鸡检测数据集 基于 YOLOv11 养鸡目标计数检测系统![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/4c18a9736a667c786eb0468e4392d3b2.png)
，5303张，yolo和voc两种标注方式
1类，标注数量：
chicken: 53157
image num: 5303![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/80224b47a260aea67e4a9d9dd9295279.png)
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/8674ec14a1bc33eb30311a576aab43a8.png)


2.模型代码：模型训练使用yolov11n训练，30个epoch训练结果，map如描述图所示。![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/2662f8b47800d3d3ddbb3550e225479b.png)

3.qt界面：运行界面采用qt编写，本项目已经训练好模型，配置好环境后可直接使用，运行效果见描述图像![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/05b6cd8e374dd62c770be2ff7afba8a1.png)
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/f2d972092e5815cf732bf146956367fd.png)
# 基于YOLOv11养鸡目标计数检测系统完整代码
## 1、环境安装
```bash
pip install ultralytics opencv-python pyqt5 numpy pandas
```

## 2、数据集配置 chicken.yaml
```yaml
path: ./chicken_dataset
train: images/train
val: images/val
test: images/test

names:
  0: chicken
```

## 3、模型训练脚本 train.py
```python
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO("yolo11n.pt")
    results = model.train(
        data="chicken.yaml",
        epochs=80,
        imgsz=640,
        batch=8,
        device=0,
        workers=2,
        amp=False,
        project="runs/train",
        name="chicken_det"
    )
    print("训练完成！")
    metrics = model.val()
    print(f"mAP@0.5:{metrics.box.map50}")
```

## 4、图片推理脚本 predict.py
```python
from ultralytics import YOLO
import cv2

model = YOLO("runs/train/chicken_det/weights/best.pt")

def predict_image(img_path):
    res = model(img_path, conf=0.3)
    for r in res:
        img = r.plot()
        cv2.imwrite("chicken_result.jpg", img)
        print(f"检测到鸡只数量：{len(r.boxes)}")
    return img

predict_image("test.jpg")
```

## 5、PyQt5可视化界面代码 main_ui.py（和截图界面完全匹配）
```python
import sys
import cv2
import pandas as pd
from PyQt5.QtWidgets import (QApplication, QMainWindow, QPushButton, QLabel, QFileDialog, QWidget,
                             QHBoxLayout, QVBoxLayout, QTableWidget, QTableWidgetItem, QComboBox)
from PyQt5.QtGui import QImage, QPixmap
from PyQt5.QtCore import Qt, QThread, pyqtSignal
from ultralytics import YOLO

model = YOLO("runs/train/chicken_det/weights/best.pt")

class VideoThread(QThread):
    change_pixmap = pyqtSignal(QImage)
    def run(self):
        cap = cv2.VideoCapture(0)
        while cap.isOpened():
            ret, frame = cap.read()
            if not ret:
                break
            res = model(frame, conf=0.3)
            frame = res[0].plot()
            rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
            h,w,ch = rgb.shape
            qimg = QImage(rgb.data, w, h, ch*w, QImage.Format_RGB888)
            self.change_pixmap.emit(qimg)
        cap.release()

class MainWindow(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("基于YOLOv11的养鸡目标计数检测系统")
        self.setGeometry(100,100,1250,900)
        self.thread = None
        self.result_data = []

        w = QWidget()
        self.setCentralWidget(w)
        main_layout = QHBoxLayout(w)

        # 左侧图片+结果表格区域
        left_layout = QVBoxLayout()
        self.img_label = QLabel("图像展示区域")
        self.img_label.setFixedSize(720,520)
        left_layout.addWidget(self.img_label)

        # 检测结果表格
        self.table = QTableWidget()
        self.table.setColumnCount(5)
        self.table.setHorizontalHeaderLabels(["序号","文件路径","类别","置信度","坐标位置"])
        left_layout.addWidget(self.table)

        # 右侧控制面板
        right_widget = QWidget()
        right_layout = QVBoxLayout(right_widget)
        right_layout.addWidget(QLabel("文件导入"))
        self.btn_img = QPushButton("选择图片")
        self.btn_video = QPushButton("选择视频文件")
        self.btn_cam = QPushButton("开启摄像头")
        self.btn_img.clicked.connect(self.load_img)
        self.btn_video.clicked.connect(self.load_video)
        self.btn_cam.clicked.connect(self.open_cam)
        right_layout.addWidget(self.btn_img)
        right_layout.addWidget(self.btn_video)
        right_layout.addWidget(self.btn_cam)

        right_layout.addWidget(QLabel("检测结果"))
        self.label_time = QLabel("用时：-- s  目标数目：--")
        self.combo_target = QComboBox()
        self.combo_target.addItem("全部")
        self.label_conf = QLabel("置信度 -- %")
        self.label_pos = QLabel("xmin: -- ymin: --\nxmax: -- ymax: --")
        right_layout.addWidget(self.label_time)
        right_layout.addWidget(self.combo_target)
        right_layout.addWidget(self.label_conf)
        right_layout.addWidget(self.label_pos)

        # 操作按钮
        self.btn_save = QPushButton("保存")
        self.btn_exit = QPushButton("退出")
        self.btn_save.clicked.connect(self.save_result)
        self.btn_exit.clicked.connect(self.close)
        right_layout.addWidget(self.btn_save)
        right_layout.addWidget(self.btn_exit)

        main_layout.addLayout(left_layout)
        main_layout.addWidget(right_widget)

    def load_img(self):
        file,_ = QFileDialog.getOpenFileName(self,"打开图片","","*.jpg;*.png;*.bmp")
        if not file:
            return
        src = cv2.imread(file)
        res = model(file,conf=0.3)[0]
        img_res = res.plot()
        rgb_res = cv2.cvtColor(img_res,cv2.COLOR_BGR2RGB)
        h,w,ch = rgb_res.shape
        q_res = QImage(rgb_res.data,w,h,ch*w,QImage.Format_RGB888)
        self.img_label.setPixmap(QPixmap.fromImage(q_res))

        boxes = res.boxes
        self.result_data.clear()
        self.table.setRowCount(0)
        for idx, box in enumerate(boxes):
            conf = float(box.conf)
            cls = res.names[int(box.cls)]
            xyxy = box.xyxy.tolist()[0]
            x1,y1,x2,y2 = map(int,xyxy)
            self.result_data.append([idx+1, file, cls, f"{conf:.2f}", f"[{x1},{y1},{x2},{y2}]"])
            self.table.insertRow(idx)
            self.table.setItem(idx,0,QTableWidgetItem(str(idx+1)))
            self.table.setItem(idx,1,QTableWidgetItem(file))
            self.table.setItem(idx,2,QTableWidgetItem(cls))
            self.table.setItem(idx,3,QTableWidgetItem(f"{conf:.4f}"))
            self.table.setItem(idx,4,QTableWidgetItem(f"[{x1},{y1},{x2},{y2}]"))
        if len(boxes)>0:
            self.label_time.setText(f"用时：{res.speed['inference']/1000:.3f} s  目标数目：{len(boxes)}")
            box0 = boxes[0]
            self.label_conf.setText(f"置信度{float(box0.conf)*100:.2f} %")
            x1,y1,x2,y2 = map(int,box0.xyxy.tolist()[0])
            self.label_pos.setText(f"xmin: {x1}   ymin: {y1}\nxmax: {x2}   ymax: {y2}")

    def load_video(self):
        path,_ = QFileDialog.getOpenFileName(self,"打开视频","","*.mp4;*.avi")
        if path:
            model.predict(path,save=True,conf=0.3)

    def open_cam(self):
        self.thread = VideoThread()
        self.thread.change_pixmap.connect(lambda img:self.img_label.setPixmap(QPixmap.fromImage(img)))
        self.thread.start()

    def save_result(self):
        df = pd.DataFrame(self.result_data,columns=["序号","文件路径","类别","置信度","坐标位置"])
        df.to_csv("chicken_det_result.csv",index=False,encoding="utf-8-sig")

if __name__ == '__main__':
    app = QApplication(sys.argv)
    win = MainWindow()
    win.show()
    sys.exit(app.exec())
```
运行命令：`python main_ui.py`



鸡检测数据集 基于 YOLOv11 养鸡目标计数检测系统，5303张，yolo和voc两种标注方式1类，标注数量：chicken: 53157image num: 5303

基于 YOLOv11 养鸡目标计数检测系统 鸡检测数据集

人工智能

开发工具

客户端

基于YOLOv11的养鸡目标计数检测系统，提供5303张图像数据集，标注鸡只53157个，支持YOLO与VOC双格式。采用yolov11n模型训练，内置PyQt5可视化界面，支持图片、视频、摄像头实时检测，输出鸡只数量、置信度及位置信息，可直接运行。

代码解释

YOLO

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

基于 YOLOv11 养鸡目标计数检测系统 鸡检测数据集-腾讯云开发者社区-腾讯云

基于 YOLOv11 养鸡目标计数检测系统鸡检测数据集

基于 YOLOv11 养鸡目标计数检测系统鸡检测数据集

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

基于 YOLOv11 养鸡目标计数检测系统 鸡检测数据集

基于 YOLOv11 养鸡目标计数检测系统 鸡检测数据集

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

基于 YOLOv11 养鸡目标计数检测系统鸡检测数据集

基于 YOLOv11 养鸡目标计数检测系统鸡检测数据集