YOLO26精准识别37个猫狗品种（柯基/布偶/哈士奇…）（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+远程环境部署）

摘要

本文针对宠物猫狗精细品种识别任务，构建了一套基于YOLO26深度学习框架的实时目标检测系统。系统涵盖37个常见猫狗品种，包括12个猫品种和25个狗品种。实验采用包含14,000余张标注图像的数据集，按8:1:1比例划分为训练集、验证集和测试集。模型训练后，在验证集上取得了0.942的mAP50和0.824的mAP50-95，精确率达到0.935，召回率达到0.878。推理速度达到1.1毫秒/张，满足实时检测需求。实验结果表明，该系统在宠物品种识别任务上具备高精度、高效率和良好的鲁棒性，具备实际应用部署价值。

引言

随着城市宠物饲养数量的持续增长，宠物管理与服务行业对自动化品种识别技术的需求日益迫切。传统的宠物品种识别依赖专业兽医或繁育者的经验判断，不仅效率低下，而且普通宠物主人难以自行准确识别。近年来，计算机视觉技术，尤其是基于深度学习的目标检测方法，为解决这一问题提供了新的思路。

YOLO系列模型因其端到端的检测架构和优异的实时性能，在物体检测领域得到了广泛应用。本研究选择YOLO26框架，构建了一个覆盖37种常见猫狗的品种识别系统。通过对模型训练过程、精度指标、损失收敛情况以及各类别识别表现的全面分析，验证了该系统在真实场景下的可行性和可靠性。本文的研究成果可应用于宠物医疗、智能喂食器、宠物社交平台及城市宠物管理等场景。

目录

摘要

详细功能展示视频

功能模块

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

引言

背景

数据集介绍

1. 类别构成

2. 数据规模与划分

训练结果

总体评价：模型训练非常成功，表现优秀​编辑

详细指标分析

1. 精确率-置信度曲线（BoxP_curve.png）​编辑

2. 召回率-置信度曲线（BoxR_curve.png）​编辑

3. F1-置信度曲线（BoxF1_curve.png）​编辑

4. PR 曲线（BoxPR_curve.png）​编辑

各类别表现分析

表现最好的品种（mAP50 ≈ 1.0）：

需要关注的品种（mAP50 < 0.85）：

损失函数曲线（results.png）​编辑

混淆矩阵分析

原始混淆矩阵​编辑

归一化混淆矩阵​编辑

Ultralytics YOLO26

概述

主要功能

常用标注工具

详细功能展示视频

功能模块

✅用户登录注册：支持密码检测，密码加密。

注册

登录

✅图片检测：可对图片进行检测，返回检测框及类别信息。

✅参数实时调节（置信度和IoU阈值）

✅支持选择检测目标：可以选择一个或者多个类目的目标进行检测

✅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。

✅日志记录：日志标签页记录操作和错误信息，带时间戳

✅结果保存模块：支持图片/视频/摄像头检测结果保存

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

背景

在宠物品种识别这一细分领域，公开的大规模数据集相对稀缺。现有研究多集中在猫狗二分类或有限品种的分类任务上，缺少对多品种、细粒度特征的系统研究。猫狗的品种差异体现在毛色、体型、耳型、面部结构等多个维度，同一品种内部因个体差异、姿态、光照等因素存在较大的类内变化，而不同品种之间又可能存在较高的类间相似性（如布偶猫与伯曼猫）。这些因素使得猫狗品种识别成为一个具有挑战性的细粒度视觉识别任务。

此外，实际应用场景对模型提出了更高的要求。例如，宠物医院需要在就诊过程中快速识别品种以调取病历；智能宠物门需要根据品种决定是否放行；流浪动物收容所需要对收容动物进行自动分类以便发布认领信息。这些场景不仅要求高识别精度，还要求模型具备低延迟、小模型体积以及对不同拍摄角度和光照条件的鲁棒性。

因此，本研究选取YOLO26作为基础框架，构建了一个包含37个常见猫狗品种的检测识别系统，并在大规模标注数据集上进行系统训练与评估。研究旨在探索细粒度宠物品种识别任务中深度学习模型的最佳实践，为后续的工程化部署和行业应用提供技术参考。

数据集介绍

1. 类别构成

本数据集共包含37 个类别，具体如下：

猫品种（12类）：
阿比西尼亚猫（cat-Abyssinian）、孟加拉猫（cat-Bengal）、伯曼猫（cat-Birman）、孟买猫（cat-Bombay）、英国短毛猫（cat-British_Shorthair）、埃及猫（cat-Egyptian_Mau）、缅因猫（cat-Maine_Coon）、波斯猫（cat-Persian）、布偶猫（cat-Ragdoll）、俄罗斯蓝猫（cat-Russian_Blue）、暹罗猫（cat-Siamese）、斯芬克斯猫（cat-Sphynx）

狗品种（25类）：
美国斗牛犬、美国比特犬、巴吉度猎犬、比格犬、拳师犬、吉娃娃、英国可卡犬、英国塞特犬、德国短毛指示犬、大比利牛斯犬、哈瓦那犬、日本狆、荷兰毛狮犬、莱昂贝格犬、迷你品犬、纽芬兰犬、博美犬、巴哥犬、圣伯纳犬、萨摩耶犬、苏格兰梗、柴犬、斯塔福郡斗牛梗、软毛麦色梗、约克夏梗

2. 数据规模与划分

训练结果

总体评价：模型训练非常成功，表现优秀

• mAP50: 0.942（所有类别平均）

• mAP50-95: 0.824（更严格的评价指标）

• Precision: 0.935

• Recall: 0.878

这是一个高精度、高召回的模型，非常适合品种识别任务。

详细指标分析

1. 精确率-置信度曲线（BoxP_curve.png）

• 在置信度 > 0.5 后，精确率基本保持在1.00

• 说明模型预测为正样本的结果非常可靠

2. 召回率-置信度曲线（BoxR_curve.png）

• 置信度为 0 时召回率 =0.95

• 说明模型几乎覆盖了所有真实目标

3. F1-置信度曲线（BoxF1_curve.png）

• 最佳 F1 值 = 0.90，对应置信度阈值 =0.591

• 这是一个很好的平衡点，建议推理时使用该置信度

4. PR 曲线（BoxPR_curve.png）

• 曲线接近 (1,1) 点，说明精度和召回率都很高

各类别表现分析

表现最好的品种（mAP50 ≈ 1.0）：

需要关注的品种（mAP50 < 0.85）：

损失函数曲线（results.png）

所有损失（box_loss、cls_loss、dfl_loss）均呈稳定下降趋势，训练充分，没有过拟合或欠拟合迹象。

混淆矩阵分析

原始混淆矩阵

• 对角线值在7.0 ~ 25.0之间，说明各类别样本量适中

归一化混淆矩阵

• 大部分类别预测准确率在0.70 ~ 0.98之间

• 猫品种整体识别率高于狗品种

Ultralytics YOLO26

概述

Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。

YOLO26 的架构遵循三个核心原则：

• 简洁性:YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
• 部署效率：端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
• 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
• 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于Segmentation的语义分割损失和多尺度原型模块，用于高精度姿势估计的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决旋转框检测中的边界问题。

这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。

主要功能

• DFL 移除
  分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。

• 端到端无NMS推理
  与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。

• ProgLoss + STAL
  改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。

• MuSGD Optimizer
  一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。

• CPU推理速度提升高达43%
  YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。

• 实例分割增强
  引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。

• 精确姿势估计
  集​成残差对数似然估计​(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。

• 优化旋转框检测解码
  引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。

常用标注工具

假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：

Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。

这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。

界面核心代码：

详细功能展示视频