PyQt5 结合神经网络做可视化训练数据集界面（PyQt5 tiny-yolo）

目前从事深度学习的工作，在训练模型的时候，每次都要修改源码的参数，感觉比较麻烦，所以想着通过可视化的界面来操作，节省大量的时间。目前开源最多的神经网络算法是用python语言，所以借助PyQt5工具做界面，感觉非常的顺手，而且PyQt5和Qt5的操作是相似的，只是用到的语言差异比较大。

项目介绍：

界面用到PyQt5工具，逻辑和操作相对的简单：

所有的源码将传到github，希望可以帮到大家

主要的代码：

1.读取文件夹函数：

def load_train_pics():
    self.load_train_pic_path.clear()#首先清空显示文件夹的框
    load_dir_path = QFileDialog.getExistingDirectory(self, "输入文件路径")
    if not os.path.exists(load_dir_path):
        QMessageBox.warning(self, "提示", "输入文件目录不存在，请重新选择")
        return
    self.load_train_images = load_dir_path
    self.load_train_pic_path.setText(self.load_train_images)#显示选择的文件夹路径
    print("加载训练数据:", self.load_train_images)

2.选择txt文件

# 加载类别文件
def load_class_fun(self):

    self.load_class_path.clear()#清空显示文件的框
    classes_path, dir_type = QFileDialog.getOpenFileNames(self, "选择文件", "datasets")
    # print("11111",input_dir_path)
    # 判断文件合法性
    if len(classes_path):
        for each_path in classes_path:
            if ".txt" not in each_path or not os.path.exists(each_path):
                QMessageBox.warning(self, "提示", "文件选择错误，请重新选择！")
                return
        self.class_path = classes_path[0]
        self.load_class_path.setText(self.class_path)#显示选择的文件路径
        print("输入训练文件:", self.class_path)
        return
    else:
        return

3.界面显示图片

image = QtGui.QPixmap(“exemple/image”).scaled(self.label_img_show.width(), self.label_img_show.height())
self.label_img_show.setPixmap(image)

图片展示的大小，会根据界面label的大小定。

4.下拉框

comboBox = QtWidgets.QComboBox(self.tab_6)#创建对象
comboBox.setStyleSheet("background-color: rgb(255, 255, 255);")#设置格式
comboBox.setObjectName("comboBox")#对象名称，用于css样式
comboBox.addItem("")# 下拉框个数，添加多少个数，就写多少个
comboBox.addItem("")

comboBox.setItemText(0, _translate("MainWindowv", "1"))# 填写下拉框里的数值

comboBox.setItemText(0, _translate("MainWindowv", "2"))

后端算法介绍：

使用的是轻量级神经网络tiny-yolo，tiny-yolo的效果并不差，而且在训练时候需要调参的部分不是很多，用于可视化操作界面相对

要简单一些。

tiny-yolo用于训练的anchors是固定值，每次要生成用于训练和用于验证的数据。tiny-yolo具体的源码可参考：这个连接

下面是界面样式：

界面的右侧用于训练模型，左侧用于测试图片，训练分4步骤，分别按照选择按钮上的数字执行。

注：其中标注文件是xml格式，类别文件是用于训练的类别名称，格式为txt；右侧的加载类别文件同训练中的类别文件。

右侧的测试框，可以对单张图片做测试，同时显示在空白界面，也可批量识别图片，生成结果文件夹。

epoch为训练的迭代次数，batch_size根据自己的主机配置选择，显存高的可以选择大一些。

源码更新到:https://github.com/python-bookworm/FirePlanV