YOLO26前端展示：HTML+JS实现检测结果可视化
YOLO26前端展示：HTML+JS实现检测结果可视化
最新 YOLO26 官方版训练与推理镜像
本镜像基于 YOLO26 官方代码库 构建，预装了完整的深度学习开发环境，集成了训练、推理及评估所需的所有依赖，开箱即用。
在完成模型推理后，如何将检测结果以更直观、可交互的方式呈现给用户？本文将带你使用纯 HTML + JavaScript 实现一个轻量级的前端页面，用于可视化 YOLO26 的目标检测结果。无需后端框架，不依赖复杂构建工具，只需几行代码即可部署查看。
1. 前端可视化需求分析
1.1 为什么需要前端展示？
虽然 YOLO26 的 detect.py 能自动生成带框的图片并保存到 runs/detect 目录下，但这些静态图像不利于：
- 多图批量浏览
- 检测信息（类别、置信度）的结构化展示
- 与用户的交互操作（如缩放、点击查看细节）
- 快速分享或嵌入网页应用
通过一个简单的 HTML 页面，我们可以把推理结果组织成“图像 + 标注数据”的形式，提升可读性和实用性。
1.2 技术选型：为何选择原生 HTML+JS？
- 零依赖：不需要 Node.js、Vue、React 等复杂生态
- 易部署：和
runs/detect文件夹放在一起就能直接打开 - 跨平台兼容：任何浏览器均可运行
- 快速调试：修改 JS 即可见效，适合实验性项目
我们只需要：
- 一张原始图
- 一个 JSON 文件记录检测框和标签
- 一段 JS 解析并绘制标注
2. 准备检测结果数据
2.1 修改 detect.py 输出结构化数据
为了让前端能读取检测信息，我们需要让 detect.py 同时输出 JSON 格式的标注文件。
修改后的 detect.py 如下：
# -*- coding: utf-8 -*- """ @Auth ：落花不写码 @File ：detect.py @IDE ：PyCharm @Motto :学习新思想，争做新青年 """ from ultralytics import YOLO import cv2 import json import os if __name__ == '__main__': # 加载模型 model = YOLO(model=r'yolo26n.pt') # 推理 results = model.predict( source=r'./ultralytics/assets', save=True, show=False, conf=0.25 ) # 存储所有结果 output_data = [] for r in results: img_path = r.path img_name = os.path.basename(img_path) # 读取图像尺寸 h, w = r.orig_shape detections = [] for box in r.boxes: cls_id = int(box.cls[0]) label = model.names[cls_id] conf = float(box.conf[0]) xyxy = box.xyxy[0].tolist() # [x1, y1, x2, y2] detections.append({ "class": label, "confidence": round(conf, 3), "bbox": [round(x, 1) for x in xyxy] }) output_data.append({ "image": img_name, "width": w, "height": h, "detections": detections }) # 保存为 JSON 文件 with open("runs/detect/predictions.json", "w", encoding="utf-8") as f: json.dump(output_data, f, indent=2, ensure_ascii=False) print(" 检测结果已保存为 runs/detect/predictions.json") 运行此脚本后，除了生成带框图像外，还会在runs/detect/下创建predictions.json，包含每张图的完整检测信息。
2.2 JSON 数据结构示例
[ { "image": "zidane.jpg", "width": 720, "height": 480, "detections": [ { "class": "person", "confidence": 0.998, "bbox": [156.2, 178.3, 308.1, 402.5] } ] } ] 这个结构清晰明了，前端可以直接解析使用。
3. 构建前端展示页面
3.1 创建 index.html
在 runs/detect/ 目录下新建 index.html，内容如下：
<!DOCTYPE html> <html lang="zh"> <head> <meta charset="UTF-8" /> <title>YOLO26 检测结果可视化</title> <style> body { font-family: -apple-system, BlinkMacSystemFont, 'Segoe UI', Roboto, sans-serif; margin: 0; padding: 20px; background: #f5f5f5; } .container { max-width: 1200px; margin: 0 auto; } h1 { text-align: center; color: #333; } .gallery { display: grid; grid-template-columns: repeat(auto-fill, minmax(300px, 1fr)); gap: 20px; margin-top: 20px; } .item { border: 1px solid #ddd; border-radius: 8px; overflow: hidden; background: white; box-shadow: 0 2px 8px rgba(0,0,0,0.1); } .item img { width: 100%; height: 200px; object-fit: cover; cursor: pointer; } .info { padding: 12px; } .info h3 { margin: 0 0 8px 0; font-size: 16px; } .labels { font-size: 14px; color: #555; line-height: 1.5; } .label-item { display: inline-block; background: #e1f5fe; color: #01579b; padding: 2px 6px; border-radius: 4px; margin-right: 4px; margin-bottom: 4px; font-weight: 500; } .modal { display: none; position: fixed; top: 0; left: 0; width: 100%; height: 100%; background: rgba(0,0,0,0.9); z-index: 100; justify-content: center; align-items: center; } .modal-content { position: relative; max-width: 90vw; max-height: 90vh; } .modal img { max-width: 100%; max-height: 80vh; border: 2px solid white; } .close { position: absolute; top: 10px; right: 20px; color: white; font-size: 30px; font-weight: bold; cursor: pointer; } </style> </head> <body> <div> <h1>📷 YOLO26 检测结果可视化</h1> <div></div> </div> <!-- 图片放大模态框 --> <div> <div> <span onclick="document.getElementById('modal').style.display='none'">×</span> <img alt="放大图" /> </div> </div> <script> // 加载 JSON 数据 fetch('predictions.json') .then(res => res.json()) .then(data => { const gallery = document.getElementById('gallery'); data.forEach(item => { // 创建缩略图项 const div = document.createElement('div'); div.className = 'item'; const img = document.createElement('img'); img.src = item.image; img.alt = item.image; img.onclick = () => { document.getElementById('modal-img').src = item.image; document.getElementById('modal').style.display = 'flex'; }; const info = document.createElement('div'); info.className = 'info'; const title = document.createElement('h3'); title.textContent = item.image; const labels = document.createElement('div'); labels.className = 'labels'; if (item.detections.length === 0) { const span = document.createElement('span'); span.textContent = '未检测到目标'; span.style.color = '#999'; labels.appendChild(span); } else { item.detections.forEach(det => { const tag = document.createElement('span'); tag.className = 'label-item'; tag.textContent = `${det.class} (${det.confidence})`; labels.appendChild(tag); }); } info.appendChild(title); info.appendChild(labels); div.appendChild(img); div.appendChild(info); gallery.appendChild(div); }); }) .catch(err => { console.error("加载 predictions.json 失败:", err); alert("无法加载检测结果，请检查 predictions.json 是否存在"); }); </script> </body> </html> 3.2 功能说明
| 功能 | 描述 |
|---|---|
| 缩略图网格 | 自动加载所有检测图片，按网格排列 |
| 类别标签展示 | 显示每个图像中检测出的对象及其置信度 |
| 点击放大 | 点击图片可在模态框中查看高清大图 |
| 响应式布局 | 支持手机、平板、桌面多端查看 |
| 错误提示 | 若 JSON 加载失败会弹窗提醒 |
4. 使用方法与效果演示
4.1 部署步骤
- 运行修改后的
detect.py，确保生成了predictions.json - 将上面的
index.html文件复制到runs/detect/目录下 - 双击
index.html在浏览器中打开（或通过 HTTP 服务访问）
注意：如果双击打不开，可能是浏览器安全策略限制。建议使用 Python 快速启动本地服务器：
然后访问http://localhost:8000
4.2 实际效果预览
假设你有以下几张测试图：
zidane.jpg→ 检测到 2 个 personbus.jpg→ 检测到 bus, person, tie 等多个对象
前端页面将显示：
- 每张图的缩略图卡片
- 下方列出所有检测类别和置信度，例如：
person (0.998)、tie (0.876) - 点击可查看原图
🖼 页面简洁美观，适合汇报、演示、内部评审等场景。
5. 扩展功能建议
5.1 添加边界框高亮显示（进阶）
可以在点击图片时，在大图上叠加绘制 bounding box，增强可视化效果。
只需在模态框中加入 <canvas> 层，并根据 bbox 坐标画矩形和文字。
5.2 支持视频帧序列展示
如果你对视频做了逐帧检测，可以把帧命名成 frame_0001.jpg, frame_0002.jpg 并按顺序展示，模拟播放效果。
5.3 增加筛选功能
添加搜索框，支持按类别过滤图片：
<input type="text" placeholder="搜索类别..." oninput="filterImages(this.value)"> 配合 JS 实现动态隐藏/显示。
5.4 导出报告功能
增加按钮，一键导出当前所有检测结果为 PDF 或 Markdown 表格，便于归档。
6. 总结
6. 总结
本文介绍了一种极简高效的 YOLO26 检测结果前端可视化方案：
- 无需后端：仅用 HTML + JS 实现完整功能
- 自动集成：通过修改
detect.py自动生成 JSON 数据 - 开箱即用：复制文件即可部署，适合本地调试和成果展示
- 易于扩展：支持添加标注高亮、筛选、导出等功能
这套方案特别适用于：
- 学术研究中的结果展示
- 项目中期/终期汇报
- 内部测试反馈收集
- 快速验证模型表现
比起手动截图贴 PPT，这种方式更加系统化、自动化，也更具专业感。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 ZEEKLOG星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。