOLO26为检测模型针对热成像数据特点进行训练与优化并在真实采集的热成像数据集上进行系统评估。本文从数据集构建、模型训练、性能分析到错误类型剖析全面展示了系统的研发过程与检测能力为后续热成像目标检测研究提供参考。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数据集划分训练结果核心性能指标​编辑评价混淆矩阵分析绝对值矩阵​编辑归一化矩阵​编辑曲线分析​编辑​编辑​编辑​编辑训练过程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背景热成像技术通过感知物体发出的红外辐射生成图像无需外部光源能够在完全黑暗、强光、烟雾、雾霾等可见光相机失效的环境中正常工作。这一特性使热成像在军事、安防、工业检测、消防救援等领域具有不可替代的作用。特别是在夜间安防监控和边境巡逻任务中热成像系统能够实现全天候、远距离的人员目标探测是提升安全保障能力的关键技术手段。然而热成像图像与可见光图像存在显著差异给人员目标自动检测带来了诸多挑战。首先热成像图像通常为单通道灰度图或伪彩色图缺乏可见光图像中的丰富纹理和颜色信息仅依靠温度分布来区分不同目标。其次热成像图像分辨率普遍较低如640×512或更低且受环境温度、目标距离、大气衰减等因素影响图像对比度差、噪声水平高。第三人员在热成像中呈现的形态受姿态、衣物厚度、携带物品、环境背景温度等多因素影响容易与其他热源如动物、车辆引擎、发热设备混淆导致误检。此外在炎热环境下人体与背景温差缩小人员目标可能变得非常模糊甚至不可见进一步增加了检测难度。传统的人员检测方法如基于背景建模的运动检测、基于Haar或HOG特征与SVM分类器的滑动窗口方法在热成像图像上表现有限。这些方法难以应对目标尺度变化、姿态变化和复杂背景干扰且计算效率低无法满足实时性要求。随着深度学习的发展卷积神经网络CNN在图像特征提取方面展现出强大能力。其中YOLO系列算法将目标检测问题转化为回归问题通过单个神经网络同时预测目标边界框和类别概率实现了检测速度与精度的良好平衡特别适合对实时性要求较高的热成像检测任务。因此开发一套基于YOLO26的热成像人员识别检测系统具有重要的工程应用价值。系统能够在夜间、恶劣天气、低对比度等条件下实现对人员的快速、准确检测可广泛应用于智慧安防、无人巡检、应急救援、边防监控等实际场景。同时通过系统的性能评估与错误分析也为热成像目标检测技术的进一步优化提供数据支持和改进方向。数据集介绍本系统所使用的热成像人员检测数据集为自建数据集所有图像均来自真实场景下的热红外摄像头采集覆盖多种环境条件、人员姿态、距离和背景复杂度。数据集严格按照COCO格式进行标注仅包含一个类别 ——person人员。数据集划分数据集类型图像数量训练集21,422 张验证集3,061 张测试集1,531 张总计26,014 张训练结果核心性能指标指标值mAP0.50.91mAP0.5:0.950.567Precision (P)0.88Recall (R)0.826类别数1人验证集图片3061实例数6698评价mAP0.5 0.91表示模型在 IoU0.5 时检测性能优秀能够较准确识别热成像中的人员。mAP0.5:0.95 0.567说明在高 IoU 要求下性能下降明显定位精度有提升空间。召回率 0.826略低于精确率 0.88存在一定漏检。混淆矩阵分析绝对值矩阵正确检测人员5903漏检人员误判为背景1261误检背景判为人员795归一化矩阵人员检测准确率0.88人员漏检率0.12背景误检率0.12曲线分析曲线观察F1-Confidence最大 F10.85 在置信度≈0.393~0.400说明平衡 P/R 的最佳阈值约 0.395Precision-RecallAP0.50.91曲线面积大P/R 整体平衡良好Precision-Confidence高置信度下精度接近 1但召回下降Recall-Confidence召回随置信度下降而上升符合预期训练过程results.png训练损失box/cls/dfl稳定下降无过拟合迹象验证集 mAP0.5 和 mAP0.5:0.95 收敛平滑Precision/Recall 稳定在 0.85 左右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