# YoloUltralyticsWeb

**Repository Path**: fontthrone/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**: 102
- **Created**: 2026-03-03
- **Last Updated**: 2026-09-06

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# FuturoGen - AI模型训练平台

一个基于Python FastAPI的Web应用，用于YOLO26、YOLOv8、YOLO11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

> **定位声明**：本项目是给标注 + 训练用的工具，不是通用 AI 教学项目。

## 使用建议

- 标注样本建议不少于 100 张；训练轮次（epochs）建议不低于 100 —— 30 轮以下通常得不到可用的识别效果。
- 标注拉框支持任意拖拽方向（T-020 起坐标映射对任意方向取包围盒归一化）。

## 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

## 更新历史

- **2026-09**：后端 Flask → FastAPI 改版（ADR-0012）；ultralytics 升至 8.4.138、
  torch 2.14（支持 YOLO26，默认模型切 yolo26n.pt）；pytest 测试套件（226 用例）；
  登录鉴权（Session + bcrypt，T-035）与 CORS 允许列表
  + pre-push 门禁 + 运维脚本工具箱（ADR-0013）；可视化架构图（`docs/diagrams/`）。
- **2025-09**：多模态大模型辅助标注、RTSP 视频流推理上线。

## 内置演示项目：口罩识别

演示库自带一个开箱即用的项目「口罩识别」（项目 1）：22 张图、182 个标注框、
2 个标签（已戴口罩 / 未戴口罩），并已训练出可用模型（mAP50 ≈ 0.50）。

推荐演示路径（每一环都在真实数据上跑通）：

1. 首页点开「口罩识别」→ 图片管理看缩略图与标注覆盖
2. 图片标注 → 打开任意图片看已有标注框
3. 数据集划分 → 看 train/val/test = 15/4/3
4. 模型训练 → 训练统计与历史产物（`static/datasets/1/train_results/`）
5. **模型推理 → 选系统模型 best.pt + 任选一张口罩图 → 检出框带类别与置信度**
6. 模型导出 → 下载 onnx（下载链接可直接点）

> 演示数据说明：原始 22 图与标注来自早期版本（2025-08）；原版 best.pt 当时未训出
> 有效模型（mAP50≈0.007），现库中的模型是 2026-09-03 在本平台重训的
> （YOLO26n / 100 epochs / CPU）。原版训练产物备份在
> `static/datasets/1/train_results_origin_bak_20250812/`（运行时数据，不入库）。



## 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 3.12+, FastAPI, SQLAlchemy 2.0, uvicorn, 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

```
YoloUltralyticsWeb/
├── app.py                 # FastAPI 应用入口（应用工厂 + uvicorn 启动）
├── run.py                 # 备用启动入口（与 app.py 参数完全一致：5500 / 127.0.0.1）
├── pyproject.toml         # 依赖清单（uv 权威管理，ADR-0010）；requirements.txt 为导出产物
├── .env.example           # 环境变量模板（.env 由它复制而来，不入库）
├── settings.py            # 配置读取（root_path / DATABASE_URL）
├── database.py            # engine / scoped_session / 启动迁移
├── models.py              # 数据库模型（8 张表）
├── routers/               # FastAPI 路由（main.py：61 条，只做编排；登录墙见 app.py AuthMiddleware）
├── services/              # 业务服务层（8 个服务类）
├── scripts/               # 质量与运维工具（run_checks 一键校验、ops/ 五件套）
├── inference_manager.py   # 推理引擎（图片 / 视频 / RTSP）
├── camera_capture.py      # 采集引擎（RTSP 抓帧 + 手写 ONVIF SOAP）
├── static/                # 运行时数据（uploads / datasets / models，不入库）
└── templates/             # 13 个 Jinja2 页面
```

## 安装与运行

> ✅ **已在 Python 3.12.9 + torch 2.14.0+cpu 环境验证**（项目虚拟环境 `.venv`，版本由
> `.python-version` 锁定）。请先激活 `.venv` 再运行——系统 Python 未装依赖，
> 直接运行会报 `No module named 'fastapi'`：
>
> ```bash
> .venv\Scripts\activate        # Windows；macOS/Linux 用 source .venv/bin/activate
> ```

1. 克隆或下载项目代码

2. 安装依赖（uv 是本项目的权威依赖管理器；也可用 pip 安装 `requirements.txt`）：
   ```bash
   uv sync
   ```

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，且**只监听本机（127.0.0.1）**、**调试器默认关闭**（T-013）
- 可用环境变量覆盖：`PORT`（端口）、`HOST`（监听地址，如需局域网访问设为 `0.0.0.0`，请自担安全风险）、`FLASK_DEBUG`（调试器）
- `app.py` 与 `run.py` 两个入口的启动参数完全一致（此前 run.py 是 5000 端口，T-005 已统一）
- 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)

## 文档与 AI Agent 配置

- **[AGENTS.md](./AGENTS.md)** — AI 编码 Agent 的唯一权威入口（技术栈、命令、约定、边界、陷阱）。
  同时提供 `CLAUDE.md`、`.cursorrules`、`.github/copilot-instructions.md` 指针文件。
- **[docs/](./docs/)** — 文档中心：

  | 文档 | 内容 |
  |---|---|
  | [PROJECT_MAP.md](docs/PROJECT_MAP.md) | 项目地图（代码在哪） |
  | [ARCHITECTURE.md](docs/ARCHITECTURE.md) | 架构设计与并发模型（附[可视化架构图](docs/diagrams/)） |
  | [SPEC.md](docs/SPEC.md) | 功能规格与数据契约 |
  | [DATA_MODEL.md](docs/DATA_MODEL.md) | 数据模型与迁移 |
  | [API.md](docs/API.md) | 路由参考 |
  | [ADR/](docs/ADR/) | 架构决策记录（13 篇） |
  | [TASKS.md](docs/TASKS.md) | 任务清单 |
  | [KNOWN_ISSUES.md](docs/KNOWN_ISSUES.md) | 已知问题登记册 |
  | [WORKFLOW.md](docs/WORKFLOW.md) | 开发工作流与验收标准 |

## 许可证

本项目由Boyan开发，仅供学习和研究使用。