yolov8目标检测前端界面

### 创建YOLOv8目标检测模型的前端界面 为了实现YOLOv8目标检测系统的前端界面，可以选择使用Streamlit框架。该工具以其简单性和高效性著称，能够快速构建交互式的Web应用程序[^1]。 以下是通过Python和Streamlit创建YOLOv8目标检测前端界面的一个示例： #### Streamlit集成代码示例 ```python import streamlit as st from ultralytics import YOLO from PIL import Image import cv2 import numpy as np import tempfile # 加载预训练的YOLOv8模型 model_path = "runs/detect/train/weights/best.pt" model = YOLO(model_path) def predict(image): """执行预测并返回结果图像""" results = model.predict(image, conf=0.5)[0] result_image = results.plot() return result_image st.title("基于YOLOv8的目标检测系统") uploaded_file = st.file_uploader("上传图片或视频", type=["jpg", "jpeg", "png", "mp4"]) if uploaded_file is not None: with tempfile.NamedTemporaryFile(delete=False) as temp_file: temp_filename = temp_file.name temp_file.write(uploaded_file.read()) if uploaded_file.type.startswith('image'): image = Image.open(temp_filename).convert("RGB") img_array = np.array(image) st.image(img_array, caption="原始输入", use_column_width=True) detected_img = predict(img_array) st.image(detected_img, caption="检测结果", use_column_width=True) elif uploaded_file.type.startswith('video'): cap = cv2.VideoCapture(temp_filename) frame_placeholder = st.empty() while True: ret, frame = cap.read() if not ret: break # 转换颜色空间以便显示 rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) # 执行推理 results = model(rgb_frame, conf=0.5)[0] annotated_frame = results.plot() # 显示帧 frame_placeholder.image(annotated_frame, channels="BGR", use_column_width=True) cap.release() ``` 上述代码实现了以下功能： - 使用`streamlit`加载页面，并允许用户上传图片或视频文件。 - 对于图片文件，读取后调用YOLOv8模型进行推理，并展示标注后的结果。 - 如果是视频文件，则逐帧处理每一帧数据，并实时更新到界面上。 此方法充分利用了Streamlit的强大能力以及YOLOv8高效的推理速度。 --- ### 注意事项 在实际部署过程中需要注意以下几点： - **模型路径配置**：确保`best.pt`权重文件位于指定目录下（即`runs/detect/train/weights/best.pt`），或者调整脚本中的路径变量以匹配实际情况[^2]。 - **依赖安装**：运行前需确认已正确安装所需库，例如`ultralytics`, `opencv-python-headless` 和 `Pillow`等。 - **硬件支持**：如果可能的话，在GPU上运行可显著提升性能；可以通过设置环境变量启用CUDA加速。 ---