基于YOLOv11的硬币识别系统开发与实践-AI智能范式网

基于YOLOv11的硬币识别系统开发与实践

云马宝淘·2026-06-12·阅读 26 GEO检测（免费）

YOLOv11目标检测硬币识别

|难度：普通|阅读约 30 分钟

1. 项目概述

这个基于YOLOv11的硬币识别系统是我最近完成的一个很有意思的计算机视觉项目。作为一个经常需要处理零钱的便利店店主，我一直在寻找能自动识别和统计硬币的解决方案。市面上的商用设备要么太贵，要么识别准确率不够理想。于是我用最新的YOLOv11目标检测算法，开发了这个高精度的硬币识别系统。

系统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）。在实际测试中，即使在复杂背景下（如杂乱的桌面或钱包内），识别准确率也能达到95%以上。除了核心的识别功能外，我还为系统开发了完整的用户界面，包括登录注册、参数配置和多种检测模式，使其成为一个真正可用的工具而非单纯的算法demo。

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. 技术选型与架构设计

2.1 为什么选择YOLOv11

在目标检测领域，YOLO系列一直以速度和精度的平衡著称。我选择最新的YOLOv11主要基于以下几个考虑：

实时性需求：硬币识别可能需要处理视频流或摄像头实时画面，YOLOv11的推理速度能满足实时性要求。在我的测试中，在RTX 3060显卡上能达到45FPS的处理速度。
小目标检测能力：硬币相对于整个画面来说属于小目标，YOLOv11针对小目标检测做了专门优化，其多尺度特征融合机制能更好地捕捉硬币特征。
模型轻量化：YOLOv11提供了从nano到x不同规模的预训练模型，可以根据硬件条件灵活选择。我最终选择了yolov11s模型，在精度和速度间取得了良好平衡。

2.2 系统架构设计

整个系统采用模块化设计，主要分为以下几个组件：

code复制├── 核心检测引擎
│   ├── YOLOv11模型
│   ├── 图像预处理模块
│   └── 后处理模块
├── 用户界面
│   ├── 登录/注册系统
│   ├── 主控制面板
│   └── 结果显示区域
├── 数据管理
│   ├── 账户存储
│   └── 结果保存
└── 工具链
    ├── 数据集准备工具
    └── 模型训练脚本

这种架构使得各个功能模块相对独立，便于后期维护和功能扩展。例如，如果想增加新的硬币种类，只需要更新数据集并重新训练模型，其他模块几乎不需要改动。

3. 数据集准备与模型训练

3.1 硬币数据集的构建

高质量的数据集是模型准确性的基础。我收集了约5000张包含各种美国硬币的图像，涵盖了不同场景：

单一硬币特写
多硬币堆叠
复杂背景下的硬币
不同光照条件下的硬币
各种角度的硬币图像

使用LabelImg工具手动标注了所有图像，生成YOLO格式的标注文件。标注时特别注意了几个要点：

确保标注框紧密贴合硬币边缘
对于部分遮挡的硬币也进行标注
标注了一定数量的负样本（不含硬币的图像）

数据集按7:2:1的比例划分为训练集、验证集和测试集。目录结构如下：

code复制dataset/
├── train/
│   ├── images/
│   └── labels/
├── val/
│   ├── images/
│   └── labels/
└── test/
    ├── images/
    └── labels/

3.2 数据增强策略

为了提高模型的泛化能力，训练时采用了多种数据增强技术：

python复制# 数据增强配置示例
augmentations = {
    'hsv_h': 0.015,  # 色相增强
    'hsv_s': 0.7,    # 饱和度增强
    'hsv_v': 0.4,    # 明度增强
    'rotate': 10,    # 旋转角度
    'translate': 0.1, # 平移
    'scale': 0.5,    # 缩放
    'shear': 0.0,    # 剪切
    'perspective': 0.0005, # 透视变换
    'flipud': 0.0,   # 上下翻转
    'fliplr': 0.5,   # 左右翻转
    'mosaic': 1.0,   # 马赛克增强
    'mixup': 0.1     # MixUp增强
}

特别针对硬币识别任务，我增加了旋转和明度增强的比例，因为硬币在实际场景中可能以各种角度出现，且反光情况各异。

3.3 模型训练过程

使用Ultralytics框架进行模型训练，主要参数配置如下：

python复制model = YOLO('yolov11s.pt')  # 加载预训练模型

results = model.train(
    data='data.yaml',
    epochs=100,
    batch=8,
    imgsz=640,
    device='0',  # 使用GPU 0
    workers=4,
    patience=10,  # 早停机制
    lr0=0.01,    # 初始学习率
    lrf=0.01,    # 最终学习率
    momentum=0.937,
    weight_decay=0.0005,
    warmup_epochs=3,
    warmup_momentum=0.8,
    box=7.5,     # box损失权重
    cls=0.5,     # 分类损失权重
    dfl=1.