yolov8（Ultralytics）可视化界面ui设计，基于pyqt5，单py文件即插即用

于 2024-10-10 22:00:50 发布
阅读量2.1k 收藏 56
点赞数 31
分类专栏： 0基础小白ultralytics(yolov8、v11)实战 文章标签： python 开发语言 yolov8 Ultralytics YOLO 可视化界面 ui
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_67105081/article/details/142832064
版权

本次yolov8可视化界面Ui相较之前文章中的界面进行了部分改动，比较明显的改动为本文使用的yolov8版本为8.2.0，有了较新的范围内统计目标数量的功能（目前还没整合进来，后续更新），且分为左右两个区域分别显示原始图像和处理后的图像，还可以分别对图片，视频，摄像头以及云ip摄像头分别进行识别并展示，本文仅针对图像处理做出代码示例，所有代码只需要在根目录下新建一个ui.py即可正常运行，无需新建过多的文件，对于视频及摄像头处理可以根据图像处理进行修改后实现功能，或者私聊我获取成品。

目录

1.准备工作

1.1 yolov8（Ultralytics）源码获取

1.2 yolov8环境配置

2.完整界面展示

2.1 主界面展示

2.2 功能展示

3.界面实现

3.1 相关库

3.2 导入库

3.3 功能实现

3.3.1 添加按钮

3.3.2 功能函数定义

3.3.3 完整代码

3.4 界面展示

1.准备工作

1.1 yolov8（Ultralytics）源码获取

源代码文件获取请查看之前文章，或者点此链接下载，压缩包内为整合源码及权重文件夹。

yolov8官方地址为  GitHub - ultralytics/ultralytics: Ultralytics YOLO11 🚀 ，建议下载yolov8 8.2.0版本源码。

1.2 yolov8环境配置

环境异常请根据下文配置相应python环境，再尝试使用本文提供的可视化界面

深度学习目标检测：yolov8(Ultralytics)环境配置，适合0基础小白，超详细_ultralytics 安装-CSDN博客文章浏览阅读1.2w次，点赞78次，收藏214次。深度学习目标检测yolov8小白教程环境搭建，纯新手方便理解_ultralytics 安装https://blog.csdn.net/qq_67105081/article/details/137519207?spm=1001.2014.3001.5502

建议使用Anaconda3+pycharm，下载yolov8 8.2.0版本源码。

2.完整界面展示

2.1 主界面展示

界面整体分为三部分，左右图像展示框以及下方功能按钮，下图为运行后界面展示

2.2 功能展示

首先选择模型，选择完之后可以分别进行图片或者视频或者打开摄像头进行实时检测，检测之后的图像会实时显示在界面上，左边显示原始图像，右边显示检测后的图像

也可以选择视频进行检测，效果如下图（显示检测物体没录制上）

点击显示检测物体即可显示出当前检测到的所有物体

3.界面实现

本文仅对图片检测进行展示，如需其它功能界面请私聊获取。

3.1 相关库

除了yolov8所用库之外，本文所用到的额外库为pyqt5，输入指令进行安装

pip install PyQt5

3.2 导入库

我这里导入的是以下这些，同官方源码兼容。

import sys
from PyQt5.QtCore import Qt, QTimer
from PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QVBoxLayout, QWidget, QPushButton, QHBoxLayout, QMessageBox, QFileDialog
from PyQt5.QtGui import QImage, QPixmap,QIcon
import cv2
from ultralytics import YOLO

3.3 功能实现

3.3.1 添加按钮

这里只实现了简单的权重选择和图片检测功能并添加了对应的按钮

# 添加模型选择按钮
self.load_model_button = QPushButton("📁模型选择")
self.load_model_button.clicked.connect(self.load_model)
self.load_model_button.setFixedSize(120, 30)
hbox_buttons.addWidget(self.load_model_button)

# 添加图片检测按钮
self.image_detect_button = QPushButton("💾图片检测")
self.image_detect_button.clicked.connect(self.detect_image)
self.image_detect_button.setEnabled(False)
self.image_detect_button.setFixedSize(120, 30)
hbox_buttons.addWidget(self.image_detect_button)

# 添加显示检测物体按钮
self.display_objects_button = QPushButton("🔍显示检测物体")
self.display_objects_button.clicked.connect(self.show_detected_objects)
self.display_objects_button.setEnabled(False)
self.display_objects_button.setFixedSize(120, 30)
hbox_buttons.addWidget(self.display_objects_button)

# 添加退出按钮
self.exit_button = QPushButton("❌退出")
self.exit_button.clicked.connect(self.exit_application)
self.exit_button.setFixedSize(120, 30)
hbox_buttons.addWidget(self.exit_button)

3.3.2 功能函数定义

检测图片并分别在左右窗口进行显示

def detect_image(self):
    image_path, _ = QFileDialog.getOpenFileName(None, "选择图片文件", "", "图片文件 (*.jpg *.jpeg *.png)")
    if image_path:
        image = cv2.imread(image_path)
        if image is not None:
            self.current_results = self.worker.detect_image(image)
            if self.current_results:
                annotated_image = self.current_results[0].plot()
                image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)  # 转换为 RGB
                height1, width1, channel1 = image_rgb.shape
                bytesPerLine1 = 3 * width1
                qimage1 = QImage(image_rgb.data, width1, height1, bytesPerLine1, QImage.Format_RGB888)
                pixmap1 = QPixmap.fromImage(qimage1)
                self.label1.setPixmap(pixmap1.scaled(self.label1.size(), Qt.KeepAspectRatio))

                annotated_image = cv2.cvtColor(annotated_image, cv2.COLOR_BGR2RGB)  # 转换为 RGB
                height2, width2, channel2 = annotated_image.shape
                bytesPerLine2 = 3 * width2
                qimage2 = QImage(annotated_image.data, width2, height2, bytesPerLine2, QImage.Format_RGB888)
                pixmap2 = QPixmap.fromImage(qimage2)
                self.label2.setPixmap(pixmap2.scaled(self.label2.size(), Qt.KeepAspectRatio))

加载模型及调用部分代码

def load_model(self):
    model_path, _ = QFileDialog.getOpenFileName(None, "选择模型文件", "", "模型文件 (*.pt)")
    if model_path:
        self.model = YOLO(model_path)
        return self.model is not None
    return False

def detect_image(self, image):
    results = self.model.predict(image)
    return results

3.3.3 完整代码

完整代码如下，全部复制后粘贴进一个空白的py文件即可运行

import sys
from PyQt5.QtCore import Qt, QTimer
from PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QVBoxLayout, QWidget, QPushButton, QHBoxLayout, QMessageBox, QFileDialog
from PyQt5.QtGui import QImage, QPixmap, QIcon
import cv2
from ultralytics import YOLO

class Worker:
    def __init__(self):
        self.model = None

    def load_model(self):
        model_path, _ = QFileDialog.getOpenFileName(None, "选择模型文件", "", "模型文件 (*.pt)")
        if model_path:
            self.model = YOLO(model_path)
            return self.model is not None
        return False

    def detect_image(self, image):
        results = self.model.predict(image)
        return results

class MainWindow(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("@author：笑脸惹桃花")
        #self.setWindowIcon(QIcon("icon.png"))
        self.setGeometry(300, 150, 800, 400)

        # 创建两个 QLabel 分别显示左右图像
        self.label1 = QLabel()
        self.label1.setAlignment(Qt.AlignCenter)
        self.label1.setMinimumSize(580, 450)  # 设置大小
        self.label1.setStyleSheet('border:3px solid #6950a1; background-color: black;')  # 添加边框并设置背景颜色为黑色

        self.label2 = QLabel()
        self.label2.setAlignment(Qt.AlignCenter)
        self.label2.setMinimumSize(580, 450)  # 设置大小
        self.label2.setStyleSheet('border:3px solid #6950a1; background-color: black;')  # 添加边框并设置背景颜色为黑色

        # 水平布局，用于放置左右两个 QLabel
        layout = QVBoxLayout()
        # layout.addWidget(self.label1)
        hbox_video = QHBoxLayout()
        hbox_video.addWidget(self.label1)  # 左侧显示原始图像
        hbox_video.addWidget(self.label2)  # 右侧显示检测后的图像
        layout.addLayout(hbox_video)
        self.worker = Worker()
        # 创建按钮布局
        hbox_buttons = QHBoxLayout()
        # 添加模型选择按钮
        self.load_model_button = QPushButton("📁模型选择")
        self.load_model_button.clicked.connect(self.load_model)
        self.load_model_button.setFixedSize(120, 30)
        hbox_buttons.addWidget(self.load_model_button)

        # 添加图片检测按钮
        self.image_detect_button = QPushButton("💾图片检测")
        self.image_detect_button.clicked.connect(self.detect_image)
        self.image_detect_button.setEnabled(False)
        self.image_detect_button.setFixedSize(120, 30)
        hbox_buttons.addWidget(self.image_detect_button)

        # 添加显示检测物体按钮
        self.display_objects_button = QPushButton("🔍显示检测物体")
        self.display_objects_button.clicked.connect(self.show_detected_objects)
        self.display_objects_button.setEnabled(False)
        self.display_objects_button.setFixedSize(120, 30)
        hbox_buttons.addWidget(self.display_objects_button)

        # 添加退出按钮
        self.exit_button = QPushButton("❌退出")
        self.exit_button.clicked.connect(self.exit_application)
        self.exit_button.setFixedSize(120, 30)
        hbox_buttons.addWidget(self.exit_button)

        layout.addLayout(hbox_buttons)
        central_widget = QWidget()
        central_widget.setLayout(layout)
        self.setCentralWidget(central_widget)

        self.current_results = None

    def detect_image(self):
        image_path, _ = QFileDialog.getOpenFileName(None, "选择图片文件", "", "图片文件 (*.jpg *.jpeg *.png)")
        if image_path:
            image = cv2.imread(image_path)
            if image is not None:
                self.current_results = self.worker.detect_image(image)
                if self.current_results:
                    annotated_image = self.current_results[0].plot()
                    image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)  # 转换为 RGB
                    height1, width1, channel1 = image_rgb.shape
                    bytesPerLine1 = 3 * width1
                    qimage1 = QImage(image_rgb.data, width1, height1, bytesPerLine1, QImage.Format_RGB888)
                    pixmap1 = QPixmap.fromImage(qimage1)
                    self.label1.setPixmap(pixmap1.scaled(self.label1.size(), Qt.KeepAspectRatio))

                    annotated_image = cv2.cvtColor(annotated_image, cv2.COLOR_BGR2RGB)  # 转换为 RGB
                    height2, width2, channel2 = annotated_image.shape
                    bytesPerLine2 = 3 * width2
                    qimage2 = QImage(annotated_image.data, width2, height2, bytesPerLine2, QImage.Format_RGB888)
                    pixmap2 = QPixmap.fromImage(qimage2)
                    self.label2.setPixmap(pixmap2.scaled(self.label2.size(), Qt.KeepAspectRatio))

    def show_detected_objects(self):
        if self.current_results:
            det_info = self.current_results[0].boxes.cls
            object_count = len(det_info)
            object_info = f"识别到的物体总个数：{object_count}\n"
            object_dict = {}
            class_names_dict = self.current_results[0].names
            for class_id in det_info:
                class_name = class_names_dict[int(class_id)]
                if class_name in object_dict:
                    object_dict[class_name] += 1
                else:
                    object_dict[class_name] = 1
            sorted_objects = sorted(object_dict.items(), key=lambda x: x[1], reverse=True)
            for obj_name, obj_count in sorted_objects:
                object_info += f"{obj_name}: {obj_count}\n"
            self.show_message_box("识别结果", object_info)
        else:
            self.show_message_box("识别结果", "未检测到物体")

    def show_message_box(self, title, message):
        msg_box = QMessageBox(self)
        msg_box.setWindowTitle(title)
        msg_box.setText(message)
        msg_box.exec_()

    def load_model(self):
        if self.worker.load_model():
            self.image_detect_button.setEnabled(True)
            self.display_objects_button.setEnabled(True)

    def exit_application(self):
        # 终止程序运行
        sys.exit()

if __name__ == '__main__':
    app = QApplication(sys.argv)
    window = MainWindow()
    window.show()
    sys.exit(app.exec_())

3.4 界面展示

这样一个简单的ui界面就写好了

需要更加复杂更多功能的及其他需求可以私聊，遇到报错可以在评论区交流~

笑脸惹桃花
关注
专栏目录
【YOLOv8系列】YOLOv8的GUI界面设计；在电脑本地实现YOLOv8的可视化交互界面设计（对摄像头的实时画面进行分类）
AnChenliang_1002的博客
09-04 1221
背景：最近在研究YOLOv8的应用，并且已经在自己的笔记本环境中跑通了YOLOv8的检测和分类算法，训练、验证、预测等功能均已实现；也通过自己的数据集训练出了自己的模型（权重）；且之前也做了一个webUI界面，对YOLOv8检测和分类的结果进行展示；但是如果在本地的GUI界面调用摄像头肯定比webUI调用摄像头要方便，因此想在电脑本地做一个GUI界面，对yolov8的分类结果进行展示。总体逻辑是，打开电脑的摄像头，然后需要分类时，抓拍，对抓拍的当前帧进行分类，并显示分类结果。
YOLOv8可视化界面PYQT5
weixin_43752269的博客
06-13 769
yolov8，可视化界面pyqt。支持图片检测，视频检测，摄像头检测等，实时显示检测画面。支持自定义数据集，计数，fps展示……,即插即用，无需更改太多代码
yolov5+Pyqt检测界面
04-29
yolov5+Pyqt检测界面：使用PyQt来设计一个用户友好的界面，然后集成YOLOv5模型来执行目标检测
YOLOv5烟雾检测+pyqt可视化界面 yolov5-6.0-smoke_detect-qt.zip
05-13
1、YOLOv5烟雾检测训练好的模型，可以直接使用，检测 的目标类别名称为smoke，并可以在可视化界面上直接运行，代码已集成好，直接运行就可展示可视化界面，可以通过界面上的 按钮选择图片进行烟雾检测，并且可以调用摄像头检测以及检测相关视频，使用简单，并附有使用说明 2、烟雾数据集下载：https://download.csdn.net/download/weixin_51154380/85190134 3、其他数据集参考：https://blog.csdn.net/weixin_51154380/article/details/124480876
YOLOSHOW-YOLOv5/YOLOv7/YOLOv8/YOLOv9/RTDETR基于Pyside6的图形化界面
04-05
YOLOSHOW - YOLOv5 / YOLOv7 / YOLOv8 / YOLOv9 基于 Pyside6 的图形化界面
Yolov8可视化界面使用说明，含代码
深度学习炼丹师，偶尔分享炼丹技术!
06-27 1878
⭐⭐⭐⭐。
（小白保姆级）YoloV8+PyQt5,快速上手教程（含源码）
最新发布
fgbgbbfg的博客
07-25 1976
基于自己的经验，给大家总结出了一套YoloV8结合PyQt5的教程，希望对大家能够有帮助，同时我的代码给大家提供了下载方式链接: https://pan.baidu.com/s/1xBVSrPdALdXNdKQntRsU5w?pwd=gps8 提取码: gps8--来自百度网盘超级会员v4的分享。
目标检测系列（四）利用pyqt5实现yolov8目标检测GUI界面
Trisyp的博客
06-26 2602
目标检测，利用pyqt5实现yolov8目标检测GUI界面
YOLOv8实例分割PySide6 GUI可视化界面
bai666ai的博客
06-04 1119
YOLOv8实例分割PySide6 GUI可视化界面支持本地图片和视频推理、摄像头实时视频流推理和HTTP/RTSP流实时推理的展示。YOLOv8实例分割PySide6 GUI可视化界面使用PySide6开发，文档和代码已加入课程《YOLOv8实例分割实战：训练自己的数据集》。
YOLOv8网络结构可视化，全图见文尾
crasher123的博客
08-08 2725
由于 ultralytics采用pip的方式了，所以如果拉取源码后想直接调试，则在exporter.py文件中增加pip引导路径，否则报错找不到ultralytics模块。如果训练完毕，可以直接查看.pt文件所采用的网络结构，也是采用netron，将best.pt拖到netron里面，但是注意此时每个小模块的细节会被隐藏，只能看到粗略效果。ONNX作为一种开放的深度学习模型表示格式，旨在实现深度学习框架之间的模型转换和迁移。ONNX文件采用标准的Protobuf格式进行存储，可以存储神经网络的结构和参数。
yolo3可视化界面_火焰检测+2k已标注火焰数据集.7z
02-15
yolo3可视化界面_火焰检测+2k已标注火焰数据集.7z 开盖即食，函数模块化处理，修改方便，添加错误反馈机制，运行更稳定 共有5个界面：登陆、注册、图片检测（打开、检测）、视频检测（打开视频、关闭视频、检测视频、停止检测）、实时检测（打开摄像头、关闭、检测、关闭检测） 其中在所有检测种，使用本数据集检测正确度可以达到90%
YOLO训练过程参数可视化
04-09
YOLO训练过程参数可视化，直接运行即可。方便查看训练是否收敛。
yolov3可视化图
11-17
此图是yolov3可是画图，可以用tensorboard打开，如果需要pb文件，请联系作者
PyQt5中ui文件如何转为Py文件并界面可视化
q1030460485的博客
04-07 9945
1、在pycharm里的File里面找到setting 2、Tools工具里找到External Tools 3、选择“+”，添加 其中Name 根据你自己想法取，这里写的是 Qt Designer。Program:这里是找到你的designer.exe文件，复制其路径，放入这里面。Working directory:这里填$ProjectFileDir$，也可以根据你自己的需要选择文件夹，然后点击ok，点击apply，再点ok，即可得到如下： 4、ui转py。步骤跟上述步骤一样..
YOLOV5 部署：QT的可视化界面推理（创建UI，并编译成py文件）
Henry的博客
03-14 2038
之前用YOLOV5 做了一个猫和老鼠的实战检测项目，本章将根据之前训练好的权重进行部署，搭建一个基于QT的可视化推理界面，可以检测图片和视频。
【手把手教学】yolov8两种方法实现可视化界面
王尼莫的博客
03-26 2889
Gradio是一个用于构建交互式界面的Python库。它可以快速构建和部署自定义的机器学习模型、自然语言处理（NLP）模型、计算机视觉模型和其他数据处理任务的交互式界面。简单易用：Gradio提供了简单的API，能够轻松定义输入和输出，以及实现模型的交互式界面。多种输入和输出类型：Gradio支持多种输入和输出类型，包括文本、图像、音频和视频。可以根据任务的需要，选择适合的输入和输出类型。自定义界面组件：Gradio允许根据需要自定义界面组件，以提供更好的用户体验。
【YOLOV5 入门】——Pyside6/PyQt5可视化UI界面&后端逻辑
weixin_51658186的博客
04-15 6013
安装完pyside6时其实一并安装了qtdesigner，这个工具可让我们以拖拽的方式设计界面，按下面方法找到这个工具放在桌面以便后续使用：终端输入： 现在用的虚拟环境是第二个，找到找到虚拟环境path/lib/site-packages/Pyside6/designer.exe
yolov8可视化界面
05-13
可以使用以下步骤来实现YOLOv8的可视化界面： 1. 安装YOLOv8的依赖库：OpenCV, NumPy和TensorFlow。 2. 下载YOLOv8的预训练权重文件。 3. 使用Python代码加载模型，读取图像，并进行目标检测。 4. 使用OpenCV绘制出检测结果并在界面上显示。 下面是一个简单的例子： ```python import cv2 import numpy as np import tensorflow as tf # 加载模型 model = tf.keras.models.load_model('yolov8.h5') # 加载类别标签 with open('classes.txt', 'r') as f: classes = [line.strip() for line in f.readlines()] # 加载图像 image = cv2.imread('image.jpg') # 调整图像尺寸 image = cv2.resize(image, (416, 416)) # 归一化像素值 image = image / 255.0 # 增加批次维度 image = np.expand_dims(image, axis=0) # 运行模型进行检测 boxes, scores, classes, nums = model.predict(image) # 绘制检测结果 for i in range(nums[0]): x1 = int(boxes[0][i][0] * image.shape[1]) y1 = int(boxes[0][i][1] * image.shape[0]) x2 = int(boxes[0][i][2] * image.shape[1]) y2 = int(boxes[0][i][3] * image.shape[0]) cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(image, classes[classes[0][i]] + ' ' + str(scores[0][i]), (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) # 显示检测结果 cv2.imshow('YOLOv8', image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 你可以根据自己的需求对这个例子进行修改，实现自己的YOLOv8可视化界面。
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值