【无标题】水上船只识别系统（YOLOv5+QT界面设计）

本篇博客将实现水上船只识别系统设计，项目代码包括YOLOv5模型训练，用户QT界面设计以及最后整体船只识别系统设计。

先看一下最后界面整体呈现效果：

系统支持菜单栏选择检测方式（图片，视频和摄像头）和检测对象。

1.YOLOv5模型训练

1.1数据集准备

将标注标签的海上船只数据集SeaShip按照5：1：1划分为训练集（train）,验证集（val）,测试集（test），并按照对应进行标签txt文件划分。

1.2yaml文件配置

在COCO128.yaml文件将path修改为数据集SeaShip在电脑中路径，train，val,test分别修改路径为其在电脑中的路径。如图：

1.3模型训练

本文选取yolo5s.pt和yolo5l.pt分别作为初始权重进行网络训练，超参数配置文件选择hyp.scratch-high.yaml，使用GPU NVIDIA A4000，分别训练轮数100轮和训练轮数200轮，最终得到训练权重best.pt。

2.界面设计

2.1环境搭建

安装PyQt5和PyQt5-tools，以及在在 PyCharm 下开发配置参考下面博客：

参考博客

2.2用户界面设计

存储背景图片的资源文件Qrc文件，文件名后缀为.qrc：

<!DOCTYPE RCC>
<RCC version="1.0">
<qresource prefix="/">
    <file>picture.jpg</file>
 
</qresource>
</RCC>

如果需要更改图片，将picture.jpg修改为自己图片路径即可。

在Pycham中打开外部工具QTDesigner
在Designer中用组件ListView作为背景图的承载空间
在ListView中添加组件Qlable，用于显示检测后图像的信息（检测前图像，检测后图像），以及检测时间，目标数目，类别，置信度等信息。通过在菜单栏选择检测方式和检测对对象，最后通过开始和退出两个PushButton来开始检测和退出检测。UI界面如图：

上面是本文设计的界面，读者可以自行设计自己想要的图标更加丰富，功能更加齐全的界面。
设计完界面后。通过外部工具PyUIC将生成的project.ui转成python文件project.py。
Qrc文件通过在终端命令：

pyrcc5 resource.qrc -o resource_rc.py

Qrc文件转Py文件参考下面博客：

参考博客

3.船只识别系统设计

系统由GUI模块，目标检测模块和线程管理模块三个模块组成。

3.1 GUI模块

系统首先需要对检测模式,检测对象，模型，设备，线程等进行初始化，并且连接菜和按钮点击信号到槽函数。

    def __init__(self, parent=None):
        super(MainWindow, self).__init__(parent)
        self.setupUi(self)

        # 初始化检测模式和对象
        self.detection_mode = None
        self.detection_object = None

        # 初始化模型和设备
        self.model = None
        self.device = None

        # 加载 YOLOv5 模型
        self.load_model()

        # 连接菜单动作到槽函数
        self.action_3.triggered.connect(lambda: self.set_detection_mode("图片检测"))
        self.action_4.triggered.connect(lambda: self.set_detection_mode("视频检测"))
        self.action_5.triggered.connect(lambda: self.set_detection_mode("摄像头检测"))

        self.actionbridge.triggered.connect(lambda: self.set_detection_object("bridge"))
        self.actionboat.triggered.connect(lambda: self.set_detection_object("boat"))
        self.actionship.triggered.connect(lambda: self.set_detection_object("ship"))
        self.actionrubbish.triggered.connect(lambda: self.set_detection_object("buoy"))

        # 连接按钮的点击信号到槽函数
        self.pushButton.clicked.connect(self.exit_app)  # "退出"按钮
        self.pushButton_2.clicked.connect(self.start_detection)  # "开始"按钮

        # 初始化检测线程
        self.thread = None

3.2 目标检测模块

首先，我们需要将输入的图像处理成YOLOv5模型所需要的尺寸（640x640像素），并进行颜色转换（从BGR到RGB）。然后将图像转换为PyTorch的张量并进行归一化。接下来，我们将预处理后的图像传入YOLOv5模型进行推理，得到检测结果。

# 图像预处理
img = cv2.resize(frame, (640, 640))  # 调整为模型输入尺寸
img = img[:, :, ::-1].transpose(2, 0, 1)  # BGR to RGB, to 3x640x640
img = np.ascontiguousarray(img)
img = torch.from_numpy(img).to(self.device)
img = img.float() / 255.0  # 归一化
if img.ndimension() == 3:
    img = img.unsqueeze(0)

YOLOv5的检测结果是多个边界框，每个框都有一个置信度得分。为了过滤掉冗余的框，我们使用非最大抑制（NMS）来选择最有可能的框。

# 非最大抑制去除冗余框
pred = non_max_suppression(pred, 0.25, 0.45)

检测到的目标会用边界框标记出来，我们还会绘制目标的标签和置信度信息。这里，我们使用OpenCV的 cv2.rectangle 绘制矩形框，cv2.putText 绘制文本标签。

# 绘制边界框和标签
for *xyxy, conf, cls in reversed(det):
    label = f'{self.model.names[int(cls)]} {conf:.2f}'
    plot_one_box(xyxy, frame, label=label, color=self.model.colors[int(cls)], line_thickness=2)

3.3 线程管理模块

为了实现实时视频或摄像头检测，我们使用了PyQt5的QThread来创建一个检测线程。该线程负责不断地从视频流中读取图像，进行目标检测，并将检测结果通过信号传递到主界面，更新图像和检测信息。

# 检测线程
class DetectionThread(QThread):
    change_pixmap_signal = pyqtSignal(np.ndarray)
    update_info_signal = pyqtSignal(float, int, list, list)  # 检测时间, 目标数目, 类别, 置信度

    def run(self):
        cap = cv2.VideoCapture(self.source)
        while self._run_flag:
            ret, frame = cap.read()
            if ret:
                # 目标检测代码
                self.change_pixmap_signal.emit(frame)  # 更新图像
                self.update_info_signal.emit(detection_time, num_targets, classes, confidences)  # 更新信息

整体代码下载地址：
代码地址
附上项目代码：
GitHup链接