企业官网建设流程全解析

网站如何优化流程,中国软件这个公司怎么样,那个视频网站最好最全网址,网站 按钮 素材一、项目介绍 摘要 本项目基于YOLOv8深度学习框架#xff0c;开发了一套高精度的蜜蜂识别检测系统#xff0c;专门用于蜂群监测、生态研究和农业授粉管理。系统以bees为检测目标#xff0c;通过计算机视觉技术实现对蜜蜂个体的精准识别与定位#xff0c;可有…一、项目介绍摘要本项目基于YOLOv8深度学习框架开发了一套高精度的蜜蜂识别检测系统专门用于蜂群监测、生态研究和农业授粉管理。系统以bees为检测目标通过计算机视觉技术实现对蜜蜂个体的精准识别与定位可有效统计蜂群数量、分析活动轨迹及监测异常行为。数据集包含训练集5640张图像、验证集1604张图像和测试集836张图像覆盖不同光照条件、背景环境及蜜蜂飞行姿态确保模型具备强泛化能力。该系统支持实时视频流分析与静态图像检测可部署于蜂箱监控设备、农业物联网终端或科研无人机平台为养蜂业、生态保护及精准农业提供智能化解决方案。相较于传统人工观察方式本系统大幅提升了监测效率与数据准确性同时降低了对蜂群的人为干扰。项目意义1. 智慧养蜂与蜂群健康管理蜂群数量监测自动统计进出蜂箱的蜜蜂数量评估蜂群规模与活力异常行为预警识别蜜蜂聚集、躁动等异常行为及时发现病虫害或蜂王缺失蜜源评估通过蜜蜂往返频率分析蜜源丰富度指导放蜂路线规划越冬监测非接触式观察冬季蜂群活动减少开箱检查造成的温度波动2. 农业授粉效率优化授粉强度量化精确统计作物区域的蜜蜂数量评估授粉充分性温室授粉管理实时监控温室中蜜蜂活动确保有效授粉农药影响评估对比施药前后蜜蜂活动变化指导科学用药授粉服务计价为专业授粉服务提供客观的计费依据3. 生态研究与生物多样性保护传粉者种群调查长期监测野外蜜蜂种群动态评估生态健康濒危蜂种保护自动识别特定蜂种支持保护生物学研究栖息地评估通过蜜蜂分布密度评价生态环境质量气候变化研究分析蜜蜂物候变化与气候因子的关系4. 蜂产品安全与质量追溯采蜜过程监控确保蜂蜜采集符合有机养殖规范生产环境监测识别污染源、天敌等风险因素质量认证支持为蜜蜂友好型农产品认证提供数据支撑消费者可视化让消费者远程查看蜂场实时状况5. 计算机视觉技术创新小目标检测优化推动微小生物的检测算法进步动态目标追踪解决密集、快速移动目标的识别难题复杂背景适应提升在植被、蜂箱等复杂场景中的检测鲁棒性边缘计算应用探索轻量化模型在农业物联网中的部署方案6. 经济社会价值降低养蜂成本减少人工巡检频率节省人力成本提高蜂蜜产量通过精准管理可提升蜂蜜产出保障粮食安全优化授粉服务可增加油菜、果树等作物产量促进生态农业为有机农场提供蜜蜂生态指标认证支持技术亮点高精度检测在密集蜂群场景下仍保持较高的识别准确率多场景适应兼容蜂箱出入口、野外花朵、温室等多种环境实时处理能力支持4K/30fps视频流的实时分析轻量化设计可部署于树莓派等边缘计算设备行为分析扩展集成飞行轨迹追踪、停留时间统计等高级功能应用场景智能蜂箱集成温湿度传感器与蜜蜂计数功能农业无人机大田作物授粉效果航拍评估科研观测站自然保护区蜜蜂种群长期监测教育展示博物馆、生态园区的互动科普装置农药试验新药对蜜蜂行为影响的量化研究未来展望本系统作为昆虫识别技术的典型应用未来可扩展至其他传粉昆虫识别熊蜂、蝴蝶等病虫害自动诊断蜂螨、幼虫病等蜂王专项追踪多蜂种分类识别结合RFID技术的个体识别随着精准农业和生态监测需求的增长这套蜜蜂识别系统将在保障粮食安全、维护生物多样性和促进可持续发展方面发挥越来越重要的作用为数字农业和智慧生态建设提供关键技术支撑。目录一、项目介绍摘要项目意义1. 智慧养蜂与蜂群健康管理2. 农业授粉效率优化3. 生态研究与生物多样性保护4. 蜂产品安全与质量追溯5. 计算机视觉技术创新6. 经济社会价值技术亮点应用场景未来展望二、项目功能展示系统功能图片检测视频检测摄像头实时检测三、数据集介绍数据集概述数据集特点数据集配置文件数据集制作流程四、项目环境配置创建虚拟环境pycharm中配置anaconda安装所需要库五、模型训练训练代码训练结果六、核心代码​编辑七、项目源码(视频简介内)基于深度学习YOLOv8的蜜蜂识别检测系统YOLOv8YOLO数据集UI界面Python项目源码模型_哔哩哔哩_bilibili基于深度学习YOLOv8的蜜蜂识别检测系统YOLOv8YOLO数据集UI界面Python项目源码模型二、项目功能展示系统功能✅图片检测可对图片进行检测返回检测框及类别信息。✅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。✅参数实时调节置信度和IoU阈值图片检测该功能允许用户通过单张图片进行目标检测。输入一张图片后YOLO模型会实时分析图像识别出其中的目标并在图像中框出检测到的目标输出带有目标框的图像。批量图片检测用户可以一次性上传多个图片进行批量处理。该功能支持对多个图像文件进行并行处理并返回每张图像的目标检测结果适用于需要大规模处理图像数据的应用场景。视频检测视频检测功能允许用户将视频文件作为输入。YOLO模型将逐帧分析视频并在每一帧中标记出检测到的目标。最终结果可以是带有目标框的视频文件或实时展示适用于视频监控和分析等场景。摄像头实时检测该功能支持通过连接摄像头进行实时目标检测。YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测实时识别并显示检测结果。此功能非常适用于安防监控、无人驾驶、智能交通等应用提供即时反馈。核心特点高精度基于YOLO模型提供精确的目标检测能力适用于不同类型的图像和视频。实时性特别优化的算法使得实时目标检测成为可能无论是在视频还是摄像头实时检测中响应速度都非常快。批量处理支持高效的批量图像和视频处理适合大规模数据分析。三、数据集介绍数据集概述本项目的蜜蜂识别专用数据集是当前公开范围内最全面、标注最精细的蜜蜂图像集合之一总样本量达8,080张涵盖各种自然环境下的蜜蜂活动场景。数据集按照7:2:1的比例科学划分为训练集5,640张、验证集1,604张和测试集836张。所有图像均由专业生态摄影师拍摄或来自合作研究机构的授权资料每张图像都经过昆虫学专家校验确保标注准确性。数据集特别注重采集不同季节、时段、天气条件下的蜜蜂图像以增强模型的鲁棒性。数据集特点场景多样性覆盖蜂箱入口、蜜源植物、采蜜过程、蜂群结团等典型场景包含温室、大田、果园、森林等多种生态环境不同时间段清晨、正午、黄昏和季节变化各种天气条件晴天、阴天、雨后下的样本样本复杂性单个蜜蜂特写与密集蜂群场景并存不同飞行姿态起飞、降落、悬停、采蜜多种视角侧面、俯视、仰视和距离近景、中景、远景自然遮挡情况被花朵、蜂群同伴遮挡标注专业性每个可见蜜蜂个体都精确标注包括部分遮挡个体由养蜂专家指导制定标注规范确保生物学准确性对困难样本模糊、高密度、重叠进行特别标记标注信息包含蜜蜂完整轮廓的最小外接矩形数据质量所有图像分辨率高适合小目标检测采用RAW格式原始数据最大限度保留细节经过三阶段质量控制流程定期更新维护错误率低评估维度测试集包含专门设计的挑战性子集高密度蜂群动态模糊样本极端光照条件拟态环境如蜜蜂与黄蜂混飞场景数据集配置文件数据集采用标准化YOLO格式组织train: F:\蜜蜂识别检测数据集\train\images val: F:\蜜蜂识别检测数据集\valid\images test: F:\蜜蜂识别检测数据集\test\images nc: 1 names: [bees]数据集制作流程需求分析与规划联合养蜂专家、生态学家确定关键应用场景制定蜜蜂检测的特殊需求如翅膀振动识别设计覆盖不同季节和气候的数据采集计划确定样本量统计方法和分布比例专业数据采集在合作蜂场设立固定拍摄点使用摄像机长期记录生态摄影师团队跟踪拍摄野生蜜蜂活动搭建受控环境拍摄特定行为如采蜜、舞蹈从研究机构获取特殊场景样本如显微摄影使用无人机航拍大范围觅食场景数据清洗与预处理剔除模糊、过暗、过度曝光的低质量图像对连续视频帧进行去重处理统一转换为JPG格式保持EXIF信息分辨率标准化处理保持长宽比敏感信息脱敏如人脸、车牌专业标注流程第一阶段标注员使用LabelBee工具进行初步标注第二阶段养蜂专家校验标注准确性特别关注蜜蜂与其他昆虫的区分重叠个体的分离标注不同飞行姿态的识别第三阶段交叉验证与争议仲裁开发自动化校验工具检查标注一致性数据增强策略基础增强旋转、翻转、色彩抖动高级增强随机背景合成模拟不同蜜源环境运动模糊模拟捕捉快速飞行效果光照条件变换适应不同时段识别密度调整增强平衡稀疏和密集样本针对性增强翅膀振动模式合成花粉携带状态模拟质量控制体系建立四层质量检查机制标注员自检小组长抽检专家重点检查最终全量自动化检查开发专门的质量控制指标标注覆盖率边界框一致性困难样本识别率每月组织标注标准培训与考核持续维护计划每季度新增样本保持数据新鲜度根据用户反馈补充缺失场景建立版本控制和时间戳系统开发数据质量监控仪表盘与科研机构合作扩展亚种覆盖四、项目环境配置创建虚拟环境首先新建一个Anaconda环境每个项目用不同的环境这样项目中所用的依赖包互不干扰。终端输入conda create -n yolov8 python3.9激活虚拟环境conda activate yolov8安装cpu版本pytorchpip install torch torchvision torchaudiopycharm中配置anaconda安装所需要库pip install -r requirements.txt五、模型训练训练代码from ultralytics import YOLO model_path yolov8s.pt data_path datasets/data.yaml if __name__ __main__: model YOLO(model_path) results model.train(datadata_path, epochs500, batch64, device0, workers0, projectruns/detect, nameexp, )根据实际情况更换模型 yolov8n.yaml (nano)轻量化模型适合嵌入式设备速度快但精度略低。 yolov8s.yaml (small)小模型适合实时任务。 yolov8m.yaml (medium)中等大小模型兼顾速度和精度。 yolov8b.yaml (base)基本版模型适合大部分应用场景。 yolov8l.yaml (large)大型模型适合对精度要求高的任务。--batch 64每批次64张图像。--epochs 500训练500轮。--datasets/data.yaml数据集配置文件。--weights yolov8s.pt初始化模型权重yolov8s.pt是预训练的轻量级YOLO模型。训练结果六、核心代码from PyQt5 import QtCore, QtGui, QtWidgets from PyQt5.QtCore import Qt, QTimer from PyQt5.QtGui import QImage, QPixmap, QIcon from PyQt5.QtWidgets import (QFileDialog, QMessageBox, QTableWidgetItem, QStyledItemDelegate, QHeaderView) import cv2 import numpy as np from ultralytics import YOLO import os import datetime import sys class CenteredDelegate(QStyledItemDelegate): def initStyleOption(self, option, index): super().initStyleOption(option, index) option.displayAlignment Qt.AlignCenter class Ui_MainWindow(object): def setupUi(self, MainWindow): MainWindow.setObjectName(MainWindow) MainWindow.resize(1400, 900) MainWindow.setWindowTitle(YOLOv8 目标检测系统) # 设置窗口图标 if hasattr(sys, _MEIPASS): icon_path os.path.join(sys._MEIPASS, icon.ico) else: icon_path icon.ico if os.path.exists(icon_path): MainWindow.setWindowIcon(QIcon(icon_path)) self.centralwidget QtWidgets.QWidget(MainWindow) self.centralwidget.setObjectName(centralwidget) # 主布局 self.main_layout QtWidgets.QHBoxLayout(self.centralwidget) self.main_layout.setContentsMargins(10, 10, 10, 10) self.main_layout.setSpacing(15) # 左侧布局 (图像显示) self.left_layout QtWidgets.QVBoxLayout() self.left_layout.setSpacing(15) # 原始图像组 self.original_group QtWidgets.QGroupBox(原始图像) self.original_group.setMinimumHeight(400) self.original_img_label QtWidgets.QLabel() self.original_img_label.setAlignment(QtCore.Qt.AlignCenter) self.original_img_label.setText(等待加载图像...) self.original_img_label.setStyleSheet(background-color: #F0F0F0; border: 1px solid #CCCCCC;) original_layout QtWidgets.QVBoxLayout() original_layout.addWidget(self.original_img_label) self.original_group.setLayout(original_layout) self.left_layout.addWidget(self.original_group) # 检测结果图像组 self.result_group QtWidgets.QGroupBox(检测结果) self.result_group.setMinimumHeight(400) self.result_img_label QtWidgets.QLabel() self.result_img_label.setAlignment(QtCore.Qt.AlignCenter) self.result_img_label.setText(检测结果将显示在这里) self.result_img_label.setStyleSheet(background-color: #F0F0F0; border: 1px solid #CCCCCC;) result_layout QtWidgets.QVBoxLayout() result_layout.addWidget(self.result_img_label) self.result_group.setLayout(result_layout) self.left_layout.addWidget(self.result_group) self.main_layout.addLayout(self.left_layout, stretch3) # 右侧布局 (控制面板) self.right_layout QtWidgets.QVBoxLayout() self.right_layout.setSpacing(15) # 模型选择组 self.model_group QtWidgets.QGroupBox(模型设置) self.model_group.setStyleSheet(QGroupBox { font-weight: bold; }) self.model_layout QtWidgets.QVBoxLayout() # 模型选择 self.model_combo QtWidgets.QComboBox() self.model_combo.addItems([best.pt]) self.model_combo.setCurrentIndex(0) # 加载模型按钮 self.load_model_btn QtWidgets.QPushButton( 加载模型) self.load_model_btn.setIcon(QIcon.fromTheme(document-open)) self.load_model_btn.setStyleSheet( QPushButton { padding: 8px; background-color: #4CAF50; color: white; border-radius: 4px; } QPushButton:hover { background-color: #45a049; } ) self.model_layout.addWidget(self.model_combo) self.model_layout.addWidget(self.load_model_btn) self.model_group.setLayout(self.model_layout) self.right_layout.addWidget(self.model_group) # 参数设置组 self.param_group QtWidgets.QGroupBox(检测参数) self.param_group.setStyleSheet(QGroupBox { font-weight: bold; }) self.param_layout QtWidgets.QFormLayout() self.param_layout.setLabelAlignment(Qt.AlignLeft) self.param_layout.setFormAlignment(Qt.AlignLeft) self.param_layout.setVerticalSpacing(15) # 置信度滑块 self.conf_slider QtWidgets.QSlider(Qt.Horizontal) self.conf_slider.setRange(1, 99) self.conf_slider.setValue(25) self.conf_value QtWidgets.QLabel(0.25) self.conf_value.setAlignment(Qt.AlignCenter) self.conf_value.setStyleSheet(font-weight: bold; color: #2196F3;) # IoU滑块 self.iou_slider QtWidgets.QSlider(Qt.Horizontal) self.iou_slider.setRange(1, 99) self.iou_slider.setValue(45) self.iou_value QtWidgets.QLabel(0.45) self.iou_value.setAlignment(Qt.AlignCenter) self.iou_value.setStyleSheet(font-weight: bold; color: #2196F3;) self.param_layout.addRow(置信度阈值:, self.conf_slider) self.param_layout.addRow(当前值:, self.conf_value) self.param_layout.addRow(QtWidgets.QLabel()) # 空行 self.param_layout.addRow(IoU阈值:, self.iou_slider) self.param_layout.addRow(当前值:, self.iou_value) self.param_group.setLayout(self.param_layout) self.right_layout.addWidget(self.param_group) # 功能按钮组 self.func_group QtWidgets.QGroupBox(检测功能) self.func_group.setStyleSheet(QGroupBox { font-weight: bold; }) self.func_layout QtWidgets.QVBoxLayout() self.func_layout.setSpacing(10) # 图片检测按钮 self.image_btn QtWidgets.QPushButton( 图片检测) self.image_btn.setIcon(QIcon.fromTheme(image-x-generic)) # 视频检测按钮 self.video_btn QtWidgets.QPushButton( 视频检测) self.video_btn.setIcon(QIcon.fromTheme(video-x-generic)) # 摄像头检测按钮 self.camera_btn QtWidgets.QPushButton( 摄像头检测) self.camera_btn.setIcon(QIcon.fromTheme(camera-web)) # 停止检测按钮 self.stop_btn QtWidgets.QPushButton( 停止检测) self.stop_btn.setIcon(QIcon.fromTheme(process-stop)) self.stop_btn.setEnabled(False) # 保存结果按钮 self.save_btn QtWidgets.QPushButton( 保存结果) self.save_btn.setIcon(QIcon.fromTheme(document-save)) self.save_btn.setEnabled(False) # 设置按钮样式 button_style QPushButton { padding: 10px; background-color: #2196F3; color: white; border: none; border-radius: 4px; text-align: left; } QPushButton:hover { background-color: #0b7dda; } QPushButton:disabled { background-color: #cccccc; } for btn in [self.image_btn, self.video_btn, self.camera_btn, self.stop_btn, self.save_btn]: btn.setStyleSheet(button_style) self.func_layout.addWidget(btn) self.func_group.setLayout(self.func_layout) self.right_layout.addWidget(self.func_group) # 检测结果表格组 self.table_group QtWidgets.QGroupBox(检测结果详情) self.table_group.setStyleSheet(QGroupBox { font-weight: bold; }) self.table_layout QtWidgets.QVBoxLayout() self.result_table QtWidgets.QTableWidget() self.result_table.setColumnCount(4) self.result_table.setHorizontalHeaderLabels([类别, 置信度, 左上坐标, 右下坐标]) self.result_table.horizontalHeader().setSectionResizeMode(QHeaderView.Stretch) self.result_table.verticalHeader().setVisible(False) self.result_table.setSelectionBehavior(QtWidgets.QAbstractItemView.SelectRows) self.result_table.setEditTriggers(QtWidgets.QAbstractItemView.NoEditTriggers) # 设置表格样式 self.result_table.setStyleSheet( QTableWidget { border: 1px solid #e0e0e0; alternate-background-color: #f5f5f5; } QHeaderView::section { background-color: #2196F3; color: white; padding: 5px; border: none; } QTableWidget::item { padding: 5px; } ) # 设置居中代理 delegate CenteredDelegate(self.result_table) self.result_table.setItemDelegate(delegate) self.table_layout.addWidget(self.result_table) self.table_group.setLayout(self.table_layout) self.right_layout.addWidget(self.table_group, stretch1) self.main_layout.addLayout(self.right_layout, stretch1) MainWindow.setCentralWidget(self.centralwidget) # 状态栏 self.statusbar QtWidgets.QStatusBar(MainWindow) self.statusbar.setStyleSheet(QStatusBar { border-top: 1px solid #c0c0c0; }) MainWindow.setStatusBar(self.statusbar) # 初始化变量 self.model None self.cap None self.timer QTimer() self.is_camera_running False self.current_image None self.current_result None self.video_writer None self.output_path output # 创建输出目录 if not os.path.exists(self.output_path): os.makedirs(self.output_path) # 连接信号槽 self.load_model_btn.clicked.connect(self.load_model) self.image_btn.clicked.connect(self.detect_image) self.video_btn.clicked.connect(self.detect_video) self.camera_btn.clicked.connect(self.detect_camera) self.stop_btn.clicked.connect(self.stop_detection) self.save_btn.clicked.connect(self.save_result) self.conf_slider.valueChanged.connect(self.update_conf_value) self.iou_slider.valueChanged.connect(self.update_iou_value) self.timer.timeout.connect(self.update_camera_frame) # 设置全局样式 self.set_style() def set_style(self): style QMainWindow { background-color: #f5f5f5; } QGroupBox { border: 1px solid #e0e0e0; border-radius: 5px; margin-top: 10px; padding-top: 15px; } QGroupBox::title { subcontrol-origin: margin; left: 10px; padding: 0 3px; } QLabel { color: #333333; } QComboBox { padding: 5px; border: 1px solid #cccccc; border-radius: 3px; } QSlider::groove:horizontal { height: 6px; background: #e0e0e0; border-radius: 3px; } QSlider::handle:horizontal { width: 16px; height: 16px; margin: -5px 0; background: #2196F3; border-radius: 8px; } QSlider::sub-page:horizontal { background: #2196F3; border-radius: 3px; } self.centralwidget.setStyleSheet(style) def load_model(self): model_name self.model_combo.currentText().split( )[0] try: self.model YOLO(model_name) self.statusbar.showMessage(f模型 {model_name} 加载成功, 3000) self.image_btn.setEnabled(True) self.video_btn.setEnabled(True) self.camera_btn.setEnabled(True) except Exception as e: QMessageBox.critical(None, 错误, f模型加载失败: {str(e)}) def update_conf_value(self): conf self.conf_slider.value() / 100 self.conf_value.setText(f{conf:.2f}) def update_iou_value(self): iou self.iou_slider.value() / 100 self.iou_value.setText(f{iou:.2f}) def detect_image(self): if self.model is None: QMessageBox.warning(None, 警告, 请先加载模型) return file_path, _ QFileDialog.getOpenFileName( None, 选择图片, , 图片文件 (*.jpg *.jpeg *.png *.bmp);;所有文件 (*) ) if file_path: try: # 读取图片 img cv2.imread(file_path) img cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 显示原始图片 self.display_image(img, self.original_img_label) self.current_image img.copy() # 检测图片 conf self.conf_slider.value() / 100 iou self.iou_slider.value() / 100 self.statusbar.showMessage(正在检测图片...) QtWidgets.QApplication.processEvents() # 更新UI results self.model.predict(img, confconf, iouiou) result_img results[0].plot() # 显示检测结果 self.display_image(result_img, self.result_img_label) self.current_result result_img.copy() # 更新结果表格 self.update_result_table(results[0]) self.save_btn.setEnabled(True) self.statusbar.showMessage(f图片检测完成: {os.path.basename(file_path)}, 3000) except Exception as e: QMessageBox.critical(None, 错误, f图片检测失败: {str(e)}) self.statusbar.showMessage(图片检测失败, 3000) def detect_video(self): if self.model is None: QMessageBox.warning(None, 警告, 请先加载模型) return file_path, _ QFileDialog.getOpenFileName( None, 选择视频, , 视频文件 (*.mp4 *.avi *.mov *.mkv);;所有文件 (*) ) if file_path: try: self.cap cv2.VideoCapture(file_path) if not self.cap.isOpened(): raise Exception(无法打开视频文件) # 获取视频信息 fps self.cap.get(cv2.CAP_PROP_FPS) width int(self.cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height int(self.cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) # 创建视频写入器 timestamp datetime.datetime.now().strftime(%Y%m%d_%H%M%S) output_file os.path.join(self.output_path, foutput_{timestamp}.mp4) fourcc cv2.VideoWriter_fourcc(*mp4v) self.video_writer cv2.VideoWriter(output_file, fourcc, fps, (width, height)) # 启用停止按钮禁用其他按钮 self.stop_btn.setEnabled(True) self.save_btn.setEnabled(True) self.image_btn.setEnabled(False) self.video_btn.setEnabled(False) self.camera_btn.setEnabled(False) # 开始处理视频 self.timer.start(30) # 30ms间隔 self.statusbar.showMessage(f正在处理视频: {os.path.basename(file_path)}...) except Exception as e: QMessageBox.critical(None, 错误, f视频检测失败: {str(e)}) self.statusbar.showMessage(视频检测失败, 3000)七、项目源码(视频简介内)完整全部资源文件包括测试图片py文件训练数据集、训练代码、界面代码等这里已打包上传至博主的面包多平台见可参考博客与视频已将所有涉及的文件同时打包到里面点击即可运行完整文件截图如下演示与介绍视频基于深度学习YOLOv8的蜜蜂识别检测系统YOLOv8YOLO数据集UI界面Python项目源码模型_哔哩哔哩_bilibili基于深度学习YOLOv8的蜜蜂识别检测系统YOLOv8YOLO数据集UI界面Python项目源码模型