YOLOv5GUI界面

### YOLOv5 GUI 实现教程 #### 创建YOLOv5检测器实例 为了构建带有图形用户界面的目标检测应用程序，首先需要初始化YOLOv5模型。这可以通过加载预训练的ONNX模型来完成： ```python from detector import Detector_YOLOv5 # 假设detector模块已定义好Detector_YOLOv5类 model_path = './yolov5s_no.onnx' # 指定模型路径 detector_instance = Detector_YOLOv5(model_path, 'networks_yolov5sfcn') # 初始化检测器对象[^1] ``` #### 设计主窗口布局 利用PyQt库能够方便快捷地搭建起直观友好的用户交互环境。下面展示了一个简单的主窗口设置方式，在其中包含了几个基本组件用于接收用户的输入。 ```python import sys from PyQt5.QtWidgets import QApplication, QMainWindow, QPushButton, QVBoxLayout, QWidget, QFileDialog class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle("YOLOv5 Object Detection") # 设置窗口标题 layout = QVBoxLayout() # 使用垂直盒式布局管理器 button_select_image = QPushButton('Select Image', self) # 添加按钮以允许用户选择图片 button_start_detection = QPushButton('Start Detection', self) # 开始检测按钮 widget = QWidget() widget.setLayout(layout) self.setCentralWidget(widget) app = QApplication(sys.argv) window = MainWindow() window.show() sys.exit(app.exec_()) ``` 此部分代码片段展示了如何通过`QVBoxLayout()`创建一个垂直排列的小部件容器，并向其内部添加两个按钮——一个是用来让用户挑选待处理的照片；另一个则是触发实际的对象识别流程[^2]。 #### 连接信号与槽函数 为了让上述界面上各元素之间相互协作起来，还需要建立它们之间的通信机制。具体来说就是当点击某个控件时会调用相应的事件处理器来进行下一步动作。 ```python def select_image(): file_dialog = QFileDialog.getOpenFileName(None, "Choose an image", "", "*.jpg *.png") global selected_file_path if file_dialog[0]: selected_file_path = file_dialog[0] button_select_image.clicked.connect(select_image) # 当按下"Select Image"按钮时运行select_image函数 ``` 这段脚本说明了怎样监听“选择图片”的按键状态变化，并在其被激活后打开文件对话框供访客选取本地存储中的影像素材。一旦选定有效项，则记录下完整的绝对地址以便后续操作使用。 #### 执行目标检测并显示结果 最后一步便是整合之前提到过的各个要素，即在用户选择了要分析的画面之后启动YOLO算法对其进行解析，随后把得到的信息呈现在屏幕上。 ```python def start_detection(): from PIL import Image img = Image.open(selected_file_path).convert('RGB') results = detector_instance.detect(img) # 调用detect方法传入PIL.Image类型的参数获取预测成果 annotated_img = draw_boxes_on_image(results, img) # 自定义辅助函数负责渲染边框等附加标记于原始画幅之上 save_result(annotated_img) # 将最终产物另存为新文档 button_start_detection.clicked.connect(start_detection) # 绑定开始检测逻辑至对应按钮的动作响应链路之中 ``` 以上示例中假设存在名为`draw_boxes_on_image`的方法可接受来自YOLO框架返回的数据结构作为输入源进而生成含有所需视觉提示的新版本图像副本；而`save_result`则专门服务于持久化阶段的任务需求。