Python调用PyQt5展示模型对图片的分类结果

一、Pycharm配置PyQt5。

配置方法件上一篇文章。

二、打开Qt Designer添加所需的控件。

这里创建的是MainWindow，添加的控件如上图，这里可以给添加的按钮修改名字，以便后续调用。点击保存并重新命名项目就会出现如下的.ui文件

三、右键生成的.ui文件，点击Qt里面的PyUIC生成相应的.py文件

from PyQt5 import QtCore, QtGui, QtWidgets

class Ui_MainWindow(object):
    def setupUi(self, MainWindow):
        MainWindow.setObjectName("MainWindow")
        MainWindow.resize(800, 600)
        self.centralwidget = QtWidgets.QWidget(MainWindow)
        self.centralwidget.setObjectName("centralwidget")
        self.label = QtWidgets.QLabel(self.centralwidget)
        self.label.setGeometry(QtCore.QRect(50, 100, 231, 191))
        self.label.setStyleSheet("background-color: rgb(255, 255, 255);")
        self.label.setObjectName("label")
        self.handlePictureBtn = QtWidgets.QPushButton(self.centralwidget)
        self.handlePictureBtn.setGeometry(QtCore.QRect(460, 110, 112, 34))
        self.handlePictureBtn.setObjectName("handlePictureBtn")
        self.recogBtn = QtWidgets.QPushButton(self.centralwidget)
        self.recogBtn.setGeometry(QtCore.QRect(460, 260, 112, 34))
        self.recogBtn.setObjectName("recogBtn")
        self.textEdit = QtWidgets.QTextEdit(self.centralwidget)
        self.textEdit.setGeometry(QtCore.QRect(390, 350, 251, 131))
        self.textEdit.setObjectName("textEdit")
        self.loadPictureBtn = QtWidgets.QPushButton(self.centralwidget)
        self.loadPictureBtn.setGeometry(QtCore.QRect(110, 310, 112, 34))
        self.loadPictureBtn.setObjectName("loadPictureBtn")


        MainWindow.setCentralWidget(self.centralwidget)
        self.menubar = QtWidgets.QMenuBar(MainWindow)
        self.menubar.setGeometry(QtCore.QRect(0, 0, 800, 30))
        self.menubar.setObjectName("menubar")
        MainWindow.setMenuBar(self.menubar)
        self.statusbar = QtWidgets.QStatusBar(MainWindow)
        self.statusbar.setObjectName("statusbar")
        MainWindow.setStatusBar(self.statusbar)

        self.retranslateUi(MainWindow)
        QtCore.QMetaObject.connectSlotsByName(MainWindow)

    def retranslateUi(self, MainWindow):
        _translate = QtCore.QCoreApplication.translate
        MainWindow.setWindowTitle(_translate("MainWindow", "MainWindow"))
        self.label.setText(_translate("MainWindow", "           图片"))
        self.handlePictureBtn.setText(_translate("MainWindow", "处理图片"))
        self.recogBtn.setText(_translate("MainWindow", "开始识别"))
        self.loadPictureBtn.setText(_translate("MainWindow", "加载图片"))

文件中的代码如上所示，这是ui设计的代码，关于每个控件的逻辑实现的建议新建一个.py文件。

四、新建.py文件编写每个控件的逻辑实现。

这里我新建了一个recognition.py文件。

1. 首先应保存好训练好的模型，这里就可以加载，我使用的是LinearSVC模型。

模型的保存和加载可以使用pickle。

2. 为了显示图片，需要一个没有任何图片转换的数据集。

3. 为了后续图像的识别任务，还需要一个实现了图片转换的数据集，除此以外为了得到符合模型识别的输入，需要将测试图像通过一遍已经训练好的网络，这里卷积层的参数可以直接调用保存的参数数据。

conv层参数的保存可以使用：torch.save(conv.state_dict(), "conv.parameter")

conv层参数的调用可以使用：conv.load_state_dict(torch.load("conv.parameter"))

4. 最后可以使用模型预测图像类别，并在textEdit中显示出来。

import sys

import torch
from PyQt5.QtGui import QPixmap
from torchvision.datasets import ImageFolder

from SpykeTorch import snn, utils
from mainWindow import Ui_MainWindow
from PyQt5.QtWidgets import *
import pickle
import cv2
import dill
import random
import torchvision.transforms as transforms
import SpykeTorch.functional as sf
import numpy as np

# 图片转换
kernels = [    utils.GaborKernel(window_size = 3, orientation = 45+22.5),
            utils.GaborKernel(3, 90+22.5),
            utils.GaborKernel(3, 135+22.5),
            utils.GaborKernel(3, 180+22.5)]
filter = utils.Filter(kernels, use_abs = True)

def time_dim(input):
    return input.unsqueeze(0)

transform = transforms.Compose(
    [transforms.Grayscale(),
    transforms.ToTensor(),
    time_dim,
    filter,
    sf.pointwise_inhibition,
    utils.Intensity2Latency(number_of_spike_bins = 15, to_spike = True)])

# 显示图片
dataset = ImageFolder("dataset/eth")
# 处理图片
dataset_transfrom = ImageFolder("dataset/eth", transform)

class recognition(Ui_MainWindow, QMainWindow):
    def __init__(self, parent=None):
        super(recognition, self).__init__(parent)
        self.setupUi(self)
        # 槽函数
        self.loadPictureBtn.clicked.connect(self.loadPicture)
        self.handlePictureBtn.clicked.connect(self.handlePicture)
        self.recogBtn.clicked.connect(self.showResult)
        # 加载模型
        self.clf_spike = pickle.load(open("clf_spike_model", "rb"))
        self.clf_pot = pickle.load(open("clf_pot_model", "rb"))


    def loadPicture(self):
        # 随机选取数据集中的一张图片识别
        self.sample_idx = random.randint(0, len(dataset) - 1)
        self.label.setPixmap(QPixmap(dataset.imgs[self.sample_idx][0]))
        # 图片大小与label适应，否则图片可能显示不全
        self.label.setScaledContents(True)

    def handlePicture(self):
        # 处理测试图片
        pool = snn.Pooling(kernel_size=3, stride=2)
        conv = snn.Convolution(in_channels=4, out_channels=20, kernel_size=30)
        conv.load_state_dict(torch.load("conv.parameter"))

        x = dataset_transfrom[self.sample_idx][0]
        t = dataset_transfrom[self.sample_idx][1]
        x = pool(x)
        p = conv(x)
        o = sf.fire(p, 20)
        self.test_x_spike = np.array(o.reshape(-1).cpu().numpy()).reshape(1,-1)
        self.test_x_pot = np.array(p.reshape(-1).cpu().numpy()).reshape(1,-1)
        self.test_y = t

        self.textEdit.setText("测试图片处理完毕")

    def showResult(self):
        predict_spike = self.clf_spike.predict(self.test_x_spike)
        predict_pot = self.clf_pot.predict(self.test_x_pot)

        if predict_spike[0] == 0:
            self.textEdit.append("利用脉冲信息的预测结果为：杯子")
        else:
            self.textEdit.append("利用脉冲信息的预测结果为：狗")

        if predict_pot[0] == 0:
            self.textEdit.append("利用电位信息的预测结果为：杯子")
        else:
            self.textEdit.append("利用电位信息的预测结果为：狗")

        if self.test_y == 0:
            self.textEdit.append("该图像的标签为：杯子")
        else:
            self.textEdit.append("该图像的标签为：狗")

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

五、结果