【车辆检测系统】Python、Pyside6、Yolov5s的检测界面

已于 2024-04-30 03:14:55 修改
阅读量432 收藏 11
点赞数 5
文章标签： python YOLO 开发语言
于 2024-04-18 07:20:03 首次发布
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/weixin_52034829/article/details/137901201
版权

参考：b站up：白月黑雨编程
https://www.bilibili.com/video/BV1Wj421d78y/?p=3&spm_id_from=333.880.my_history.page.click

改进：增加图像检测，增加错误弹窗
2024.4.23
改进2：
增加控制台显示
解决自定义权重无法绘制问题:增加draw_detection和draw_detections函数，且用apply（）代替itrrows改善速度
全代码：



#
################################################################################
## Form generated from reading UI file 'WindowsTest.ui'
##
## Created by: Qt User Interface Compiler version 6.6.3
##
## WARNING! All changes made in this file will be lost when recompiling UI file!
################################################################################
#
from PySide6 import QtWidgets, QtCore, QtGui
from PySide6.QtCore import (QCoreApplication, QDate, QDateTime, QLocale,
                            QMetaObject, QObject, QPoint, QRect,
                            QSize, QTime, QUrl, Qt
                            # 控制台
                            ,QEventLoop,QTimer
                            )
from PySide6.QtGui import (QBrush, QColor, QConicalGradient, QCursor,
                           QFont, QFontDatabase, QGradient, QIcon,
                           QImage, QKeySequence, QLinearGradient, QPainter,
                           QPalette, QPixmap, QRadialGradient, QTransform)
# 窗口控件
from PySide6.QtWidgets import (QApplication, QFrame, QLabel, QMainWindow,
                               QSizePolicy, QStatusBar, QToolButton, QWidget
                              ,QMessageBox,QPushButton
                              ,QTextBrowser,QGroupBox
                               )
#

# from PySide6.QtWidgets import QApplication, QMessageBox,QPushButton

# Thread类允许你创建并启动新的线程，以便同时执行多个任务。
from threading import Thread
import cv2
import time
# 系统模块
import sys

# 模型检测绘制
# 官方yolov5s权重，可以使用官方库进行绘制
# YOLO() m模型导出函数
# result.plot()绘制结果
from ultralytics import YOLO

# 自定义模型权重：使用pytorch
import torch
from PIL import Image

# 控制台输出 重定向信号
class EmittingStr(QtCore.QObject):
    textWritten = QtCore.Signal(str)  # 定义一个发送str的信号，这里用的方法名与PyQt5不一样

    def write(self, text):
        self.textWritten.emit(str(text))
        loop = QEventLoop()
        QTimer.singleShot(1000, loop.quit)
        loop.exec()


# class Ui_MainWindow(object):
class MWindow(QtWidgets.QMainWindow):

    # 初始化操作
    def __init__(self):
        # 调用父类的构造函数。以完成初始化
        super().__init__()

        # 设置界面
        self.setupUI()
        # 控件绑定
        self.BttCamDect.clicked.connect(self.openCam)
        self.BttVidDect.clicked.connect(self.openVideoFile)
        self.BttImgDect.clicked.connect(self.openImgFile)
        self.BttStop.clicked.connect(self.stop)



        # 加载 YOLOv5s模型(初始化）
        # self.model = YOLO("yolov5s.pt")

        self.model = torch.hub.load("./", "custom" ,path= "runs/train/exp15/weights/best.pt" ,source= "local")

        # self.model = torch.hub.load ("./", "custom" ,path= "./yolov5s.pt" ,source= "local")


        sys.stdout = EmittingStr()
        self.TBCon.connect(sys.stdout, QtCore.SIGNAL("textWritten(QString)"), self.outputWritten)
        sys.stderr = EmittingStr()
        self.TBCon.connect(sys.stderr, QtCore.SIGNAL("textWritten(QString)"), self.outputWritten)

        # 视频处理
        self.timer_camera = QtCore.QTimer()
        # 定时到了，回调 self.show_camera
        # 定义定时器，用于控制显示视频的帧率
        self.timer_videoFile = QtCore.QTimer()
        # 定时到了，回调 self.show_camera
        self.timer_videoFile.timeout.connect(self.showVideoFile)
        # 要处理的视频帧图片队列，目前就放1帧图片。
        self.frameToAnalyze = []
        # 启动处理视频帧独立线程
        Thread(target=self.frameAnalyzeThreadFunc, daemon=True).start()
        self.timer_videoFile = QtCore.QTimer()
        # 定时到了，回调 self.show_camera
        self.timer_videoFile.timeout.connect(self.showVideoFile)
        # 当前要播放的视频帧号
        self.vframeIdx = 0
        # cv2.VideoCapture 实例
        self.cap = None
        self.stopFlag = False

        self.imgPath = ""
        self. path = ""

    # 界面设置
    def setupUI(self):
        # if not MainWindow.objectName():
        #     MainWindow.setObjectName(u"MainWindow")
        # MainWindow.resize(800, 600)
        centralWidget = QtWidgets.QWidget(self)
        self.setCentralWidget(centralWidget)

        self.setWindowTitle('YOLO-Qt 演示')

        centralWidget = QtWidgets.QWidget(self)
        self.setCentralWidget(centralWidget)

        # # central Widget 里面的 主 layout：垂直布布局
        # # HLayout：水平布局
        # # VLayout：垂直布局
        # mainLayout = QtWidgets.QVBoxLayout(centralWidget)
        # HLayout = QtWidgets.QHBoxLayout()
        # VLayout = QtWidgets.QVBoxLayout()

        # Label
        # 布局方式：坐标法
        # 原始数据
        self.LabOri = QtWidgets.QLabel('原始图片' ,self  )  # 创建控件
        self.LabOri.setObjectName(u"LabWild"  )  # 控件命名
        self.LabOri.setAlignment(Qt.AlignCenter  )  # 字体对齐
        self.LabOri.setStyleSheet('border:1px solid #D7E2F9;'  )  # 边框
        # 检测数据
        self.LabDect = QtWidgets.QLabel('检测控件' ,self  )  # 创建控件
        self.LabDect.setObjectName(u"LabDect"  )  # 控件命名
        self.LabDect.setAlignment(Qt.AlignCenter  )  # 字体对齐
        self.LabDect.setStyleSheet('border:1px solid #D7E2F9;'  )  # 边框

        # Button
        # 图像检测
        self.BttImgDect = QtWidgets.QPushButton('🖼图片文件' ,self)
        self.BttImgDect.setObjectName(u"BttPicDect")

        # 录像检测
        self.BttVidDect = QtWidgets.QPushButton('🎞️视频文件' ,self)
        self.BttVidDect.setObjectName(u"BttVidDect")

        # 摄像头
        self.BttCamDect = QtWidgets.QPushButton('📹摄像头' ,self)
        self.BttCamDect.setObjectName(u"BttCamDect")

        # 停止
        self.BttStop = QtWidgets.QPushButton('🛑停止' ,self)
        self.BttStop.setObjectName(u"BttCamDect")

        # 警告弹窗
        self.MsgWarn = QMessageBox()
        self.MsgWarn.setIcon(QMessageBox.Warning)
        self.MsgWarn.setStandardButtons(QMessageBox.Ok)
        # self.MsgWarn.setDefaultButton(QMessageBox.Ok)
        self.MsgWarn.setText("error")
        self.error_occurred = False


        # 打印台控件
        self.TBCon = QTextBrowser(self)
        self.TBCon.setObjectName(u"textBrowser")

        self.GBCon = QGroupBox(self)
        self.GBCon.setObjectName(u"groupBox")



        # 布局方法：坐标法
        self.resize(1300, 750)
        self.LabOri.setGeometry(QRect(10, 70, 640, 400)  )  # 设置大小
        self.LabDect.setGeometry(QRect(650, 70, 640, 400)  )  # 设置大小，位置
        self.BttImgDect.setGeometry(QRect(1120, 490, 160, 40))
        self.BttVidDect.setGeometry(QRect(1120, 560, 160, 40))
        self.BttCamDect.setGeometry(QRect(1120, 630, 160, 40))
        self.BttStop.setGeometry(QRect(1120, 700, 160, 40))
        self.TBCon.setGeometry(QRect(30, 520, 1000,200))
        self.GBCon.setGeometry(QRect(20, 490, 1020, 230))

        # MainWindow.setCentralWidget(self)
        # self.statusbar = QStatusBar(MainWindow)
        # self.statusbar.setObjectName(u"statusbar")
        # MainWindow.setStatusBar(self.statusbar)

        # self.retranslateUi(MainWindow)

        # QMetaObject.connectSlotsByName(MainWindow)


    # setupUi

    # def retranslateUi(self, MainWindow):
    # def retranslateUi(self):
    #     #MainWindow.setWindowTitle(QCoreApplication.translate("MainWindow", u"MainWindow", None))
    #     self.LabWild.setText(QCoreApplication.translate("MainWindow", u"\u539f\u59cb\u753b\u9762", None))
    #     self.LabDect.setText(QCoreApplication.translate("MainWindow", u"\u68c0\u6d4b\u753b\u9762", None))
    #     self.BttPicDect.setText(QCoreApplication.translate("MainWindow", u"\u56fe\u7247\u8bc6\u522b", None))
    #     self.BttVidDect.setText(QCoreApplication.translate("MainWindow", u"\u89c6\u9891\u8bc6\u522b", None))
    #     self.BttCamDect.setText(QCoreApplication.translate("MainWindow", u"\u6444\u50cf\u5934\u8bc6\u522b", None))
    # # retranslateUi

    # 打开照片文件
    def outputWritten(self, text):
        # self.TBCon.clear()
        cursor = self.TBCon.textCursor()
        cursor.movePosition(QtGui.QTextCursor.End)
        cursor.insertText(text)
        self.TBCon.setTextCursor(cursor)
        self.TBCon.ensureCursorVisible()

    def openImgFile(self):
        # 先关闭原来打开的
        self.stop()

        self.imgPath, _ = QtWidgets.QFileDialog.getOpenFileName(
            self,  # 父窗口对象
            "选择图片文件",  # 标题
            dir="./Test/testvideo_img/",  # 起始目录
            filter="图片类型 (*.jpg *.png *jpeg)"  # 选择类型过滤项，过滤内容在括号中
        )
        print('imgPath is', self.imgPath)
        if not self.imgPath:
            self.MsgWarn.setText("Not Image Path")
            self.error_occurred = True
            self.showErrorDialog(self.error_occurred)
            return
        else:
            image = cv2.imread(self.imgPath)
            self.setImgToOriLabel(image)

            # # imgPath = imgPath[0]
            # # pixmap = QPixmap(self.imgPath)
            # # pixmap = pixmap.scaled(640,400)
            # # self.LabOri.setPixmap(pixmap)
            # self.LabOri.setPixmap((QPixmap(imgPath).scaled(640,400)))
            # # qImage = self.ImgAnalyze(imgPath)
            # self.ImgAnalyze()
            # #self.LabDect.setPixmap(QPixmap.fromImage(self.ImgAnalyzeThreadFunc(self.imgPath)))

    def setImgToOriLabel(self,image):
        image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
        qImage = QtGui.QImage(image.data, image.shape[1], image.shape[0],
                              QtGui.QImage.Format_RGB888)  # 变成QImage形式

        self.LabOri.setPixmap((QtGui.QPixmap.fromImage(qImage).scaled(640, 400)))
        self.ImgToAnalyze(image)

    def ImgToAnalyze(self,image):
        #detection
        results = self.model(image)
        print(results)
        results.show(image)
        # self.setImgToDectLabel(results)
        # self.JIANXIU(results,image)
        self.setImgToDectLabel(results,image)


    # def JIANXIU(self,results,image):
    #     # results
    #     # image 1/1: 540x960 13 cars, 1 van
    #     # Speed: 4.0ms pre-process, 119.0ms inference, 0.0ms NMS per image at shape (1, 3, 384, 640)
    #     # <class 'models.common.Detections'>
    #     # print(results)
    #     # results.print(image)
    #     boxes = results.xyxy[0].cpu().numpy()  # 获取边界框坐标信息，xyxy 格式表示（left, top, right, bottom）
    #     detections = results.pandas().xyxy[0]
    #     self.draw_detections(detections, image, boxes)
    #     image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
    #     qImage = QtGui.QImage(image_rgb.data, image.shape[1], image.shape[0],
    #                           QtGui.QImage.Format_RGB888)  # 变成QImage形式
    #     self.LabDect.setPixmap((QtGui.QPixmap.fromImage(qImage).scaled(640,400)))  # 往显示Label里 显示QImage
    #

        #



    def setImgToDectLabel(self,results,image):
        # boxes = results.xyxy[0].cpu().numpy()  # 获取边界框坐标信息，xyxy 格式表示（left, top, right, bottom）
        detections = results.pandas().xyxy[0]
        self.draw_detections(detections, image)
        # image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
        qImage = QtGui.QImage(image.data, image.shape[1], image.shape[0],
                              QtGui.QImage.Format_RGB888)  # 变成QImage形式
        self.LabDect.setPixmap((QtGui.QPixmap.fromImage(qImage).scaled(640,400)))  # 往显示Label里 显示QImage



    def openVideoFile(self):
        # 先关闭原来打开的
        self.stop()

        videoPath, _ = QtWidgets.QFileDialog.getOpenFileName(
            self,  # 父窗口对象
            "选择视频文件",  # 标题
            ".",  # 起始目录
            "图片类型 (*.mp4 *.avi)"  # 选择类型过滤项，过滤内容在括号中
        )

        print('videoPath is', videoPath)
        if not videoPath:
            self.MsgWarn.setText("Not Video Path")
            self.error_occurred = True
            self.showErrorDialog(self.error_occurred)
            return

        self.cap = cv2.VideoCapture(videoPath)
        if not self.cap.isOpened():  # 确保视频文件被正确打开
            print("打开文件失败")
            self.MsgWarn.setText("Fail to open Video")
            self.error_occurred = True
            self.showErrorDialog(self.error_occurred)
            return

        self.timer_videoFile.start(30)
        self.stopFlag = False

        print("ok")

    def showVideoFile(self):
        if self.cap:  # 确保self.cap存在
            # 选取视频帧位置，
            self.cap.set(cv2.CAP_PROP_POS_FRAMES, self.vframeIdx)
            self.vframeIdx += 1
            ret, frame = self.cap.read()  # 从视频流中读取
            if ret:
                frame = cv2.resize(frame, (640, 400))
            else:
                self.MsgWarn.setText("Not Video")
                self.error_occurred = True
                self.showErrorDialog(self.error_occurred)
                return

            self.setFrameToOriLabel(frame)

    def openCam(self):
        self.stop()
        self.cap = cv2.VideoCapture(1, cv2.CAP_DSHOW)
        if not self.cap.isOpened():
            print("1号摄像头不能打开")
            self.MsgWarn.setText("Cam error")
            self.error_occurred = True
            self.showErrorDialog(self.error_occurred)
            return ()
        else:
            print("ok")

        if not self.timer_camera.isActive(): # 若定时器未启动
            #看相机具体参数
            self.timer_camera.start(60)


    def showCam(self):
        print("showCam")
        ret, frame = self.cap.read()  # 从视频流中读取
        if not ret:
            return
        self.setFrameToOriLabel(frame)

        # 如果当前没有处理任务 开始处理
        if not self.frameToAnalyze:
            self.frameToAnalyze.append(frame)



    def setFrameToOriLabel(self ,frame):

        # 视频色彩转换回RGB，OpenCV images as BGR
        frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
        qImage = QtGui.QImage(frame.data, frame.shape[1], frame.shape[0],
                              QtGui.QImage.Format_RGB888)  # 变成QImage形式
        # 往显示视频的Label里 显示QImage
        self.LabOri.setPixmap(QtGui.QPixmap.fromImage(qImage))

        # 如果当前没有处理任务
        if not self.frameToAnalyze:
            self.frameToAnalyze.append(frame)

    def frameAnalyzeThreadFunc(self):

        while True:
            if not self.frameToAnalyze:
                time.sleep(0.01)
                continue

            frame = self.frameToAnalyze.pop(0)

            # results = self.model(frame)[0]
            results = self.model(frame)

            # img = results.plot(line_width=1)

            # boxes = results.xyxy[0].cpu().numpy()  # 获取边界框坐标信息，xyxy 格式表示（left, top, right, bottom）
            detections = results.pandas().xyxy[0]
            self.draw_detections(detections, frame)
            frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)

            qImage = QtGui.QImage(frame.data, frame.shape[1],frame.shape[0],
                                  QtGui.QImage.Format_RGB888)  # 变成QImage形式

            if self.stopFlag == False:
                self.LabDect.setPixmap(QtGui.QPixmap.fromImage(qImage))  # 往显示Label里 显示QImage

            # time.sleep(0.5)
            time.sleep(0.05)


 # 绘制检测结果
    def draw_detection(self, row, image):
        x1, y1, x2, y2, conf, cls = row[:6]  # 获取边界框坐标和类别
        cls_tran = {
            0: ("cars",(0,0,255)),
            1: ("bus",(0,255,0)),
            2: ("van",(255,0,0)),
        }
        cls,Anch_color = cls_tran.get(cls, ("others",(255,255,255)))
        line_width = 1.5  # 非整数线条宽度
        num_rectangles = 2  # 需要绘制的矩形数量

        for i in range(num_rectangles):
            # 每个矩形的左上角和右下角坐标
            offset = i - (line_width - 1) / 2
            new_x1 = x1 - offset
            new_y1 = y1 - offset
            new_x2 = x2 + offset
            new_y2 = y2 + offset
            image = cv2.rectangle(image, (int(new_x1), int(new_y1)), (int(new_x2), int(new_y2)), Anch_color, 2)  # 绘制矩形
            image = cv2.putText(image, f'{cls} {conf:.2f}', (int(x1), int(y1) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5,
                               Anch_color, 2)  # 绘制类别和置信度
        return image

    def draw_detections(self, detections, image):
        print(detections)
        # itrrows 过慢 -》apply
        # for _,det in detections.iterrows():  # 假设检测结果在pred属性中，需要根据实际情况调整
        #     x1, y1, x2, y2, conf, cls = det[:6]  # 获取边界框坐标和类别
        #     cls_tran = {
        #         0: "cars",
        #         1: "bus",
        #         2: "van"
        #     }
        #     cls = cls_tran.get(cls,"others")
        #     line_width = 1.5  # 非整数线条宽度
        #     num_rectangles = 8 # 需要绘制的矩形数量
        #
        #     for i in range(num_rectangles):
        #         # 每个矩形的左上角和右下角坐标
        #         offset = i - (line_width - 1) / 2
        #         new_x1 = x1 - offset
        #         new_y1 = y1 - offset
        #         new_x2 = x2 + offset
        #         new_y2 = y2 + offset
        #     image = cv2.rectangle(image, (int(new_x1), int(new_y1)), (int(new_x2), int(new_y2)), (0, 255, 0), 2)  # 绘制矩形
        #     image = cv2.putText(image, f'{cls} {conf:.2f}', (int(x1), int(y1) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5,
        #                 (36, 255, 12), 2)  # 绘制类别和置信度

        processed_image = detections.apply(lambda row: self.draw_detection(row, image), axis=1)
        return processed_image

    def set(self):
        pass


    def stop(self):
        self.timer_camera.stop()  # 关闭定时器
        if self.cap is not None:  # 检查self.cap是否为None,防止release出错
            self.cap.release()  # 释放视频流
        self.LabDect.clear()  # 清空视频显示区域
        self.LabOri.clear()  # 清空视频显示区域
        self.TBCon.clear()

    def showErrorDialog(self ,condition):  # 错误弹窗
        # 停止弹窗
        response = self.MsgWarn.exec()
        if response == QMessageBox.Ok:
            self.stopFlag = True      # 让 frameAnalyzeThreadFunc 不要再设置 labdect
            self.timer_camera.stop()  # 关闭定时器
            self.timer_videoFile.stop()  # 关闭定时器

            if self.cap is not None:
                self.stop()
        self.MsgWarn.setText("error")
        self.error_occurred = False
        # #使用
        # self.MsgWarn.setText("(reason)")
        # self.error_occurred = True
        # self.showErrorDialog(self.error_occurred)

# 创建一个 PyQt 程序，并显示一个窗口，然后运行应用程序的事件循环
# 创建一个应用程序对象 app。
app = QtWidgets.QApplication()
# 创建了一个窗口对象
window = MWindow()
# 显示窗口
window.show()
# 启动应用程序的事件循环
app.exec()
牧星成环
关注
  • 5
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
高精度人脸口罩检测识别系统搭建（基于YOLOv5模型与Pyside6界面）
06-17
基于深度学习的人脸口罩检测识别系统可用于日常生活中检测与定位人脸口罩目标，利用深度学习算法可实现图片、视频、摄像头等方式的目标检测识别，另外支持结果可视化与图片或视频检测结果的导出。本系统采用YOLOv5目标检测模型训练数据集，使用Pysdie6库来搭建页面展示系统，同时支持ONNX、PT等模型作为权重模型的输出。本系统支持的功能包括训练模型的导入、初始化；置信分与IOU阈值的调节、图像上传、检测、可视化结果展示、结果导出与结束检测；视频的上传、检测、可视化结果展示、结果导出与结束检测；摄像头的上传、检测、可视化结果展示与结束检测；已检测目标列表、位置信息；前向推理用时。另外人脸口罩检测识别系统同时支持原始图像与检测结果图像的同时展示，原始视频与检测结果视频的同时展示。
YOLOv9 基于 Pyside6 的图形化界面
04-05
动态切换模型 / 调整超参数程序开始检测时，支持动态切换模型 / 调整超参数支持动态切换 YOLOv5 / YOLOv7 / YOLOv8 / YOLOv9 / RTDETR / YOLOv5-seg / YOLOv8-seg 模型支持动态修改 IOU / Confidence / Delay time ...
Pyqt5目标检测系统GUI程序——Yolo系列（带扩展带接口）
02-14
目标检测GUI源码自写，使用yolo系列，pyqt5编写， 源码中带接口，可扩展，模块化处理。
基于YOLOv5+PySide6的火灾火情火焰检测系统设计深度学习（源码+跑通说明文件）
叶绿体不忘呼吸
02-25 1091
为了提高火灾预警的准确性和及时性，本文提出了一种基于YOLOv5（You Only Look Once version 5）的火灾火情检测系统。本文提出的基于YOLOv5的火灾火情检测系统，旨在通过计算机视觉技术提高火灾检测的效率和准确性。为了训练YOLOv5模型，我们收集了大量的火灾图像数据，并对其进行了标注。本文提出的基于YOLOv5的火灾火情检测系统，为火灾预警提供了一种新的技术手段。(2)数据标注：利用labelimg标注工具对数据集中的火灾火情火焰进行标注，并进行格式转换和划分，得到训练数据集。
基于YOLOv8/YOLOv7/YOLOv6/YOLOv5的无人机目标检测系统（Python+PySide6界面+训练代码）
热门推荐
思绪无限的博客
02-23 1万+
本文详细介绍了一种利用深度学习技术的无人机目标检测系统，该系统基于前沿的YOLOv8算法，并与YOLOv7、YOLOv6、YOLOv5等先前版本进行了性能对比。本系统能够在不同媒介如单一图像、视频文件、实时视频流及批量处理文件中准确地检测和识别无人机目标。文章深入探讨了YOLOv8算法的工作原理，提供了完备的Python代码实现、训练所需的数据集，以及基于PySide6框架开发的用户界面。此外，系统还整合了SQLite支持的用户认证系统，支持一键切换不同版本的YOLO模型，并允许用户自定义界面。
yolov5+pyside6+登录+用户管理目标检测可视化源码
03-26 1330
这是基于yolov5目标检测实现的源码，提供了用户登录功能界面；用户需要输入正确的用户名和密码才可以登录。如果是超级管理员，可以修改普通用户的信息，并且在检测界面的右上角显示【管理用户】按钮。
基于yolov8+pyside6实现目标检测GUI界面设计源码.zip
05-03
基于yolov8+pyside6实现目标检测GUI界面设计源码.zip 基于yolov8+pyside6实现目标检测GUI界面设计源码.zip 基于yolov8+pyside6实现目标检测GUI界面设计源码.zip 基于yolov8+pyside6实现目标检测GUI界面设计源码.zip
PySide6-YOLO8目标检测、追踪可视化界面
qq_26610239的博客
03-23 487
https://github.com/zhengjie9510/pyside-yolo
基于pyside6界面设计与yolov5算法实现识别结果输出到文本文件功能
wangyuchen00的博客
04-21 1288
简介： 介绍了对象识别的概念及其应用领域。 环境准备： 解释了 Python 环境和依赖项（PySide6、PyTorch）的安装。 图形用户界面 (GUI) 创建： 指导用户创建基本的 GUI，包括用于触发识别过程的按钮和用于显示结果的文本框。 YOLOv5 模型集成： 介绍了如何将预训练的 YOLOv5 模型加载到应用程序中，并使用它对图像执行对象识别。 识别结果输出到文本文件： 详细介绍了将识别结果输出到文本文件的功能，包括将结果格式化为特定格式，并在触发识别过程时保存到文件中。
目标检测：YOLOv8 + PySide6 可视化界面设计步骤
weixin_44813538的博客
12-10 4019
使用PySide6中自带的工具设计UI界面，并通过插件将.ui文件转换为.py文件（这样才可以进行顺利展示）。编写交互文件，绑定检测事件，通过使用YOLOv8模型权重进行预测，得到结果并渲染到UI界面。2. YOLOv8权重预测。
yolov8目标检测图形化界面pyside6源码
12-26 2275
yolov8目标检测图形化检测界面pyside6开发源码。更多功能介绍，可以点击下方B站视频演示。支持单图、多图、视频、摄像头检测。
YOLOv8的Pyside6可视化界面
最新发布
05-13
PySide6：PySide6 是 Qt for Python 的官方绑定，提供了创建图形用户界面所需的所有工具和类。 YOLO 模型：选择一个 YOLO 版本（如 YOLOv3、YOLOv4 或 YOLOv5），并使用预训练的模型或自己训练的模型。 项目结构：...
基于Python和PySide6的本地音乐播放器设计源码
04-06
本项目是一个基于Python语言开发的本地音乐播放器，采用PySide6/PyQt6作为GUI框架，包含48个文件，主要文件类型包括图片、Python源代码、字体文件、LICENSE文件、Markdown文档、批处理文件、图片、图标文件、UI设计...
YOLOv8目标检测PySide6 GUI可视化界面
bai666ai的博客
06-04 3361
YOLOv8目标检测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目标检测PySide6 GUI可视化界面使用PySide6开发，文档和代码已加入课程《YOLOv8目标检测实战：训练自己的数据集》。
[深度学习]yolov8+pyqt5搭建精美界面GUI设计源码实现一
FL1623863129的博客
03-25 2447
此外，我们还提供了丰富的参数设置选项，用户可以根据自己的需求调整检测参数，以获得更佳的检测结果。同时，我们采用了现代化的设计风格，运用流畅的线条与柔和的色彩，营造出舒适、美观的视觉感受。总之，基于YOLOv8与PyQt5的精美界面GUI设计，不仅为用户提供了强大的目标检测功能，还注重用户体验与操作便捷性。最后我们采用界面和yolov5分离设计模式可以很容易分离界面和检测算法，您设置一只界面到yolov3,yolov4,yolov5,yolov6,yolov7,yolov9,yolox或者其他检测框架上。
实战YOLOv5-入门篇笔记 YOLOv5 Pyside6可视化界面
呵呵哒!的博客
03-31 3192
YOLOv5 Pyside6可视化界面
pyside6结合yolov5摄像头物体检测
ouening的博客
07-06 1559
功能：使用pytorch hub加载yolov5模型，利用opencv打开摄像头设备，这一部分使用线程方法实现。 参考链接： [1] https://learnopencv.com/object-detection-using-yolov5-and-opencv-dnn-in-c-and-python/
pyside6 yolov8详细教程
03-28
抱歉，根据提供的引用内容，我无法提供关于"pyside6 yolov8"的详细教程。引用提供了安装pyside6的指令，而引用提到了环境激活成功的信息，但没有提供关于yolov8的具体教程。 如果你需要关于pyside6和yolov8的详细教程，我建议你参考官方文档或者在相关的开发社区中寻求帮助。这些资源通常会提供详细的教程、示例代码和解释，以帮助你更好地理解和使用这些库和框架。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
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