基于「YOLO目标检测 + 多模态AI分析」的遥感影像目标检测分析系统(vue+flask+数据集+模型训练)

一、项目演示视频

二、技术栈

1. 前端技术栈 (web-vue)
   核心框架: Vue 3.5.13 (Composition API)
   UI组件库: Element Plus 2.9.4
   状态管理: Pinia 2.3.1
   路由管理: Vue Router 4.5.0
   HTTP客户端: Axios 1.7.9
   图表可视化: ECharts 5.6.0
   文档渲染: Marked 16.1.2
   构建工具: Vite 6.1.0 + TypeScript 5.7.2

2. 后端+算法端技术栈 (web-flask)
   核心框架: Flask (Python)
   数据库: SQLite 3
   身份认证: JWT
   图像处理: OpenCV + NumPy
   深度学习: YOLOv8/YOLO11/YOLO12
   大语言模型: Qwen-VL的API接口

三、功能模块

核心创新点

1. 多类型目标检测: 支持10种常见遥感目标的智能识别和分类
2. 多模态检测方式: 支持图片、视频、实时摄像头三种检测模式
3. YOLO模型集成: 集成YOLOv8/YOLO11/YOLO12等先进目标检测模型
4. 智能检测分析: 基于AI的遥感目标自动识别和定位
5. 分层权限管理: 支持管理员和普通用户的差异化功能访问
6. 完整工作流程: 从数据集管理到模型训练再到目标检测的完整闭环
7. 多模态大模型辅助分析：使用多模态大模型根据YOLO检测识别结果和遥感影像进一步分析并给出合理建议(属于图片识别功能模块)

应用场景

1. 遥感监测机构: 卫星影像和航空影像的目标识别与分析
2. 城市规划部门: 城市基础设施和地物目标的智能识别
3. 环境监测部门: 环境变化监测和地物分类分析
4. 科研院所: 遥感影像处理和目标检测算法研究
5. 教育培训: 遥感技术和目标检测的教学演示

四、项目链接

链接: https://pan.baidu.com/s/1GZcTznkQjjAcx9qkAXfC8g?pwd=g6a8 提取码: g6a8

1. 完整系统源码
   (1)前端源码(web-vue)
   (2)后端+算法端源码(web-flask)
   (3)模型训练代码(other/model_train/detect)
2. 项目介绍文档
   (1)项目概述
   (2)项目技术栈
   (3)项目目录结构
   (4)系统架构图、功能模块图
3. 项目启动教程
   (1)环境安装教程(视频+文档)
   (2)系统启动教程(视频+文档)
4. 遥感影像目标检测数据集
   (1)总样本数：800张遥感影像
   (2)训练集：559张影像 (正样本: 454, 负样本: 105)
   (3)验证集：160张影像 (正样本: 130, 负样本: 30)
   (4)测试集：81张影像 (正样本: 66, 负样本: 15)
   (5)目标类别: 10类遥感目标检测
   0: airplane - 飞机 - 各类型飞行器的识别和定位
   1: ship - 船舶 - 海上船只的检测和分类
   2: storage_tank - 储油罐 - 工业储罐和储油设施
   3: baseball_diamond - 棒球场 - 体育场馆和运动设施
   4: tennis_court - 网球场 - 网球场地和相关设施
   5: basketball_court - 篮球场 - 篮球场地和体育设施
   6: ground_track_field - 田径场 - 田径运动场和跑道
   7: harbor - 港口 - 港口设施和码头区域
   8: bridge - 桥梁 - 各类桥梁和跨江设施
   9: vehicle - 车辆 - 各类车辆和交通工具
5. 已经训练好的模型权重，整体精度如下：
   (1)precision (精确率): 0.959
   (2)recall (召回率): 0.85
   (3)mAP50 (IoU阈值0.5时的平均精度): 0.918
   (4)mAP50-95 (IoU阈值0.5-0.95的平均精度): 0.609
   各类别精度表现：
   airplane(飞机): mAP50=0.995, precision=1.0
   ship(船舶): mAP50=0.928, precision=0.917
   storage_tank(储油罐): mAP50=0.995, precision=1.0
   baseball_diamond(棒球场): mAP50=0.964, precision=0.885
   tennis_court(网球场): mAP50=0.995, precision=1.0
   basketball_court(篮球场): mAP50=0.923, precision=0.95
   ground_track_field(田径场): mAP50=0.988, precision=0.978
   harbor(港口): mAP50=0.928, precision=0.955
   bridge(桥梁): mAP50=0.653, precision=1.0
   vehicle(车辆): mAP50=0.81, precision=0.903