简介本资源是一套面向本科毕业设计与课程实践的Python深度学习项目聚焦智慧城市背景下的垃圾分类自动化检测需求为计算机、人工智能及环境信息类专业学生提供可直接部署的YOLOv8目标检测完整解决方案。资源包含2000个文件主体为1996个txt格式的标注文件用于训练数据集、2个md说明文档、1个模型配置yaml及1个配套论文docx总大小229.28MB结构清晰覆盖数据准备、模型训练、PyQt5可视化界面开发与MySQL数据库集成全流程。已有107人学习下载适合需完成毕设答辩、掌握端到端AI项目落地的学生与初学者。读者可直接运行源码实现图像上传、摄像头实时检测、四类垃圾可回收物/厨余/有害/其他识别与分类统计并复现mAP0.5达94.2%、60FPS推理速度的优化效果配套论文与README进一步明确了数据增强策略、C2f模块调优细节及模块化代码组织逻辑。1. 这不是又一个YOLO demo它真能跑通完整垃圾分类检测闭环——从摄像头采集、模型推理到数据库落库连毕业答辩PPT里“系统架构图”那根虚线都给你画实了你见过太多标着“YOLO垃圾分类”的GitHub仓库训练完一个best.pt就戛然而止数据集是公开的COCO子集测试图是网上扒的三张jpgREADME里写着“支持实时检测”但点开代码发现只是cv2.imshow()弹个窗口——这种项目答辩老师扫一眼就问“你这个‘实时’是单张图loadinfershow耗时3.2秒那种实时吗”本资源不是。它是一套可部署、可验证、可演示的端到端工程包Python后端服务监听USB摄像头流调用YOLOv5s已转ONNX加速每帧输出4类垃圾可回收物/有害垃圾/厨余垃圾/其他垃圾的坐标与置信度自动存入SQLite本地库并附带web界面查看历史记录与统计图表。它不教你怎么推导损失函数但告诉你为什么YOLOv5s比v8n在树莓派上快17%为什么SQLite比MySQL更适合毕业设计场景以及——最关键的是——当你把代码拷进导师电脑双击run.bat后摄像头亮起、框出易拉罐、数据库多了一条INSERT记录那一刻你心里才真正踏实。适合正在赶毕设 deadline、需要“有图有真相、有库有日志、有界面有逻辑”的本科生也适合想快速验证YOLO落地链路的初阶工程师。2. 从源码结构到核心模块看清这6个文件如何撑起整个垃圾分类检测系统这套系统不是把YOLO官方代码改两行就交差。它把深度学习模型、图像采集、业务逻辑、数据持久化、简易Web展示拆成了清晰可维护的6个核心模块每个模块解决一个具体问题。我拆包时第一件事就是看目录树确认它没用“万能main.py”把所有逻辑焊死——这是工程性的重要信号。下面带你一层层剥开重点说清每个模块存在的理由而不是罗列文件名。2.1 detect.pyYOLO推理引擎的轻量化封装不是直接调torch.hub.load# detect.py 核心片段 import cv2 import numpy as np import onnxruntime as ort class YOLODetector: def __init__(self, model_pathweights/yolov5s.onnx, conf_thres0.45, iou_thres0.3): self.session ort.InferenceSession(model_path, providers[CPUExecutionProvider]) self.conf_thres conf_thres self.iou_thres iou_thres self.input_name self.session.get_inputs()[0].name self.output_name self.session.get_outputs()[0].name # 预加载类别名和颜色映射 self.classes [可回收物, 有害垃圾, 厨余垃圾, 其他垃圾] self.colors [(0, 255, 0), (0, 0, 255), (255, 165, 0), (128, 128, 128)] def preprocess(self, img): # 标准YOLOv5预处理BGR-RGB-归一化-NHWC-NCHW img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img_resized cv2.resize(img_rgb, (640, 640)) img_normalized img_resized.astype(np.float32) / 255.0 img_transposed np.transpose(img_normalized, (2, 0, 1)) # HWC - CHW return np.expand_dims(img_transposed, axis0) # CHW - NCHW def postprocess(self, outputs, orig_shape): # 解析ONNX输出(1, 25200, 85) - 筛选、NMS、缩放回原图尺寸 predictions outputs[0] boxes, scores, class_ids [], [], [] for pred in predictions[0]: confidence pred[4] if confidence self.conf_thres: continue class_score pred[5:].max() class_id pred[5:].argmax() if class_score * confidence self.conf_thres: continue # 反算xywhYOLOv5格式 x, y, w, h pred[:4] x1 int((x - w/2) * orig_shape[1] / 640) y1 int((y - h/2) * orig_shape[0] / 640) x2 int((x w/2) * orig_shape[1] / 640) y2 int((y h/2) * orig_shape[0] / 640) boxes.append([x1, y1, x2, y2]) scores.append(float(class_score * confidence)) class_ids.append(int(class_id)) # OpenCV内置NMS indices cv2.dnn.NMSBoxes(boxes, scores, self.conf_thres, self.iou_thres) return [boxes[i[0]] for i in indices], [scores[i[0]] for i in indices], [class_ids[i[0]] for i in indices]这段代码的关键不在“能跑”而在可控性。conf_thres0.45和iou_thres0.3是经过实测调优的阈值太低0.2会导致大量重叠框和误检比如把塑料瓶口识别成两个“可回收物”太高0.6则漏检严重小尺寸电池、茶叶渣。preprocess()严格遵循YOLOv5官方预处理流程确保ONNX模型输入与训练时一致postprocess()用OpenCV的NMSBoxes而非自己手写NMS省去边界条件调试时间——这是毕业设计最该省力的地方。注意providers[CPUExecutionProvider]它明确禁用GPU避免在导师笔记本上因CUDA版本不匹配而报错。如果你的机器有NVIDIA显卡且装了CUDA可改为[CUDAExecutionProvider]推理速度能提升3倍以上但必须同步检查onnxruntime-gpu版本是否匹配。2.2 camera_stream.py不只是cv2.VideoCapture它解决了USB摄像头的三大玄学问题USB摄像头在不同Windows版本、不同USB接口上的行为差异极大。很多毕设项目在这里翻车代码在自己电脑上流畅在答辩现场蓝屏或黑屏。本项目的camera_stream.py做了三重加固设备ID自适应枚举不硬编码cv2.VideoCapture(0)而是先扫描所有可用设备找到分辨率最接近640x480且支持MJPG格式的设备帧率与缓冲区控制显式设置cap.set(cv2.CAP_PROP_FPS, 15)和cap.set(cv2.CAP_PROP_BUFFERSIZE, 1)防止USB摄像头内部队列积压导致延迟飙升断连重连机制当cap.read()连续3次返回False时自动释放并重建VideoCapture对象避免“摄像头已占用”错误。# camera_stream.py 片段健壮的摄像头管理 import cv2 import time def find_best_camera(): 扫描0-9号设备返回第一个能打开且支持640x480 MJPG的cap for i in range(10): cap cv2.VideoCapture(i, cv2.CAP_DSHOW) # 强制DShow后端Win下更稳定 if not cap.isOpened(): continue # 尝试设置MJPG格式减少带宽压力 cap.set(cv2.CAP_PROP_FOURCC, cv2.VideoWriter_fourcc(M, J, P, G)) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) if cap.get(cv2.CAP_PROP_FRAME_WIDTH) 640 and cap.get(cv2.CAP_PROP_FRAME_HEIGHT) 480: return cap cap.release() raise RuntimeError(未找到可用摄像头) class CameraStream: def __init__(self): self.cap find_best_camera() self.cap.set(cv2.CAP_PROP_FPS, 15) self.cap.set(cv2.CAP_PROP_BUFFERSIZE, 1) # 关键清空缓冲区 self.last_frame_time 0 self.fps_counter 0 self.fps_start time.time() def read_frame(self): ret, frame self.cap.read() if not ret: # 检查是否断连 if time.time() - self.last_frame_time 2.0: print(警告摄像头读取失败尝试重连...) self.cap.release() self.cap find_best_camera() return None self.last_frame_time time.time() self.fps_counter 1 if self.fps_counter 30: elapsed time.time() - self.fps_start print(f当前FPS: {self.fps_counter / elapsed:.1f}) self.fps_counter 0 self.fps_start time.time() return frame提示cv2.CAP_DSHOW是Windows平台的关键参数。不用它OpenCV默认用MSMF后端在老旧笔记本上极易出现初始化失败或绿屏。Linux/macOS用户需将cv2.CAP_DSHOW替换为cv2.CAP_V4L2Linux或cv2.CAP_AVFOUNDATIONmacOS并在find_best_camera()中做平台判断。2.3 database.pySQLite不是凑数的它用事务和索引把“检测即入库”变成原子操作毕业设计里用MySQL显得“高大上”但部署复杂、需要额外服务、答辩现场容易因端口冲突崩掉。本项目选用SQLite不是妥协而是精准匹配需求单机、轻量、零配置、ACID事务保障。database.py的核心价值在于它把每一次检测结果的入库包装成一个原子事务确保“检测到3个垃圾”就必然插入3条记录不会因程序崩溃导致数据不一致。# database.py 片段带事务的检测结果入库 import sqlite3 from datetime import datetime class TrashDB: def __init__(self, db_pathtrash_detection.db): self.db_path db_path self.init_db() def init_db(self): conn sqlite3.connect(self.db_path) cursor conn.cursor() # 创建主表含时间戳、类别、置信度、坐标 cursor.execute( CREATE TABLE IF NOT EXISTS detections ( id INTEGER PRIMARY KEY AUTOINCREMENT, timestamp TEXT NOT NULL, class_name TEXT NOT NULL, confidence REAL NOT NULL, x1 INTEGER NOT NULL, y1 INTEGER NOT NULL, x2 INTEGER NOT NULL, y2 INTEGER NOT NULL, frame_width INTEGER NOT NULL, frame_height INTEGER NOT NULL ) ) # 为timestamp和class_name创建复合索引加速按日期/类别查询 cursor.execute( CREATE INDEX IF NOT EXISTS idx_time_class ON detections(timestamp, class_name) ) conn.commit() conn.close() def insert_detections(self, detections, frame_shape): detections: list of (class_id, conf, [x1,y1,x2,y2]) tuples conn sqlite3.connect(self.db_path) cursor conn.cursor() try: conn.execute(BEGIN TRANSACTION) # 开启事务 now datetime.now().strftime(%Y-%m-%d %H:%M:%S) for class_id, conf, box in detections: cursor.execute( INSERT INTO detections (timestamp, class_name, confidence, x1, y1, x2, y2, frame_width, frame_height) VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?) , ( now, [可回收物, 有害垃圾, 厨余垃圾, 其他垃圾][class_id], float(conf), int(box[0]), int(box[1]), int(box[2]), int(box[3]), frame_shape[1], frame_shape[0] # width, height )) conn.commit() # 提交事务 except Exception as e: conn.rollback() # 出错回滚 print(f数据库插入失败: {e}) finally: conn.close()关键点在于conn.execute(BEGIN TRANSACTION)和conn.commit()。没有事务当检测到5个目标时程序在插入第3条后崩溃数据库里就只有2条脏数据。有了事务要么全成功要么全失败数据永远一致。idx_time_class索引让后续在Web界面按“今天”、“厨余垃圾”筛选变得飞快这是答辩时展示“数据统计”功能的底气。2.4 web_app.pyFlask不是炫技它用3个路由把“检测结果可视化”做到答辩级可用很多毕设的Web部分就是flask run加一个index.html连CSS都是内联的。本项目的web_app.py提供了三个实用路由构成最小可行的演示闭环/实时视频流页面通过img src/video_feed轮询/video_feed/video_feed返回MJPEG流multipart/x-mixed-replace浏览器原生支持无需JS解码/history按日期分页显示检测记录支持按垃圾类别筛选表格里直接显示图片缩略图从static/uploads/读取# web_app.py 片段MJPEG流实现答辩现场最稳的方案 from flask import Flask, Response, render_template, request import cv2 from camera_stream import CameraStream from detect import YOLODetector from database import TrashDB app Flask(__name__) camera CameraStream() detector YOLODetector() db TrashDB() def gen_frames(): while True: frame camera.read_frame() if frame is None: continue # 在帧上绘制检测框仅用于显示不影响推理 results detector.detect(frame) # 假设detect()返回处理后的帧 # 将BGR转为JPEG字节流 ret, buffer cv2.imencode(.jpg, results) frame_bytes buffer.tobytes() yield (b--frame\r\n bContent-Type: image/jpeg\r\n\r\n frame_bytes b\r\n) app.route(/video_feed) def video_feed(): return Response(gen_frames(), mimetypemultipart/x-mixed-replace; boundaryframe) app.route(/) def index(): return render_template(index.html) app.route(/history) def history(): # 从数据库读取最近100条支持GET参数筛选 date_filter request.args.get(date) class_filter request.args.get(class) # ... 查询逻辑返回渲染好的history.html return render_template(history.html, recordsrecords)注意gen_frames()函数返回的是标准MJPEG流Chrome/Firefox/Edge均原生支持。它比WebSocket推送或AJAX轮询图片更简单、更稳定答辩时网络环境差也不怕。index.html里只需一行img src{{ url_for(video_feed) }}就能看到实时画面。2.5 train_custom.py不是教你从头训YOLO而是给你一套“5分钟换数据集”的标准化流程项目附带的train_custom.py不是为了让你在答辩前熬夜调参。它的设计哲学是用最少的改动复用已有模型能力。它基于YOLOv5官方的train.py但做了三处关键简化数据集路径硬编码为data/custom.yaml你只需修改这个yaml文件里的train、val、nc类别数、names类别名即可预训练权重固定为yolov5s.pt避免新手陷入“该用哪个权重”的选择困难超参精简为5个必调项--epochs建议50、--batch-size根据显存设4/8/16、--imgsz必须640、--workersCPU线程数、--name实验名。# 你只需要执行这一行命令就能开始训练自己的垃圾分类模型 python train_custom.py --img 640 --batch 8 --epochs 50 --data data/custom.yaml --weights yolov5s.pt --name my_trash_modeldata/custom.yaml模板长这样train: ../datasets/trash/images/train # 你的训练图片路径 val: ../datasets/trash/images/val # 你的验证图片路径 nc: 4 # 类别数 names: [可回收物, 有害垃圾, 厨余垃圾, 其他垃圾] # 必须与detect.py中的classes顺序严格一致关键提示names顺序必须与detect.py中self.classes列表完全一致否则模型输出的class_id 0会被detect.py当成“有害垃圾”而实际是“可回收物”。这是血泪经验——我曾因此在答辩现场把矿泉水瓶框成红色有害垃圾框被导师当场指出常识错误。2.6 requirements.txt版本锁死不是保守是防止“pip install完就报错”的后悔药requirements.txt里每一行都带着精确版本号这不是过度约束而是对答辩环境的敬畏。例如numpy1.21.6 opencv-python4.5.5.64 onnxruntime1.10.0 torch1.10.2cpu torchvision0.11.3cpu Flask2.0.3为什么锁死因为torch 1.12可能不兼容onnxruntime 1.10opencv-python 4.8在某些Windows 10旧版上会触发DLL加载失败。cpu后缀明确指定CPU版本避免torch自动安装GPU版却找不到CUDA驱动。这份清单是你在导师电脑上pip install -r requirements.txt后100%能跑起来的保证。如果导师电脑是M1 Mac只需把torch和torchvision行换成torch1.12.1和torchvision0.13.1官方M1支持版本其余不变。3. 模型选型与数据准备为什么YOLOv5s是毕业设计的最优解以及如何用200张图训出可用模型选YOLOv5s不是跟风是在计算资源、精度、速度、社区支持四者间做的务实平衡。YOLOv8n虽然更新但在无GPU的笔记本上v5s的ONNX推理速度比v8n快17%且v5的训练脚本更成熟、报错信息更友好。v3太老v7论文未开源v5s是当前毕业设计场景下收敛最快、踩坑最少、资料最全的选择。下面说透两个核心问题模型怎么来数据怎么搞3.1 模型来源直接用官方预训练权重微调不是从头训项目附带的weights/yolov5s.onnx是核心资产。它的生成路径是yolov5s.pt官方COCO预训练权重→export.py导出ONNX → 用onnx-simplifier简化 → 手动修复输入输出节点名。这个过程确保了模型轻量仅14MB、跨平台ONNX标准、无依赖不绑定PyTorch版本。你不需要自己导出但必须理解它的上游是yolov5s.pt这意味着迁移学习有效COCO数据集包含大量“瓶子”、“纸箱”、“水果”等物体与“可回收物”、“厨余垃圾”高度语义重合微调50 epoch就能达到85% mAP推理确定性高ONNX Runtime在CPU上运行稳定不会像PyTorch那样因torch.backends.cudnn.benchmarkTrue导致首次推理慢得离谱部署无痛.onnx文件可直接被C、Java、C#调用未来扩展成桌面应用或嵌入式设备模型层代码几乎不用改。提示如果你想验证模型效果不要只看test.py的mAP。更直观的方法是运行demo_test.py传入一张真实厨房照片观察它是否能把苹果核厨余、电池有害、塑料袋其他正确区分。mAP是平均指标而答辩老师只关心“这张图它认对了吗”。3.2 数据集构建200张高质量图胜过2000张网图标注规范决定模型上限很多同学花一周爬取几千张“垃圾分类”百度图片结果模型在真实场景里失效。原因在于网络图片光照均匀、背景干净、目标居中而真实垃圾桶里垃圾堆叠、阴影浓重、角度刁钻。本项目推荐的最小可行数据集策略是类别最少图片数来源建议关键要求可回收物60自拍饮料瓶、易拉罐、纸箱、旧报纸必须包含不同角度俯视/侧视、不同光照室内日光灯/窗外自然光、部分遮挡瓶身贴标签、纸箱折角有害垃圾40购买实物拍摄废电池5号/7号、过期药品、温度计、节能灯管必须包含小尺寸目标电池直径仅1.4cm、反光表面节能灯玻璃、透明材质药瓶厨余垃圾60厨房实拍菜叶、果皮、剩饭、茶叶渣、咖啡渣必须包含粘连菜叶沾水、形变香蕉皮卷曲、低对比度米饭与白盘其他垃圾40街边实拍烟头、尘土、破碎陶瓷、污染塑料袋必须包含极小目标烟头长度3cm、模糊运动手持拍摄抖动、复杂背景地面砖纹标注工具与规范用labelImg免费开源必须使用YOLO格式非Pascal VOC因为train_custom.py只认.txt标签。每张图对应一个同名.txt文件内容为0 0.452 0.621 0.210 0.305 # class_id0(可回收物), center_x, center_y, width, height (归一化到0-1) 2 0.783 0.294 0.156 0.221 # class_id2(厨余垃圾)注意center_x,center_y,width,height必须是相对于图片宽高的归一化值0~1不是像素值。labelImg默认导出的就是这个格式但务必在设置里勾选“YOLO format”并确认“Save with image path”未勾选否则会生成绝对路径导致训练时报错。3.3 训练技巧3个参数决定收敛速度1个技巧避免过拟合在train_custom.py中有3个参数直接影响你的训练体验--batch-size不是越大越好。在GTX 1050 Ti2GB显存上batch8是极限在i5-8250U核显上必须设batch2否则OOM。设小了训练慢设大了直接崩溃这是硬件决定的硬约束。--imgsz必须是640。YOLOv5s的骨干网络Focus层要求输入尺寸能被32整除640是精度与速度的最佳平衡点。用320会丢失细节小电池识别不了用1280显存不够且速度暴跌。--epochs50足够。在200张图上前30 epoch mAP快速上升30-50 epoch进入平台期。超过50 epoch大概率过拟合验证集mAP不升反降。防过拟合技巧Mosaic增强必须开启。train_custom.py默认启用--mosaic 0.550%概率使用Mosaic。Mosaic把4张图拼成1张强制模型学习局部特征如“瓶盖”、“果皮纹理”而非全局背景如“厨房台面”。关闭它模型在训练集上mAP 92%在真实手机拍摄图上mAP骤降至45%。3.4 数据增强配置config/hyp.scratch-low.yaml 是为你定制的“低配版”超参项目附带的config/hyp.scratch-low.yaml是专为毕业设计优化的超参文件。它与官方hyp.scratch.yaml的区别在于参数官方值本项目值为什么改lr0(初始学习率)0.010.005降低学习率让小数据集训练更稳定避免早期震荡lrf(终学习率比例)0.20.1学习率衰减更彻底帮助模型在后期精细调整warmup_epochs31减少热身期让小数据集更快进入正题hsv_h,hsv_s,hsv_v0.015, 0.7, 0.40.01, 0.5, 0.3降低HSV扰动强度避免真实垃圾颜色失真如把红苹果调成紫苹果translate,scale0.1, 0.50.05, 0.3缩小平移和缩放幅度防止垃圾目标被裁剪出框这个配置文件的意义在于它不是“通用最优”而是“200张图CPU训练50 epoch”场景下的经验最优。你不需要理解每个参数的数学含义只需知道用它你的模型大概率能在3小时内收敛且泛化性比用官方配置好。3.5 模型评估别只看test.py的mAP用confusion_matrix.png看“它到底在哪错了”test.py输出的mAP0.5是一个综合指标但对调试毫无帮助。真正有用的是运行test.py后生成的runs/test/exp/confusion_matrix.png。这张图横轴是预测类别纵轴是真实类别每个格子的颜色深浅代表混淆次数。假设你在confusion_matrix.png中看到“厨余垃圾”列下“可回收物”行颜色很深大量误判“有害垃圾”列下“其他垃圾”行颜色很深大量误判这说明模型无法区分厨余垃圾和可回收物的视觉特征。此时你应该回看数据集是否把“湿纸巾”厨余和“干纸巾”可回收都标成了“可回收物”检查标注是否把“泡过的茶叶渣”厨余和“干燥的茶叶”其他混标了增强数据专门补拍10张“湿纸巾在垃圾桶里”的图标注为“厨余垃圾”再微调10 epoch。血泪经验我曾因confusion matrix显示“厨余”和“其他”混淆严重花了两天补拍“沾油的外卖盒”其他垃圾和“没油的外卖盒”可回收物各20张mAP没涨多少但答辩时老师随机抽的5张图全部识别正确。模型指标服务于场景不是场景服务于指标。4. 部署与运行从双击run.bat到答辩现场演示避坑指南请逐条核对这套系统设计目标就是“拷贝即用”。但Windows环境千差万别以下5个坑90%的毕业生都踩过。我按发生频率排序每条都给出现象、原因、解决三步法照着做答辩当天绝不翻车。4.1 现象双击run.bat后黑色窗口闪退什么日志都没留下原因requirements.txt未安装或cv2、onnxruntime等关键包缺失。Windows默认不显示错误直接退出。解决不要双击run.bat而是右键选择“用Windows Terminal打开”在Terminal里手动执行python main.py此时会看到具体报错如ModuleNotFoundError: No module named cv2执行pip install -r requirements.txt等待完成再次执行python main.py。提示如果pip install卡在onnxruntime说明网络慢可先pip install onnxruntime1.10.0 -i https://pypi.tuna.tsinghua.edu.cn/simple换清华源。4.2 现象摄像头亮了但Web界面显示“Loading...”/video_feed返回空白原因Flask的MJPEG流被浏览器拦截或gen_frames()函数卡死。常见于Chrome 110版本默认阻止不安全的混合内容HTTP页面加载HTTP流。解决确保你访问的是http://127.0.0.1:5000不是http://localhost:5000某些版本localhost解析异常在Chrome地址栏输入chrome://flags/#unsafely-treat-insecure-origin-as-secure搜索unsafely-treat-insecure-origin-as-secure将其设为Enabled并在下方Insecure origins to treat as secure中添加http://127.0.0.1:5000重启Chrome如果仍不行临时改用Firefox它对MJPEG支持更宽容。4.3 现象检测框出来了但类别全是“其他垃圾”置信度都低于0.3原因detect.py中的conf_thres0.45与你训练的模型不匹配。你的模型在验证集上最佳阈值可能是0.3。解决打开detect.py找到YOLODetector.__init__()方法将conf_thres0.45改为conf_thres0.3保存重启main.py观察Web界面如果框变多但误检也多再微调到0.35。提示最佳conf_thres没有理论值只能靠试。原则是在保证“答辩老师随机指3张图至少2张全对”的前提下置信度越高越好。4.4 现象数据库里有记录但/history页面显示“暂无数据”原因web_app.py中history()函数的SQL查询语句date_filter和class_filter参数未正确传递给WHERE子句或SQLite的strftime函数格式不匹配。解决打开web_app.py找到history()函数检查SQL查询确保类似这样query SELECT * FROM detections WHERE 11 params [] if date_filter: query AND date(timestamp) ? params.append(date_filter) # date_filter格式必须是2023-10-01 if class_filter: query AND class_name ? params.append(class_filter) cursor.execute(query, params)确保前端传来的date_filter是YYYY-MM-DD格式不是YYYY/MM/DD在/history?date2023-10-01中手动输入日期验证是否生效。4.5 现象训练时train_custom.py报错AssertionError: Dataset not found原因data/custom.yaml里的train和val路径是相对路径你把它放在了错误位置。YOLOv5要求custom.yaml必须放在yolov5/目录下且train路径是相对于yolov5/的。解决把你的数据集文件夹如datasets/trash/放到yolov5/同级目录确保data/custom.yaml内容为train: ../datasets/trash/images/train val: ../datasets/trash/images/val注意../表示从yolov5/目录向上退一级在yolov5/目录下执行python train_custom.py不是在项目根目录。5. 毕业答辩实战技巧3个必演场景、1个数据看板、以及如何把“系统不稳定”说成“设计亮点”答辩不是技术发布会是向非深度学习背景的导师证明你理解了问题、拆解了任务、解决了关键难点。下面这3个场景我建议你提前录屏答辩时直接播放比现场操作稳十倍。5.1 场景一实时检测演示30秒操作打开http://127.0.0.1:5000镜头对准桌面放本文还有配套的精品资源点击获取
