一、项目介绍
摘要
本项目基于先进的YOLOv8深度学习框架，开发了一套高精度的猫狗品种识别检测系统，能够准确识别和分类37种不同品种的猫狗（包含12种猫品种和25种狗品种）。系统采用大规模标注数据集进行训练，包含训练集12879张图像、验证集736张图像和测试集368张图像，通过数据增强、迁移学习和模型优化技术，实现了对各类猫狗品种的高精度识别。
该系统具备实时检测能力，可广泛应用于宠物医院、智能家居、宠物社交平台、动物收容所等多个场景。相较于传统的图像分类方法，本系统不仅能识别品种，还能准确定位动物在图像中的位置，具有更高的实用价值。系统识别结果可输出品种名称及置信度，为各类宠物相关应用提供智能化解决方案。
项目意义
1. 宠物行业智能化升级
在宠物经济蓬勃发展的背景下，本系统为宠物行业提供了重要的技术支撑：
宠物医院：快速识别宠物品种，辅助病历建立和疾病诊断（不同品种易患疾病不同）
宠物美容院：根据品种特性推荐最适合的美容方案
宠物商店：为顾客提供品种识别服务，辅助购买决策
宠物保险：自动核实投保宠物品种，简化投保流程
2. 智能家居与宠物监护
集成到智能家居系统中可实现：
自动识别家庭宠物品种，调整智能设备设置（如自动喂食器根据品种调整食量）
宠物行为分析与异常监测（不同品种行为特征不同）
访客提醒（识别陌生宠物进入家庭监控区域）
3. 动物保护与收容管理
在动物保护领域具有重要价值：
帮助收容所快速登记流浪动物品种信息
辅助品种特异性救助（不同品种需要不同的照顾方式）
提高领养匹配度（帮助领养者了解动物品种特性）
追踪特定品种的流浪动物分布情况
4. 宠物社交与智能应用
为宠物社交平台提供技术支持：
自动为上传的宠物照片添加品种标签
基于品种的社交匹配（推荐同品种宠物主人交流）
品种知识普及和教育
宠物照片自动分类管理
5. 计算机视觉技术发展
在技术层面具有创新意义：
推进细粒度图像识别技术发展（区分相似品种）
探索多品种目标检测的优化方法
为动物识别建立高质量的基准数据集
验证YOLOv8在精细分类任务中的适用性
6. 数据驱动的宠物研究
长期积累的识别数据可用于：
分析不同地区宠物品种分布趋势
研究品种流行度随时间变化
追踪混种宠物的品种组成
为宠物健康研究提供数据支持
技术特点
多品种识别：覆盖37个常见猫狗品种，包括外观相似的品种
实时检测：基于YOLOv8的高效架构，可实现实时视频流分析
强鲁棒性：适应不同光照条件、拍摄角度和复杂背景
高扩展性：模型架构支持后续添加更多动物品种
轻量化部署：可适配多种硬件平台，从服务器到移动设备
应用前景
本系统的成功开发为宠物识别领域树立了新的技术标准，未来可扩展至：
更多宠物品种的识别
宠物年龄、性别等更多属性的判断
宠物健康状态评估
野生动物识别与保护
畜牧业的个体识别管理
随着宠物经济的持续增长和AI技术的不断进步，这套猫狗品种识别检测系统将在多个领域发挥越来越重要的作用，推动宠物相关产业向智能化、数据化方向发展。
目录
一、项目介绍
摘要
项目意义
1. 宠物行业智能化升级
2. 智能家居与宠物监护
3. 动物保护与收容管理
4. 宠物社交与智能应用
5. 计算机视觉技术发展
6. 数据驱动的宠物研究
技术特点
应用前景
二、项目功能展示
系统功能
图片检测
视频检测
摄像头实时检测
三、数据集介绍
数据集概述
数据集特点
数据集配置文件
数据集制作流程
四、项目环境配置
创建虚拟环境
pycharm中配置anaconda
安装所需要库
五、模型训练
训练代码
训练结果
六、核心代码编辑
七、项目源码(视频简介内)
基于深度学习YOLOv8的猫狗品种识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习YOLOv8的猫狗品种识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）
二、项目功能展示
系统功能
✅图片检测：可对图片进行检测，返回检测框及类别信息。
✅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。
✅参数实时调节（置信度和IoU阈值）
图片检测
该功能允许用户通过单张图片进行目标检测。输入一张图片后，YOLO模型会实时分析图像，识别出其中的目标，并在图像中框出检测到的目标，输出带有目标框的图像。批量图片检测
用户可以一次性上传多个图片进行批量处理。该功能支持对多个图像文件进行并行处理，并返回每张图像的目标检测结果，适用于需要大规模处理图像数据的应用场景。
视频检测
视频检测功能允许用户将视频文件作为输入。YOLO模型将逐帧分析视频，并在每一帧中标记出检测到的目标。最终结果可以是带有目标框的视频文件或实时展示，适用于视频监控和分析等场景。
摄像头实时检测
该功能支持通过连接摄像头进行实时目标检测。YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测，实时识别并显示检测结果。此功能非常适用于安防监控、无人驾驶、智能交通等应用，提供即时反馈。
核心特点：
- 高精度：基于YOLO模型，提供精确的目标检测能力，适用于不同类型的图像和视频。
- 实时性：特别优化的算法使得实时目标检测成为可能，无论是在视频还是摄像头实时检测中，响应速度都非常快。
- 批量处理：支持高效的批量图像和视频处理，适合大规模数据分析。
三、数据集介绍
数据集概述
本项目构建了一个大规模的猫狗品种识别专用数据集，共包含37个品种（12猫+25狗），总样本量达13,983张高质量图像。数据集按照8:1:1的比例划分为训练集（12,879张）、验证集（736张）和测试集（368张），确保模型开发和评估的科学性。数据集覆盖了各种姿态、年龄、毛色和场景下的猫狗图像，每张图像都经过专业标注和严格质检。
数据集特点
品种覆盖全面：
包含12个热门猫品种：从阿比西尼亚猫到斯芬克斯猫
涵盖25个常见犬种：从哈巴狗到约克夏梗
每个品种包含300-500张样本图像，确保数据平衡
图像多样性丰富：
多种姿态：站立、坐卧、奔跑、睡觉等
不同年龄段：幼崽、成年、老年
各种光照条件：自然光、室内光、逆光等
复杂背景：家庭环境、户外场景、专业摄影棚
多角度拍摄：正面、侧面、俯视、特写
标注精细专业：
每个目标都使用矩形框精确标注
品种标签由动物学专家验证确认
对相似品种（如英国短毛猫vs俄罗斯蓝猫）进行特别标注
包含部分遮挡、截断等困难样本的标注
数据质量保障：
所有图像分辨率高
经过三阶段质量筛选流程
由专业兽医团队参与数据校验
定期更新和维护数据集
评估维度全面：
独立的测试集用于最终模型评估
包含跨品种难例分析子集
提供不同场景下的性能评估指标
数据集配置文件
数据集采用标准YOLO格式组织：
train: F:\猫狗品种识别检测数据集\train\images val: F:\猫狗品种识别检测数据集\valid\images test: F:\猫狗品种识别检测数据集\test\images nc: 37 names: ['cat-Abyssinian', 'cat-Bengal', 'cat-Birman', 'cat-Bombay', 'cat-British_Shorthair', 'cat-Egyptian_Mau', 'cat-Maine_Coon', 'cat-Persian', 'cat-Ragdoll', 'cat-Russian_Blue', 'cat-Siamese', 'cat-Sphynx', 'dog-american_bulldog', 'dog-american_pit_bull_terrier', 'dog-basset_hound', 'dog-beagle', 'dog-boxer', 'dog-chihuahua', 'dog-english_cocker_spaniel', 'dog-english_setter', 'dog-german_shorthaired', 'dog-great_pyrenees', 'dog-havanese', 'dog-japanese_chin', 'dog-keeshond', 'dog-leonberger', 'dog-miniature_pinscher', 'dog-newfoundland', 'dog-pomeranian', 'dog-pug', 'dog-saint_bernard', 'dog-samoyed', 'dog-scottish_terrier', 'dog-shiba_inu', 'dog-staffordshire_bull_terrier', 'dog-wheaten_terrier', 'dog-yorkshire_terrier']数据集制作流程
需求分析与规划阶段：
调研宠物市场需求，确定核心品种清单
与兽医专家合作制定品种分类标准
设计数据采集方案，确定样本量和分布
数据采集阶段：
专业摄影师团队实地拍摄（宠物展、医院、家庭）
从授权图库获取高质量样本
与宠物育种机构合作获取稀有品种图像
网络爬虫获取补充样本（严格版权审查）
设计多场景拍摄脚本确保多样性
数据清洗与预处理：
去除低质量、重复或无关图像
统一调整图像尺寸和格式（保留高分辨率）
对敏感信息进行模糊处理
建立图像质量评分体系进行分级筛选
专业标注流程：
第一阶段：由普通标注员进行初步边界框标注
第二阶段：专业宠物美容师验证品种标签
第三阶段：兽医专家团队复核争议样本
使用CVAT标注工具进行高效协作标注
数据集划分与增强：
按品种分层抽样确保分布均衡
采用8:1:1比例划分训练/验证/测试集
应用智能数据增强策略：
几何变换（旋转、缩放、翻转）
色彩空间调整（亮度、对比度、饱和度）
随机遮挡模拟（增强鲁棒性）
背景替换与合成
质量控制体系：
建立三级质量检查流程（标注员自查、组长复查、专家抽查）
开发自动化校验工具检测标注一致性
定期组织标注标准培训与考核
建立错误样本追溯与修正机制
持续维护与扩展：
定期收集用户反馈识别缺失样本
每季度新增品种和样本
建立数据版本控制体系
开发自动化数据清洗管道
四、项目环境配置
创建虚拟环境
首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。
终端输入
conda create -n yolov8 python==3.9
激活虚拟环境
conda activate yolov8
安装cpu版本pytorch
pip install torch torchvision torchaudio
pycharm中配置anaconda
安装所需要库
pip install -r requirements.txt
五、模型训练
训练代码
from ultralytics import YOLO model_path = 'yolov8s.pt' data_path = 'datasets/data.yaml' if __name__ == '__main__': model = YOLO(model_path) results = model.train(data=data_path, epochs=500, batch=64, device='0', workers=0, project='runs/detect', name='exp', )根据实际情况更换模型 yolov8n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。 yolov8s.yaml (small)：小模型，适合实时任务。 yolov8m.yaml (medium)：中等大小模型，兼顾速度和精度。 yolov8b.yaml (base)：基本版模型，适合大部分应用场景。 yolov8l.yaml (large)：大型模型，适合对精度要求高的任务。
--batch 64：每批次64张图像。--epochs 500：训练500轮。--datasets/data.yaml：数据集配置文件。--weights yolov8s.pt：初始化模型权重，yolov8s.pt是预训练的轻量级YOLO模型。
训练结果
六、核心代码![]()
from PyQt5 import QtCore, QtGui, QtWidgets from PyQt5.QtCore import Qt, QTimer from PyQt5.QtGui import QImage, QPixmap, QIcon from PyQt5.QtWidgets import (QFileDialog, QMessageBox, QTableWidgetItem, QStyledItemDelegate, QHeaderView) import cv2 import numpy as np from ultralytics import YOLO import os import datetime import sys class CenteredDelegate(QStyledItemDelegate): def initStyleOption(self, option, index): super().initStyleOption(option, index) option.displayAlignment = Qt.AlignCenter class Ui_MainWindow(object): def setupUi(self, MainWindow): MainWindow.setObjectName("MainWindow") MainWindow.resize(1400, 900) MainWindow.setWindowTitle("YOLOv8 目标检测系统") # 设置窗口图标 if hasattr(sys, '_MEIPASS'): icon_path = os.path.join(sys._MEIPASS, 'icon.ico') else: icon_path = 'icon.ico' if os.path.exists(icon_path): MainWindow.setWindowIcon(QIcon(icon_path)) self.centralwidget = QtWidgets.QWidget(MainWindow) self.centralwidget.setObjectName("centralwidget") # 主布局 self.main_layout = QtWidgets.QHBoxLayout(self.centralwidget) self.main_layout.setContentsMargins(10, 10, 10, 10) self.main_layout.setSpacing(15) # 左侧布局 (图像显示) self.left_layout = QtWidgets.QVBoxLayout() self.left_layout.setSpacing(15) # 原始图像组 self.original_group = QtWidgets.QGroupBox("原始图像") self.original_group.setMinimumHeight(400) self.original_img_label = QtWidgets.QLabel() self.original_img_label.setAlignment(QtCore.Qt.AlignCenter) self.original_img_label.setText("等待加载图像...") self.original_img_label.setStyleSheet("background-color: #F0F0F0; border: 1px solid #CCCCCC;") original_layout = QtWidgets.QVBoxLayout() original_layout.addWidget(self.original_img_label) self.original_group.setLayout(original_layout) self.left_layout.addWidget(self.original_group) # 检测结果图像组 self.result_group = QtWidgets.QGroupBox("检测结果") self.result_group.setMinimumHeight(400) self.result_img_label = QtWidgets.QLabel() self.result_img_label.setAlignment(QtCore.Qt.AlignCenter) self.result_img_label.setText("检测结果将显示在这里") self.result_img_label.setStyleSheet("background-color: #F0F0F0; border: 1px solid #CCCCCC;") result_layout = QtWidgets.QVBoxLayout() result_layout.addWidget(self.result_img_label) self.result_group.setLayout(result_layout) self.left_layout.addWidget(self.result_group) self.main_layout.addLayout(self.left_layout, stretch=3) # 右侧布局 (控制面板) self.right_layout = QtWidgets.QVBoxLayout() self.right_layout.setSpacing(15) # 模型选择组 self.model_group = QtWidgets.QGroupBox("模型设置") self.model_group.setStyleSheet("QGroupBox { font-weight: bold; }") self.model_layout = QtWidgets.QVBoxLayout() # 模型选择 self.model_combo = QtWidgets.QComboBox() self.model_combo.addItems(["best.pt"]) self.model_combo.setCurrentIndex(0) # 加载模型按钮 self.load_model_btn = QtWidgets.QPushButton(" 加载模型") self.load_model_btn.setIcon(QIcon.fromTheme("document-open")) self.load_model_btn.setStyleSheet( "QPushButton { padding: 8px; background-color: #4CAF50; color: white; border-radius: 4px; }" "QPushButton:hover { background-color: #45a049; }" ) self.model_layout.addWidget(self.model_combo) self.model_layout.addWidget(self.load_model_btn) self.model_group.setLayout(self.model_layout) self.right_layout.addWidget(self.model_group) # 参数设置组 self.param_group = QtWidgets.QGroupBox("检测参数") self.param_group.setStyleSheet("QGroupBox { font-weight: bold; }") self.param_layout = QtWidgets.QFormLayout() self.param_layout.setLabelAlignment(Qt.AlignLeft) self.param_layout.setFormAlignment(Qt.AlignLeft) self.param_layout.setVerticalSpacing(15) # 置信度滑块 self.conf_slider = QtWidgets.QSlider(Qt.Horizontal) self.conf_slider.setRange(1, 99) self.conf_slider.setValue(25) self.conf_value = QtWidgets.QLabel("0.25") self.conf_value.setAlignment(Qt.AlignCenter) self.conf_value.setStyleSheet("font-weight: bold; color: #2196F3;") # IoU滑块 self.iou_slider = QtWidgets.QSlider(Qt.Horizontal) self.iou_slider.setRange(1, 99) self.iou_slider.setValue(45) self.iou_value = QtWidgets.QLabel("0.45") self.iou_value.setAlignment(Qt.AlignCenter) self.iou_value.setStyleSheet("font-weight: bold; color: #2196F3;") self.param_layout.addRow("置信度阈值:", self.conf_slider) self.param_layout.addRow("当前值:", self.conf_value) self.param_layout.addRow(QtWidgets.QLabel("")) # 空行 self.param_layout.addRow("IoU阈值:", self.iou_slider) self.param_layout.addRow("当前值:", self.iou_value) self.param_group.setLayout(self.param_layout) self.right_layout.addWidget(self.param_group) # 功能按钮组 self.func_group = QtWidgets.QGroupBox("检测功能") self.func_group.setStyleSheet("QGroupBox { font-weight: bold; }") self.func_layout = QtWidgets.QVBoxLayout() self.func_layout.setSpacing(10) # 图片检测按钮 self.image_btn = QtWidgets.QPushButton(" 图片检测") self.image_btn.setIcon(QIcon.fromTheme("image-x-generic")) # 视频检测按钮 self.video_btn = QtWidgets.QPushButton(" 视频检测") self.video_btn.setIcon(QIcon.fromTheme("video-x-generic")) # 摄像头检测按钮 self.camera_btn = QtWidgets.QPushButton(" 摄像头检测") self.camera_btn.setIcon(QIcon.fromTheme("camera-web")) # 停止检测按钮 self.stop_btn = QtWidgets.QPushButton(" 停止检测") self.stop_btn.setIcon(QIcon.fromTheme("process-stop")) self.stop_btn.setEnabled(False) # 保存结果按钮 self.save_btn = QtWidgets.QPushButton(" 保存结果") self.save_btn.setIcon(QIcon.fromTheme("document-save")) self.save_btn.setEnabled(False) # 设置按钮样式 button_style = """ QPushButton { padding: 10px; background-color: #2196F3; color: white; border: none; border-radius: 4px; text-align: left; } QPushButton:hover { background-color: #0b7dda; } QPushButton:disabled { background-color: #cccccc; } """ for btn in [self.image_btn, self.video_btn, self.camera_btn, self.stop_btn, self.save_btn]: btn.setStyleSheet(button_style) self.func_layout.addWidget(btn) self.func_group.setLayout(self.func_layout) self.right_layout.addWidget(self.func_group) # 检测结果表格组 self.table_group = QtWidgets.QGroupBox("检测结果详情") self.table_group.setStyleSheet("QGroupBox { font-weight: bold; }") self.table_layout = QtWidgets.QVBoxLayout() self.result_table = QtWidgets.QTableWidget() self.result_table.setColumnCount(4) self.result_table.setHorizontalHeaderLabels(["类别", "置信度", "左上坐标", "右下坐标"]) self.result_table.horizontalHeader().setSectionResizeMode(QHeaderView.Stretch) self.result_table.verticalHeader().setVisible(False) self.result_table.setSelectionBehavior(QtWidgets.QAbstractItemView.SelectRows) self.result_table.setEditTriggers(QtWidgets.QAbstractItemView.NoEditTriggers) # 设置表格样式 self.result_table.setStyleSheet(""" QTableWidget { border: 1px solid #e0e0e0; alternate-background-color: #f5f5f5; } QHeaderView::section { background-color: #2196F3; color: white; padding: 5px; border: none; } QTableWidget::item { padding: 5px; } """) # 设置居中代理 delegate = CenteredDelegate(self.result_table) self.result_table.setItemDelegate(delegate) self.table_layout.addWidget(self.result_table) self.table_group.setLayout(self.table_layout) self.right_layout.addWidget(self.table_group, stretch=1) self.main_layout.addLayout(self.right_layout, stretch=1) MainWindow.setCentralWidget(self.centralwidget) # 状态栏 self.statusbar = QtWidgets.QStatusBar(MainWindow) self.statusbar.setStyleSheet("QStatusBar { border-top: 1px solid #c0c0c0; }") MainWindow.setStatusBar(self.statusbar) # 初始化变量 self.model = None self.cap = None self.timer = QTimer() self.is_camera_running = False self.current_image = None self.current_result = None self.video_writer = None self.output_path = "output" # 创建输出目录 if not os.path.exists(self.output_path): os.makedirs(self.output_path) # 连接信号槽 self.load_model_btn.clicked.connect(self.load_model) self.image_btn.clicked.connect(self.detect_image) self.video_btn.clicked.connect(self.detect_video) self.camera_btn.clicked.connect(self.detect_camera) self.stop_btn.clicked.connect(self.stop_detection) self.save_btn.clicked.connect(self.save_result) self.conf_slider.valueChanged.connect(self.update_conf_value) self.iou_slider.valueChanged.connect(self.update_iou_value) self.timer.timeout.connect(self.update_camera_frame) # 设置全局样式 self.set_style() def set_style(self): style = """ QMainWindow { background-color: #f5f5f5; } QGroupBox { border: 1px solid #e0e0e0; border-radius: 5px; margin-top: 10px; padding-top: 15px; } QGroupBox::title { subcontrol-origin: margin; left: 10px; padding: 0 3px; } QLabel { color: #333333; } QComboBox { padding: 5px; border: 1px solid #cccccc; border-radius: 3px; } QSlider::groove:horizontal { height: 6px; background: #e0e0e0; border-radius: 3px; } QSlider::handle:horizontal { width: 16px; height: 16px; margin: -5px 0; background: #2196F3; border-radius: 8px; } QSlider::sub-page:horizontal { background: #2196F3; border-radius: 3px; } """ self.centralwidget.setStyleSheet(style) def load_model(self): model_name = self.model_combo.currentText().split(" ")[0] try: self.model = YOLO(model_name) self.statusbar.showMessage(f"模型 {model_name} 加载成功", 3000) self.image_btn.setEnabled(True) self.video_btn.setEnabled(True) self.camera_btn.setEnabled(True) except Exception as e: QMessageBox.critical(None, "错误", f"模型加载失败: {str(e)}") def update_conf_value(self): conf = self.conf_slider.value() / 100 self.conf_value.setText(f"{conf:.2f}") def update_iou_value(self): iou = self.iou_slider.value() / 100 self.iou_value.setText(f"{iou:.2f}") def detect_image(self): if self.model is None: QMessageBox.warning(None, "警告", "请先加载模型") return file_path, _ = QFileDialog.getOpenFileName( None, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp);;所有文件 (*)" ) if file_path: try: # 读取图片 img = cv2.imread(file_path) img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 显示原始图片 self.display_image(img, self.original_img_label) self.current_image = img.copy() # 检测图片 conf = self.conf_slider.value() / 100 iou = self.iou_slider.value() / 100 self.statusbar.showMessage("正在检测图片...") QtWidgets.QApplication.processEvents() # 更新UI results = self.model.predict(img, conf=conf, iou=iou) result_img = results[0].plot() # 显示检测结果 self.display_image(result_img, self.result_img_label) self.current_result = result_img.copy() # 更新结果表格 self.update_result_table(results[0]) self.save_btn.setEnabled(True) self.statusbar.showMessage(f"图片检测完成: {os.path.basename(file_path)}", 3000) except Exception as e: QMessageBox.critical(None, "错误", f"图片检测失败: {str(e)}") self.statusbar.showMessage("图片检测失败", 3000) def detect_video(self): if self.model is None: QMessageBox.warning(None, "警告", "请先加载模型") return file_path, _ = QFileDialog.getOpenFileName( None, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov *.mkv);;所有文件 (*)" ) if file_path: try: self.cap = cv2.VideoCapture(file_path) if not self.cap.isOpened(): raise Exception("无法打开视频文件") # 获取视频信息 fps = self.cap.get(cv2.CAP_PROP_FPS) width = int(self.cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height = int(self.cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) # 创建视频写入器 timestamp = datetime.datetime.now().strftime("%Y%m%d_%H%M%S") output_file = os.path.join(self.output_path, f"output_{timestamp}.mp4") fourcc = cv2.VideoWriter_fourcc(*'mp4v') self.video_writer = cv2.VideoWriter(output_file, fourcc, fps, (width, height)) # 启用停止按钮，禁用其他按钮 self.stop_btn.setEnabled(True) self.save_btn.setEnabled(True) self.image_btn.setEnabled(False) self.video_btn.setEnabled(False) self.camera_btn.setEnabled(False) # 开始处理视频 self.timer.start(30) # 30ms间隔 self.statusbar.showMessage(f"正在处理视频: {os.path.basename(file_path)}...") except Exception as e: QMessageBox.critical(None, "错误", f"视频检测失败: {str(e)}") self.statusbar.showMessage("视频检测失败", 3000)七、项目源码(视频简介内)
完整全部资源文件（包括测试图片，py文件，训练数据集、训练代码、界面代码等），这里已打包上传至博主的面包多平台，见可参考博客与视频，已将所有涉及的文件同时打包到里面，点击即可运行，完整文件截图如下：
演示与介绍视频：
基于深度学习YOLOv8的猫狗品种识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习YOLOv8的猫狗品种识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）
