PythonAI算法
基于 PySide6 构建 YOLOv8 目标检测可视化 GUI 界面
如何使用 PySide6 结合 YOLOv8 和 OpenCV 开发一个目标检测可视化 GUI 应用程序。主要内容包括环境配置（安装 ultralytics、PySide6、OpenCV）、主窗口初始化、界面布局设计（视频展示区、日志区、控制按钮）、模型加载与推理流程以及置信度阈值调节功能。通过该教程，开发者可以快速搭建支持图片与视频实时检测的前端界面，并记录操作日志与告警信息。
如何使用 PySide6 结合 YOLOv8 和 OpenCV 开发一个目标检测可视化 GUI 应用程序。主要内容包括环境配置（安装 ultralytics、PySide6、OpenCV）、主窗口初始化、界面布局设计（视频展示区、日志区、控制按钮）、模型加载与推理流程以及置信度阈值调节功能。通过该教程，开发者可以快速搭建支持图片与视频实时检测的前端界面，并记录操作日志与告警信息。
在人工智能和计算机视觉领域，YOLO（You Only Look Once）是一种广泛使用的实时目标检测算法。为了直观地展示 YOLO 算法的检测效果，我们可以使用 Python 中的 PySide6 库来创建一个简单的 GUI 应用程序，将检测结果实时可视化。
本文将指导你如何使用 PySide6 实现这一功能。
PySide6 是一款功能强大的 GUI（图形用户界面）开发框架，它允许 Python 开发者使用 Qt 库的功能来构建跨平台的桌面应用程序。PySide6 作为 Qt 的 Python 绑定版本，继承了 Qt 的跨平台特性，支持在 Windows、macOS、Linux 等多种操作系统上开发和部署应用程序。其具有以下特点：
OpenCV（Open Source Computer Vision Library）是一个广泛使用的开源计算机视觉库，它提供了丰富的图像和视频处理功能，以及一些机器学习算法。
OpenCV 具有广泛的应用领域，包括但不限于：
利用 pip 工具进行依赖项安装（也可以利用 Anaconda 进行依赖包安装），要求 python≥3.8。具体步骤如下：
打开 CMD：Win 键 + R 打开运行窗口，输入"cmd"，回车，输入以下代码，即可快速安装 YOLO。
也可以在 PyCharm 编辑器里打开终端进行安装。
# 安装 ultralytics 工具包 pip install ultralytics # 如果安装速度比较慢可以换成清华源的镜像 pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
在 ultralytics 包里，会自动安装适配当前 ultralytics 版本的 torch。
也可以根据自己的需要安装对应的 torch 版本：
pip install torch=2.1.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
使用 pip 或者 conda 安装 PySide6，打开你的终端或命令提示符，然后运行以下命令来安装 PySide6：
# 安装 PySide6 工具包 pip install PySide6 -i https://pypi.tuna.tsinghua.edu.cn/simple
使用 pip 或者 conda 安装 OpenCV，打开你的终端或命令提示符，然后运行以下命令来安装 OpenCV：
# 安装 opencv 工具包 pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple
这个命令会安装 OpenCV 的核心功能，包括图像处理、视频捕获等。如果你还需要额外的功能，比如对 OpenCV 的贡献模块（如 xfeatures2d、stitching 等），你可以安装 opencv-contrib-python：
# 安装 opencv 工具包 pip install opencv-contrib-python -i https://pypi.tuna.tsinghua.edu.cn/simple
在你的 Python 脚本中，导入所需的库：
import os
from datetime import datetime
import json
import cv2
import torch
from PySide6.QtCore import pyqtSlot
from PySide6.QtGui import QIcon
from PySide6 import QtWidgets, QtCore, QtGui
from PySide6.QtCore import Qt, QDir
from ultralytics import YOLO
class MyWindow(QtWidgets.QMainWindow):
def __init__(self):
super().__init__()
self.init_gui()
self.model = None
self.timer = QtCore.QTimer()
self.timer1 = QtCore.QTimer()
self.cap = None
self.video = None
self.file_path = None
self.base_name = None
self.timer1.timeout.connect(self.video_show)
def init_gui(self):
self.folder_path = "./model_file" # 自定义修改：设置模型文件夹路径
self.setFixedSize(1300, 650)
self.setWindowTitle('目标检测') # 自定义修改：设置窗口名称
self.setWindowIcon(QIcon("logo.jpg")) # 自定义修改：设置窗口图标
central_widget = QtWidgets.QWidget(self)
self.setCentralWidget(central_widget)
main_layout = QtWidgets.QVBoxLayout(central_widget)
更换窗口背景图片：
# 自定义修改：设置窗口背景图 self.set_background_image('bg.jpg')
如上图所示，左侧是文件上传之后原图、原视频的展示区域；右侧是经模型加载并执行开始检测之后，用来展示预测结果的检测区。
页面布局代码如下：
# 界面上半部分：视频框 topLayout = QtWidgets.QHBoxLayout()
self.oriVideoLabel = QtWidgets.QLabel(self)
self.detectlabel = QtWidgets.QLabel(self)
self.oriVideoLabel.setFixedSize(530, 400)
self.detectlabel.setFixedSize(530, 400)
self.oriVideoLabel.setStyleSheet('border: 2px solid #ccc; border-radius: 10px; margin-top:75px;')
self.detectlabel.setStyleSheet('border: 2px solid #ccc; border-radius: 10px; margin-top: 75px;')
topLayout.addWidget(self.oriVideoLabel)
topLayout.addWidget(self.detectlabel)
main_layout.addLayout(topLayout)
在这段代码中，包含一个水平布局（QHBoxLayout），用于放置两个视频显示的标签（QLabel）。这两个标签分别用于显示原始视频（oriVideoLabel）和处理后的视频或检测结果（detectLabel）。
在基于 YOLO 的目标检测当中，我们需要记录一些操作日志，从而方便后续维护。此外，在实际生产环境中，如果置信度大于我们所设定的阈值，需要产生告警信息，而这些信息需要记录标签预测框的坐标信息、产生告警的时间以及告警的标签内容。日志打印区的效果图如下：
如上图所示，在启动程序之后会提示加载模型文件，之后进行文件上传，最后点击开始检测。在这个过程中会生成操作日志。
在日志打印区当中会生成 JSON 字符串格式的日志信息，信息内容为当前预测框中的告警信息，包括：
可以将上述告警信息封装之后以接口的形式传入相关数据平台进行分析和处理。
日志区域的页面布局代码如下：
# 创建日志打印文本框 self.outputField = QtWidgets.QTextBrowser()
self.outputField.setFixedSize(530, 180)
下载 YOLO 预训练模型，选择自己的预测模型进行加载.....
修改模型本地路径：
def init_gui(self):
self.folder_path = "./models" # 自定义修改：设置文件夹路径
self.setFixedSize(1300, 650)
self.setWindowTitle('目标检测') # 自定义修改：设置窗口名称
self.setWindowIcon(QIcon("logo.jpg")) # 自定义修改：设置窗口图标
central_widget = QtWidgets.QWidget(self)
self.setCentralWidget(central_widget)
main_layout = QtWidgets.QVBoxLayout(central_widget)
代码如下：
# 遍历文件夹并添加文件名到下拉框 for filename in os.listdir(self.folder_path):
file_path = os.path.join(self.folder_path, filename)
if os.path.isfile(file_path) and filename.endswith('.pt'): # 确保是文件且后缀为.pt
base_name = os.path.splitext(filename)[0]
self.selectModel.addItem(base_name) # 添加加载模型按钮
self.loadModel = QtWidgets.QPushButton('🔄️加载模型') # 新建加载模型按钮
self.loadModel.setFixedSize(100, 50)
self.loadModel.setStyleSheet("""
QPushButton {
background-color: white; /* 正常状态下的背景颜色 */
border: 2px solid gray; /* 正常状态下的边框 */
border-radius: 10px;
padding: 5px;
font-size: 14px;
}
QPushButton:hover {
background-color: #f0f0f0; /* 悬停状态下的背景颜色 */
}
""")
self.loadModel.clicked.connect(self.load_model) # 绑定 load_model 函数进行模型加载
selectModel_layout.addWidget(self.selectModel) # 将下拉框加入到页面布局当中
selectModel_layout.addWidget(self.loadModel) # 将按钮加入到页面布局当中
load_model 函数代码如下：
def load_model(self):
filename = self.selectModel.currentText()
full_path = os.path.join(self.folder_path, filename + '.pt')
self.base_name = os.path.splitext(os.path.basename(full_path))[0]
if full_path.endswith('.pt'): # 加载预训练模型
self.model = YOLO(full_path)
self.start_detect.setEnabled(True)
self.stopDetectBtn.setEnabled(True)
self.openImageBtn.setEnabled(True)
self.confudence_slider.setEnabled(True)
self.outputField.append(f'{datetime.now().strftime("%Y-%m-%d %H:%M:%S")} - 模型加载成功：{filename}')
self.outputField.append(f'{datetime.now().strftime("%Y-%m-%d %H:%M:%S")} - 请选择置信度阈值')
else:
self.outputField.append(f'{datetime.now().strftime("%Y-%m-%d %H:%M:%S")} - 请重新选择模型文件！')
print("Reselect model")
你可以根据自己的需求自定义置信度阈值，value 值会绑定模型预测的 conf，在预测过程中实时生效，效果图如下：
页面布局代码如下：
# 创建一个置信度阈值滑动条 self.con_label = QtWidgets.QLabel('置信度阈值', self)
self.con_label.setStyleSheet('font-size: 14px; font-family: "Microsoft YaHei";') # 创建一个 QSlider，范围从 0 到 99（代表 0.01 到 0.99）
self.slider = QtWidgets.QSlider(Qt.Horizontal, self)
self.slider.setMinimum(1) # 0.01
self.slider.setMaximum(99) # 0.99
self.slider.setValue(50) # 0.5
self.slider.setTickInterval(10)
self.slider.setTickPosition(QtWidgets.QSlider.TicksBelow)
self.slider.setFixedSize(170, 30) # 创建一个 QDoubleSpinBox 用于显示和设置滑动条的值
self.spinbox = QtWidgets.QDoubleSpinBox(self)
self.spinbox.setButtonSymbols(QtWidgets.QAbstractSpinBox.NoButtons)
self.spinbox.setMinimum(0.01)
self.spinbox.setMaximum(0.99)
self.spinbox.setSingleStep(0.01)
self.spinbox.setValue(0.5)
self.spinbox.setDecimals(2)
self.spinbox.setFixedSize(60, 30)
self.spinbox.setStyleSheet('border: 2px solid gray; border-radius: 10px; ' 'padding: 5px; background-color: #f0f0f0; font-size: 14px;')
self.confudence_slider = QtWidgets.QWidget()
layout = QtWidgets.QVBoxLayout()
hlayout = QtWidgets.QHBoxLayout()
self.confudence_slider.setFixedSize(250, )
layout.addWidget(.con_label)
hlayout.addWidget(.slider)
hlayout.addWidget(.spinbox)
layout.addLayout(hlayout)
.confudence_slider.setLayout(layout)
.confudence_slider.setEnabled()
.slider.valueChanged.connect(.updateSpinBox)
.spinbox.valueChanged.connect(.updateSlider)
文件上传操作包括图片上传、视频上传，支持 JPG 格式和 MP4 格式，以文件流的形式读取需要被检测的文件。
# 对上传的文件根据后缀名称进行过滤 file_path, file_type = file_dialog.getOpenFileName(self, "选择检测文件", filter='*.jpg *.mp4')
修改图片/视频上传路径：
def upload_file(self):
self.outputField.append(f'{datetime.now().strftime("%Y-%m-%d %H:%M:%S")} - 请选择检测文件')
file_dialog = QtWidgets.QFileDialog()
file_dialog.setDirectory(QDir("./valid_file")) # 修改上传文件路径
页面布局代码如下：
# 文件上传按钮 self.openImageBtn = QtWidgets.QPushButton('🖼️文件上传')
self.openImageBtn.setFixedSize(100, 65)
self.openImageBtn.setStyleSheet("""
QPushButton {
background-color: white; /* 正常状态下的背景颜色 */
border: 2px solid gray; /* 正常状态下的边框 */
border-radius: 10px;
padding: 5px;
font-size: 14px;
margin-bottom: 15px;
}
QPushButton:hover {
background-color: #f0f0f0; /* 悬停状态下的背景颜色 */
}
""")
self.openImageBtn.clicked.connect(self.upload_file) # 绑定 upload_file 事件
self.openImageBtn.setEnabled(False) # 初始化按钮默认不可操作，加载模型之后可以操作
文件上传成功之后会呈现在左侧的展示区域，效果图如下：
上传视频效果如下：
图片预测效果图如下：
使用 OpenCV（cv2）库进行视频抽帧是一个常见的任务，可以用于从视频中提取特定的帧进行进一步处理或分析。
视频预测效果图如下：
页面布局代码如下：
# 执行预测按钮 self.start_detect = QtWidgets.QPushButton('🔍开始检测')
self.start_detect.setFixedSize(100, 50)
self.start_detect.setStyleSheet("""
QPushButton {
background-color: white; /* 正常状态下的背景颜色 */
border: 2px solid gray; /* 正常状态下的边框 */
border-radius: 10px;
padding: 5px;
font-size: 14px;
}
QPushButton:hover {
background-color: #f0f0f0; /* 悬停状态下的背景颜色 */
}
""")
self.start_detect.clicked.connect(self.show_detect) # 绑定 show_detect 函数事件
self.start_detect.setEnabled(False)
模型预测的核心代码：
将视频帧进行抽取之后转为 QImage 格式对预测结果进行展示。
frame = self.model(frame, imgsz=[448, 352], device='cuda', conf=self.value) if torch.cuda.is_available() else self.model(frame, imgsz=[448, 352], device='cpu', conf=self.value)
在视频检测的过程中可能发现上传错误，此时为了防止视频一直在后台检测导致占用内存，需要及时中断检测程序。
界面效果图如下所示：
日志打印区会输出'检测中断！'，检测区也会停在该视频的当前帧。
代码如下：
# 停止检测按钮 self.stopDetectBtn = QtWidgets.QPushButton('🛑停止')
self.stopDetectBtn.setFixedSize(100, 50)
self.stopDetectBtn.setEnabled(False)
self.stopDetectBtn.clicked.connect(self.stop_detect) # 绑定 stop_detect 中断检测事件 # 中断检测事件 def stop_detect(self):
if self.timer.isActive():
self.timer.stop()
if self.timer1.isActive():
self.timer1.stop()
if self.cap is not None:
self.cap.release()
self.cap = None
self.video = None
self.ini_labels()
self.outputField.append(f'{datetime.now().strftime("%Y-%m-%d %H:%M:%S")} - 检测中断！')
self.file_path = None
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online