Mr Poopybutthole1. 项目概述
这个基于YOLOv12的美国硬币识别系统是我最近完成的一个计算机视觉项目，它能够准确识别四种常见美国硬币：Dime（10美分）、Nickel（5美分）、Penny（1美分）和Quarter（25美分）。作为一个经常需要处理硬币分类问题的开发者，我发现市面上的通用识别方案要么精度不足，要么速度太慢，于是决定自己开发一套专用解决方案。
系统最核心的价值在于将YOLOv12的最新目标检测能力与精心优化的数据集相结合，实现了高达98.7%的识别准确率，同时在普通消费级GPU上能达到45FPS的实时处理速度。为了提升用户体验，我还专门设计了一个科幻风格的交互界面，集成了登录注册、多模式检测和参数调节等功能，使得整个系统既专业又易用。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构解析
2.1 YOLOv12模型选型
在模型选择上，我对比了YOLO系列多个版本后最终采用了YOLOv12s（small）作为基础模型。这个决定基于以下考量：
- 精度与速度平衡：v12s在COCO数据集上的AP50-95达到42.3，而推理速度在RTX 3060上可达156FPS，完美满足实时性要求
- 模型尺寸：仅14.3MB的pt文件大小，便于部署在各种终端设备
- 新特性支持：v12引入了Anchor-free检测头和更高效的SPP结构，对小物体检测效果显著提升
实际测试中，v12s对硬币这类小物体的检测效果比v5s提升了约12%的AP，同时保持了相近的推理速度
2.2 系统架构设计
整个系统采用典型的多线程架构，主要分为三个核心模块：
- 前端交互层：基于PyQt5实现的UI界面，负责用户输入和结果展示
- 业务逻辑层：处理检测任务调度、参数配置和结果保存
- 算法推理层：YOLOv12模型加载和推理的核心模块
code复制┌───────────────────────┐
│ UI界面层 │
│ (PyQt5实现) │
└──────────┬────────────┘
│
┌──────────▼────────────┐
│ 业务逻辑控制层 │
│ (多线程任务调度) │
└──────────┬────────────┘
│
┌──────────▼────────────┐
│ YOLOv12推理层 │
│ (ultralytics引擎) │
└───────────────────────┘
这种分层设计使得系统各模块耦合度低，后续要扩展新的检测功能或更换模型版本都非常方便。
3. 数据集构建与训练
3.1 定制化数据集准备
为了获得最佳识别效果，我专门收集并标注了一个包含12,845张图像的数据集，覆盖了