基于YOLOv8深度学习的血细胞检测系统 带UI界面的血细胞分类检测

基于YOLOv8深度学习的血细胞检测系统 带UI界面的血细胞分类检测DL00346-基于Y0L0v8深度学习的血细胞检测系统代码数据集 基于Y0L0v8模型开发了一款带UI界面的血细胞分类检测系统，更方便进行功能的展示。该系统是基于 python与PyQT5开发的，支持图片、批量图片、视频以及摄像头进行识别检测。并提供了完整的Pytho n源码和使用教程.

 

基于YOLOv8的血细胞检测系统项目介绍

项目名称

基于YOLOv8深度学习的血细胞检测系统 (Blood Cell Detection System Based on YOLOv8 Deep Learning)

项目概述

本项目开发了一款基于YOLOv8模型的血细胞分类检测系统，旨在提供一个用户友好的界面来展示和使用血细胞检测功能。该系统支持多种输入方式，包括单张图片、批量图片、视频以及摄像头实时检测。整个系统是用Python结合PyQt5图形界面库开发的，提供了完整的源代码和详细的使用教程。

项目特点

• 高精度：基于先进的YOLOv8模型，能够准确地识别和分类血细胞。
• 用户友好：提供了一个简洁直观的UI界面，方便用户操作。
• 多输入支持：支持单张图片、批量图片、视频以及摄像头实时检测。
• 完整源码：提供了所有必要的Python源代码，便于二次开发和研究。
• 详细教程：附带了详细的使用教程，帮助用户快速上手。

项目结构

blood_cell_detection_system/
├── src/                            # 源代码目录
│   ├── main.py                     # 主程序入口
│   ├── ui/                         # UI相关文件
│   │   ├── main_window.py          # 主窗口UI逻辑
│   │   ├── image_viewer.py         # 图片查看器
│   │   ├── video_player.py         # 视频播放器
│   │   ├── camera_feed.py          # 摄像头实时检测
│   ├── models/                     # 模型相关文件
│   │   ├── yolov8_blood_cells.pt   # 预训练权重
│   │   ├── config.yaml             # 模型配置文件
│   ├── utils/                      # 辅助函数
│   │   ├── data_loader.py          # 数据加载器
│   │   ├── preprocess.py           # 数据预处理
│   │   ├── postprocess.py          # 结果后处理
├── data/                           # 数据目录
│   ├── images/                     # 图像文件
│   ├── videos/                     # 视频文件
├── weights/                        # 权重文件
│   ├── yolov8_blood_cells.pt       # 预训练权重
├── docs/                           # 文档目录
│   ├── README.md                   # 项目说明
│   ├── tutorial.md                 # 使用教程
├── requirements.txt                # 依赖库文件

主要模块及功能

1. main.py

   • 功能：主程序入口，启动应用程序并加载UI。
   • 内容：
     • MainWindow类：主窗口的逻辑。
     • start_app函数：启动应用程序。

2. ui/main_window.py

   • 功能：定义主窗口的UI逻辑。
   • 内容：
     • MainWindow类：包含菜单栏、工具栏、状态栏等组件。
     • load_image方法：加载单张图片进行检测。
     • load_images方法：加载批量图片进行检测。
     • load_video方法：加载视频进行检测。
     • start_camera方法：启动摄像头进行实时检测。

3. ui/image_viewer.py

   • 功能：显示和处理单张图片的检测结果。
   • 内容：
     • ImageViewer类：显示图像和检测结果，并提供交互功能。

4. ui/video_player.py

   • 功能：显示和处理视频的检测结果。
   • 内容：
     • VideoPlayer类：播放视频并显示每帧的检测结果。

5. ui/camera_feed.py

   • 功能：显示和处理摄像头实时检测结果。
   • 内容：
     • CameraFeed类：从摄像头获取实时视频流并显示检测结果。

6. models/

   • 功能：存放模型相关的文件。
   • 内容：
     • yolov8_blood_cells.pt：预训练权重文件。
     • config.yaml：模型配置文件。

7. utils/

   • 功能：提供辅助函数。
   • 内容：
     • data_loader.py：数据加载器，用于读取图像和视频数据。
     • preprocess.py：数据预处理，对输入数据进行预处理。
     • postprocess.py：结果后处理，对检测结果进行处理和可视化。

8. docs/

   • 功能：存放文档文件。
   • 内容：
     • README.md：项目说明。
     • tutorial.md：使用教程。

详细代码示例

1. 主程序入口 (main.py)

import sys
from PyQt5.QtWidgets import QApplication
from ui.main_window import MainWindow

def start_app():
    app = QApplication(sys.argv)
    main_window = MainWindow()
    main_window.show()
    sys.exit(app.exec_())

if __name__ == '__main__':
    start_app()

2. 主窗口UI逻辑 (ui/main_window.py)

from PyQt5.QtWidgets import QMainWindow, QAction, QFileDialog, QVBoxLayout, QWidget, QLabel
from PyQt5.QtGui import QPixmap
from PyQt5.QtCore import Qt
from ui.image_viewer import ImageViewer
from ui.video_player import VideoPlayer
from ui.camera_feed import CameraFeed

class MainWindow(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("Blood Cell Detection System")
        self.setGeometry(100, 100, 800, 600)

        self.init_ui()

    def init_ui(self):
        self.central_widget = QWidget(self)
        self.setCentralWidget(self.central_widget)

        self.layout = QVBoxLayout(self.central_widget)

        self.image_viewer = ImageViewer()
        self.layout.addWidget(self.image_viewer)

        self.create_menu_bar()

    def create_menu_bar(self):
        menu_bar = self.menuBar()

        file_menu = menu_bar.addMenu('File')

        load_image_action = QAction('Load Image', self)
        load_image_action.triggered.connect(self.load_image)
        file_menu.addAction(load_image_action)

        load_images_action = QAction('Load Images', self)
        load_images_action.triggered.connect(self.load_images)
        file_menu.addAction(load_images_action)

        load_video_action = QAction('Load Video', self)
        load_video_action.triggered.connect(self.load_video)
        file_menu.addAction(load_video_action)

        start_camera_action = QAction('Start Camera', self)
        start_camera_action.triggered.connect(self.start_camera)
        file_menu.addAction(start_camera_action)

    def load_image(self):
        file_path, _ = QFileDialog.getOpenFileName(self, "Select Image", "", "Image Files (*.png *.jpg *.jpeg)")
        if file_path:
            self.image_viewer.load_image(file_path)

    def load_images(self):
        file_paths, _ = QFileDialog.getOpenFileNames(self, "Select Images", "", "Image Files (*.png *.jpg *.jpeg)")
        if file_paths:
            self.image_viewer.load_images(file_paths)

    def load_video(self):
        file_path, _ = QFileDialog.getOpenFileName(self, "Select Video", "", "Video Files (*.mp4 *.avi)")
        if file_path:
            self.layout.removeWidget(self.image_viewer)
            self.image_viewer.deleteLater()
            self.image_viewer = None

            self.video_player = VideoPlayer()
            self.layout.addWidget(self.video_player)
            self.video_player.load_video(file_path)

    def start_camera(self):
        self.layout.removeWidget(self.image_viewer)
        self.image_viewer.deleteLater()
        self.image_viewer = None

        self.camera_feed = CameraFeed()
        self.layout.addWidget(self.camera_feed)
        self.camera_feed.start_camera()

3. 图片查看器 (ui/image_viewer.py)

from PyQt5.QtWidgets import QLabel
from PyQt5.QtGui import QPixmap, QImage
from PyQt5.QtCore import Qt
from ultralytics import YOLO
import cv2
import numpy as np

class ImageViewer(QLabel):
    def __init__(self):
        super().__init__()
        self.setAlignment(Qt.AlignCenter)
        self.model = YOLO('weights/yolov8_blood_cells.pt')

    def load_image(self, file_path):
        image = cv2.imread(file_path)
        results = self.model(image)
        annotated_frame = results[0].plot()
        self.display_image(annotated_frame)

    def load_images(self, file_paths):
        for file_path in file_paths:
            self.load_image(file_path)

    def display_image(self, frame):
        height, width, channel = frame.shape
        bytes_per_line = 3 * width
        q_img = QImage(frame.data, width, height, bytes_per_line, QImage.Format_RGB888).rgbSwapped()
        self.setPixmap(QPixmap.fromImage(q_img))

4. 视频播放器 (ui/video_player.py)

from PyQt5.QtWidgets import QLabel
from PyQt5.QtGui import QPixmap, QImage
from PyQt5.QtCore import Qt, QThread, pyqtSignal
from ultralytics import YOLO
import cv2
import numpy as np

class VideoPlayer(QLabel):
    def __init__(self):
        super().__init__()
        self.setAlignment(Qt.AlignCenter)
        self.model = YOLO('weights/yolov8_blood_cells.pt')
        self.thread = VideoThread()
        self.thread.change_pixmap_signal.connect(self.update_image)

    def load_video(self, file_path):
        self.thread.file_path = file_path
        self.thread.start()

    def update_image(self, frame):
        height, width, channel = frame.shape
        bytes_per_line = 3 * width
        q_img = QImage(frame.data, width, height, bytes_per_line, QImage.Format_RGB888).rgbSwapped()
        self.setPixmap(QPixmap.fromImage(q_img))

class VideoThread(QThread):
    change_pixmap_signal = pyqtSignal(np.ndarray)

    def __init__(self):
        super().__init__()
        self.file_path = None
        self.running = True

    def run(self):
        cap = cv2.VideoCapture(self.file_path)
        while self.running and cap.isOpened():
            ret, frame = cap.read()
            if not ret:
                break
            results = model(frame)
            annotated_frame = results[0].plot()
            self.change_pixmap_signal.emit(annotated_frame)

    def stop(self):
        self.running = False
        self.wait()

5. 摄像头实时检测 (ui/camera_feed.py)

from PyQt5.QtWidgets import QLabel
from PyQt5.QtGui import QPixmap, QImage
from PyQt5.QtCore import Qt, QThread, pyqtSignal
from ultralytics import YOLO
import cv2
import numpy as np

class CameraFeed(QLabel):
    def __init__(self):
        super().__init__()
        self.setAlignment(Qt.AlignCenter)
        self.model = YOLO('weights/yolov8_blood_cells.pt')
        self.thread = CameraThread()
        self.thread.change_pixmap_signal.connect(self.update_image)

    def start_camera(self):
        self.thread.start()

    def update_image(self, frame):
        height, width, channel = frame.shape
        bytes_per_line = 3 * width
        q_img = QImage(frame.data, width, height, bytes_per_line, QImage.Format_RGB888).rgbSwapped()
        self.setPixmap(QPixmap.fromImage(q_img))

class CameraThread(QThread):
    change_pixmap_signal = pyqtSignal(np.ndarray)

    def __init__(self):
        super().__init__()
        self.running = True

    def run(self):
        cap = cv2.VideoCapture(0)
        while self.running and cap.isOpened():
            ret, frame = cap.read()
            if not ret:
                break
            results = model(frame)
            annotated_frame = results[0].plot()
            self.change_pixmap_signal.emit(annotated_frame)

    def stop(self):
        self.running = False
        self.wait()

使用说明

1. 环境准备

   • 安装依赖库：

     pip install -r requirements.txt

2. 运行程序

   • 运行主程序：

     python main.py

3. 使用教程

   • 请参考docs/tutorial.md中的详细使用教程，了解如何使用该系统进行血细胞检测。

注意事项

• 硬件要求：建议使用GPU进行实时检测，以加快处理速度。如果没有足够的计算资源，可以考虑使用云服务提供商的GPU实例。
• 数据格式：确保输入的数据格式正确，特别是图像和视频文件的格式。
• 性能优化：根据实际需求调整模型参数和超参数，以获得最佳的检测效果和性能。

通过上述步骤，你可以成功地使用基于YOLOv8的血细胞检测系统进行血细胞分类和检测。这个项目不仅适用于学术研究，还可以应用于实际的医疗场景中。希望这个项目能帮助你更好地理解和应用最新的目标检测技术。