pyqt5可视化yolov5

### 使用 PyQt5 实现 YOLOv5 图形化界面 开发基于 PyQt5 的 YOLOv5 图形化界面涉及多个模块的设计与集成。以下是具体方法： #### 1. **项目结构设计** 为了保持项目的清晰性和可维护性，可以按照以下目录结构组织文件[^2]: ```plaintext project/ │ ├── qt_inference.py # 主程序逻辑入口 ├── ui_main_window.ui # QT Designer 创建的 UI 文件 ├── ui_main_window.py # 转换后的 Python UI 文件 ├── yolov5/ # YOLOv5 模型及相关依赖 │ ├── models/ # YOLOv5 模型定义 │ ├── utils/ # 工具函数集合 │ └── weights/ # 预训练模型权重 └── requirements.txt # 项目所需库列表 ``` --- #### 2. **UI 设计** 通过 Qt Designer 创建用户界面 (`.ui` 文件)，并将其转换为 Python 文件 (`ui_main_window.py`)。此过程可以通过 `pyuic5` 命令完成： ```bash pyuic5 -o ui_main_window.py ui_main_window.ui ``` 在 `.ui` 文件中应包含以下控件[^3]： - 文件选择按钮：用于加载图像或视频。 - 推理结果显示区域：展示检测结果。 - 参数设置区：调整置信度阈值、类别过滤等功能。 --- #### 3. **主程序逻辑** 在 `qt_inference.py` 中编写核心逻辑，负责连接 UI 和 YOLOv5 功能。主要功能包括： - 加载预训练模型。 - 处理输入数据（图片或视频）。 - 显示推理结果。 ##### 示例代码 以下是一个简单的框架示例： ```python import sys from PyQt5.QtWidgets import QApplication, QMainWindow from PyQt5.QtGui import QPixmap from ui_main_window import Ui_MainWindow from yolov5.models.experimental import attempt_load from yolov5.utils.general import non_max_suppression import torch import cv2 class MainWindow(QMainWindow): def __init__(self): super(MainWindow, self).__init__() self.ui = Ui_MainWindow() self.ui.setupUi(self) # 初始化模型 self.model = attempt_load('yolov5/weights/best.pt', map_location=torch.device('cpu')) def load_image(self): """加载并显示图片""" file_name, _ = QFileDialog.getOpenFileName(self, '打开图片') if not file_name: return pixmap = QPixmap(file_name).scaled(800, 600) self.ui.labelImage.setPixmap(pixmap) # labelImage 是 QLabel 控件名称 # 进行推理 img = cv2.imread(file_name) results = self.infer(img) # 将结果绘制到图片上 annotated_img = self.draw_results(results, img) qimage = QImage( annotated_img.data, annotated_img.shape[1], annotated_img.shape[0], QImage.Format_RGB888 ).rgbSwapped() self.ui.labelResult.setPixmap(QPixmap.fromImage(qimage)) def infer(self, image): """执行推理""" img_tensor = torch.from_numpy(image).permute(2, 0, 1).unsqueeze(0).float() / 255. pred = self.model(img_tensor)[0] return non_max_suppression(pred, conf_thres=0.4, iou_thres=0.5)[0] @staticmethod def draw_results(detections, frame): """绘制边界框""" for det in detections: xyxy = det[:4].numpy().astype(int) cls = int(det[-1]) confidence = float(det[4]) cv2.rectangle(frame, (xyxy[0], xyxy[1]), (xyxy[2], xyxy[3]), (0, 255, 0), 2) text = f"{cls}: {confidence:.2f}" cv2.putText(frame, text, (xyxy[0], xyxy[1]-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) return frame if __name__ == '__main__': app = QApplication(sys.argv) window = MainWindow() window.show() sys.exit(app.exec_()) ``` 上述代码实现了基本的功能流程，包括加载模型、处理图片以及显示结果[^1]。 --- #### 4. **运行环境配置** 确保安装必要的依赖项，可通过以下命令安装： ```bash pip install pyqt5 opencv-python-headless torch torchvision ``` 如果使用 GPU 加速，则需额外安装 CUDA 支持版本的 PyTorch。 --- #### 5. **扩展功能** 可以根据需求进一步增强应用功能，例如： - 添加实时摄像头支持。 - 提供多种模型切换选项。 - 导出检测结果至 JSON 或 CSV 文件。 ---