# YoloUltralyticsWeb

**Repository Path**: FWorldCodeZ/YoloUltralyticsWeb

## Basic Information

- **Project Name**: YoloUltralyticsWeb
- **Description**: AI模型训练平台是一个基于 Python Flask 的 Web 多模态大模型 + PT 模型的双重自动标注平台，提供数据增强闭环："小数据→简单模型→辅助标注→大数据→精确模型" 的完整循环
专门为 YOLOv8/11 目标检测模型的全生命周期管理而设计，旨在为 AI 开发者和研究人员提供一个完整的、易用的目标检测模型训练解决方案。
- **Primary Language**: Python
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 54
- **Created**: 2025-09-23
- **Last Updated**: 2025-09-23

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# FuturoGen - AI模型训练平台

一个基于Python Flask的Web应用，用于YOLOv8、11目标检测模型的图片标注、数据集管理、模型训练和模型导出，由Boyan开发。旨在为AI开发者和研究人员提供一个完整的、易用的目标检测模型训练解决方案。
## 创新特性
1. 多层次AI辅助标注 ：大模型+PT模型的双重AI辅助体系
2. 数据增强闭环 ："小数据→简单模型→辅助标注→大数据→精确模型"的完整循环
3. 实时检测集成 ：将训练和部署统一在一个平台
4. 项目级隔离 ：多项目并行开发，资源完全隔离
5. 全流程自动化 ：从数据标注到模型部署的完整自动化
6. 跨平台兼容 ：支持Windows、macOS、Linux多平台部署

## 该项目是为了用于标注和训练，不是为了教大家入门AI和如何训练模型。

## 标注时候请至少标注100张样本图。
## 请在训练轮次，最小填写100。训练30轮以下是无法识别！

## PT模型辅助检测的核心价值 （待发布）
### 1. 降低数据门槛
- 快速启动 ：仅需50张标注图片即可训练初始模型
- 渐进改进 ：通过模型辅助逐步扩充高质量数据集
- 成本控制 ：减少人工标注工作量，提升标注效率

## 解决的核心问题
### 1. 数据标注效率低下
- 传统问题 ：手动标注大量图片耗时费力，标注质量不一致
- 解决方案 ：集成大模型辅助标注功能，支持自动目标检测和智能标注生成
### 2. 模型训练门槛高
- 传统问题 ：需要复杂的环境配置和命令行操作
- 解决方案 ：提供Web界面化的训练流程，实时显示训练进度和日志
### 3. 数据集管理复杂
- 传统问题 ：手动组织数据集目录结构，容易出错
- 解决方案 ：自动化数据集划分和目录结构生成
### 4. 实时检测部署困难
- 传统问题 ：RTSP视频流检测需要复杂的配置
- 解决方案 ：内置RTSP实时检测功能，支持多路视频流
### 5. 数据增强循环困难
- 传统问题 ：缺乏有效的数据增强和迭代标注机制
- 解决方案 ：PT模型辅助检测，实现"小数据训练→模型辅助→数据增强→高精度模型"的良性循环

## 更新
9.12更新
 - 更新多模态大模型辅助标注功能。
 - 更新RTSP视频流推理。
 - 更新ultralytics库到最新版本。

## 提示
如果训练时候遇到类似错误
Weights only load failed. This file can still be loaded, to do so you have two options, do those steps only if you trust the source of the checkpoint. (1) In PyTorch 2.6, we changed the default value of the `weights_only` argument in `torch.load` from `False` to `True`. Re-running `torch.load` with `weights_only` set to `False` will likely succeed, but it can result in arbitrary code execution. Do it only if you got the file from a trusted source. (2) Alternatively, to load with `weights_only=True` please check the recommended steps in the following error message. WeightsUnpickler error: Unsupported global: GLOBAL ultralytics.nn.tasks.DetectionModel was not an allowed global by default. Please use `torch.serialization.add_safe_globals([ultralytics.nn.tasks.DetectionModel])` or the `torch.serialization.safe_globals([ultralytics.nn.tasks.DetectionModel])` context manager to allowlist this global if you trust this class/function. Check the documentation of torch.load to learn more about types accepted by default with weights_only https://pytorch.org/docs/stable/generated/torch.load.html.

请运行 

pip install -U ultralytics     

pip install polars==0.18.0

标注时候请从左向右下角方向标注，因为涉及到图片缩放和映射，别的角度没有写映射。会导致标注失败。


## 功能特性

1. **项目管理**：创建、列出、删除项目
2. **图片管理**：
   - 上传单张或多张图片
   - 通过ZIP文件批量上传图片
   - 拖拽上传图片
3. **图片标注**：
   - 基于Web的边界框标注功能
   - 图片间导航（上一张/下一张）
   - 项目内标签（类别）管理：添加、编辑、删除
   - 标注数据实时保存到数据库，并自动生成YOLOv8 `.txt` 格式的标注文件
   - **🆕 大模型辅助标注**：集成AI大模型进行智能目标检测和自动标注，大幅提升标注效率
4. **数据集划分**：批量将图片标记为训练集、验证集、测试集或未分配
5. **模型训练**：
   - 实际调用 `ultralytics` 库进行模型训练
   - 训练任务在后台线程中运行，前端实时显示训练日志和进度
   - 自动准备训练所需的数据集目录结构和 `data.yaml` 文件
6. **模型导出**：将训练好的模型导出为ONNX、TorchScript等多种格式
7. **🆕 RTSP实时检测**：
   - 支持RTSP视频流实时目标检测
   - 实时显示检测结果和边界框
   - 支持多路视频流同时检测
   - 可配置检测参数和阈值

## 技术栈

- **后端**：Python 3.9+, Flask, Flask-SQLAlchemy, threading, OpenCV (cv2), Pillow (PIL.Image), ultralytics, python-dotenv, PyYAML
- **前端**：HTML5, CSS3, JavaScript, Bootstrap 5, Jinja2, Fabric.js
- **数据库**：SQLite
- **部署**：直接运行 `python app.py`

## 项目结构

```
yolov8_web_platform/
├── app.py                 # Flask应用入口
├── requirements.txt       # 项目依赖
├── .env                   # 环境变量配置
├── models.py             # 数据库模型
├── routes.py             # 路由处理
├── README.md             # 项目说明文档
├── static/               # 静态文件目录
│   ├── uploads/          # 上传图片存储目录
│   ├── datasets/         # 数据集目录
│   └── models/           # 模型存储目录
└── templates/            # HTML模板目录
    ├── base.html         # 基础模板
    ├── index.html        # 首页
    ├── project_detail.html # 项目详情页
    ├── images.html       # 图片管理页
    ├── annotate.html     # 图片标注页
    ├── dataset.html      # 数据集划分页
    ├── train.html        # 模型训练页
    └── export.html       # 模型导出页
```

## 安装与运行

1. 克隆或下载项目代码

2. 安装依赖：
   ```bash
   pip install -r requirements.txt  -i https://pypi.tuna.tsinghua.edu.cn/simple
   ```

3. 运行应用：
   ```bash
   python app.py
   ```

4. 在浏览器中访问 `http://localhost:5500`

##运行截图

![输入图片说明](images/ftyolo1.jpg)![输入图片说明](images/ftyolo2.jpg)
![输入图片说明](images/ftyolo3.jpg)![输入图片说明](images/ftyolo4.jpg)
![输入图片说明](images/ftyolo5.jpg)![输入图片说明](images/ftyolo6.jpg)
## 使用说明

1. **创建项目**：在首页点击"创建项目"按钮，输入项目名称和描述

2. **上传图片**：
   - 进入项目详情页，点击"图片管理"
   - 可以上传单张/多张图片、ZIP压缩包或通过拖拽上传

3. **图片标注**：
   - 在项目详情页点击"图片标注"
   - 先创建标签（类别），然后选择标签在图片上绘制边界框
   - 使用"上一张"/"下一张"导航到不同图片
   - 点击"保存标注"保存当前图片的标注结果
   - **🆕 大模型辅助标注**：点击"手动大模型识别标注"按钮，大模型将自动识别图片中的目标并生成标注框

4. **数据集划分**：
   - 在项目详情页点击"数据集划分"
   - 选择图片并设置为训练集、验证集、测试集或未分配

5. **模型训练**：
   - 在项目详情页点击"模型训练"
   - 点击"开始训练"按钮启动训练过程
   - 可实时查看训练进度和日志

6. **模型导出**：
   - 训练完成后，在项目详情页点击"模型导出"
   - 选择需要的导出格式（ONNX、TorchScript等）
   - 点击"导出"按钮完成模型导出

7. **🆕 RTSP实时检测**：
   - 在首页点击"RTSP实时检测"进入实时检测页面
   - 输入RTSP视频流地址
   - 选择检测模型和项目
   - 点击"开始检测"启动实时目标检测
   - 可实时查看检测结果和调整检测参数

## 注意事项

- 应用默认运行在5500端口
- 所有数据存储在本地SQLite数据库中
- 上传的图片和训练的模型都保存在本地目录中
- 首次运行时会自动创建所需的目录和数据库

## 交流群，扫码加好友进群交流，
- 🍉是GVP项目yolo-onnx-java作者。

 ![输入图片说明](images/ck1.png)

## 许可证

本项目由Boyan开发，仅供学习和研究使用。