YoloV8结合可视化界面和GUI，实现了交互式目标检测与跟踪，为用户提供了一体化的视觉分析解决方案。通过YoloV8算法，该系统能够高效准确地检测各类目标，并实时跟踪它们的运动轨迹。
用户可以通过直观的可视化界面进行操作，实现目标检测与跟踪的交互式体验。GUI的设计使得用户可以轻松选择不同的参数设置，调整算法运行方式，以满足不同场景下的需求。
这一集成系统的优势在于其简单易用性和高效性。用户无需深入了解复杂的算法原理，通过直接操作界面即可完成目标检测与跟踪任务。同时，系统的快速响应速度和准确性保证了用户能够及时获取到需要的信息。
总的来说，YoloV8与可视化界面和GUI的结合，为用户提供了一种便捷、直观的方式进行目标检测与跟踪。这一系统不仅适用于专业的视觉分析领域，也可以为普通用户提供实用的工具，为各类应用场景带来便利和效率提升。
YoloV8 可视化界面 GUI
本项目旨在基于 YoloV8 目标检测算法开发一个直观的可视化界面，使用户能够轻松上传图像或视频，并对其进行目标检测。
- 通过图形用户界面，用户可以方便地调整检测参数、查看检测结果，并将结果保存或导出。同时，该界面还将提供实时目标检测功能，让用户能够在视频流中实时观察目标的检测情况。
- 这个项目将结合 YoloV8 强大的检测能力和直观的用户交互，为用户提供一种全新的目标检测体验。
如何运行
- python>=3.8
- pip install ultralytics==8.0.48
- pip install pyside6==6.4.2
- python main.py
运行上述指令，则可以看到介入下界面！
!!必须安装相应版本的库
!!否则，将出现以下错误：not enough values to unpack (expected 5, got 4)
注意事项
ultralytics 遵循 GPL-3.0 协议，如需商业使用，需获得其许可。
建议
资源文件为 resources.qrc，如果您修改了默认图标，需要使用 pyside6-rcc resoures.qrc >
ui/resources_rc.py 命令来重新生成 .py 文件。
- 如果您希望使用自己的模型，您需要使用 ultralytics 先训练 yolov8/5 模型，然后将训练好的 .pt 文件放入models 文件夹中。
- 软件中仍然存在一些 bug，我会在有时间的情况下持续优化并增加一些更有趣的功能。
- 如果您勾选保存结果，结果将保存在 ./run 路径下。
- UI 设计文件为 home.ui，如果您对其进行修改，需要使用 pyside6-uic home.ui > ui/home.py
- 命令来重新生成 .py 文件。
- 资源文件为 resources.qrc，如果您修改了默认图标，需要使用 pyside6-rcc resoures.qrc >
- ui/resources_rc.py 命令来重新生成 .py 文件。
更改自己想要的界面，你可以按照以下步骤进行操作：
- 修改 UI 设计文件： 打开 UI 设计文件（如 .ui 文件），使用 PySide6 的 pyside6-uic 工具将其转换为Python 代码。然后在生成的 Python 代码中进行修改，包括布局、组件样式、交互逻辑等。
- 修改资源文件： 如果界面中使用了自定义图标、图片等资源，你需要编辑资源文件（如 .qrc 文件），将新的资源添加进去，并使用pyside6-rcc 工具将其编译成 Python 代码。
- 重新编译界面： 保存所有修改后的文件，并重新编译生成的 Python 代码。确保所有文件路径和引用都正确。
- 运行程序： 运行程序，查看界面效果，并进行调试和优化。
主要代码
class YoloPredictor(BasePredictor, QObject):
yolo2main_pre_img = Signal(np.ndarray) # raw image signal
yolo2main_res_img = Signal(np.ndarray) # test result signal
yolo2main_status_msg = Signal(str) # Detecting/pausing/stopping/testing complete/error reporting signal
yolo2main_fps = Signal(str) # fps
yolo2main_labels = Signal(dict) # Detected target results (number of each category)
yolo2main_progress = Signal(int) # Completeness
yolo2main_class_num = Signal(int) # Number of categories detected
yolo2main_target_num = Signal(int) # Targets detected
def __init__(self, cfg=DEFAULT_CFG, overrides=None):
super(YoloPredictor, self).__init__()
QObject.__init__(self)
self.args = get_cfg(cfg, overrides)
project = self.args.project or Path(SETTINGS['runs_dir']) / self.args.task
name = f'{self.args.mode}'
self.save_dir = increment_path(Path(project) / name, exist_ok=self.args.exist_ok)
self.done_warmup = False
if self.args.show:
self.args.show = check_imshow(warn=True)
# GUI args
self.used_model_name = None # The detection model name to use
self.new_model_name = None # Models that change in real time
self.source = '' # input source
self.stop_dtc = False # Termination detection
self.continue_dtc = True # pause
self.save_res = False # Save test results
self.save_txt = False # save label(txt) file
self.iou_thres = 0.45 # iou
self.conf_thres = 0.25 # conf
self.speed_thres = 10 # delay, ms
self.labels_dict = {} # return a dictionary of results
self.progress_value = 0 # progress bar
# Usable if setup is done
self.model = None
self.data = self.args.data # data_dict
self.imgsz = None
self.device = None
self.dataset = None
self.vid_path, self.vid_writer = None, None
self.annotator = None
self.data_path = None
self.source_type = None
self.batch = None
self.callbacks = defaultdict(list, callbacks.default_callbacks) # add callbacks
callbacks.add_integration_callbacks(self)
# main for detect
@smart_inference_mode()
def run(self):
try:
if self.args.verbose:
LOGGER.info('')
# set model
self.yolo2main_status_msg.emit('Loding Model...')
if not self.model:
self.setup_model(self.new_model_name)
self.used_model_name = self.new_model_name
# set source
self.setup_source(self.source if self.source is not None else self.args.source)
# Check save path/label
if self.save_res or self.save_txt:
(self.save_dir / 'labels' if self.save_txt else self.save_dir).mkdir(parents=True, exist_ok=True)
# warmup model
if not self.done_warmup:
self.model.warmup(imgsz=(1 if self.model.pt or self.model.triton else self.dataset.bs, 3, *self.imgsz))
self.done_warmup = True
self.seen, self.windows, self.dt, self.batch = 0, [], (ops.Profile(), ops.Profile(), ops.Profile()), None
# start detection
# for batch in self.dataset:
count = 0 # run location frame
start_time = time.time() # used to calculate the frame rate
batch = iter(self.dataset)
while True:
# Termination detection
if self.stop_dtc:
if isinstance(self.vid_writer[-1], cv2.VideoWriter):
self.vid_writer[-1].release() # release final video writer
self.yolo2main_status_msg.emit('Detection terminated!')
break
# Change the model midway
if self.used_model_name != self.new_model_name:
# self.yolo2main_status_msg.emit('Change Model...')
self.setup_model(self.new_model_name)
self.used_model_name = self.new_model_name
# pause switch
if self.continue_dtc:
# time.sleep(0.001)
self.yolo2main_status_msg.emit('Detecting...')
batch = next(self.dataset) # next data
self.batch = batch
path, im, im0s, vid_cap, s = batch
visualize = increment_path(self.save_dir / Path(path).stem, mkdir=True) if self.args.visualize else False
# Calculation completion and frame rate (to be optimized)
count += 1 # frame count +1
if vid_cap:
all_count = vid_cap.get(cv2.CAP_PROP_FRAME_COUNT) # total frames
else:
all_count = 1
self.progress_value = int(count/all_count*1000) # progress bar(0~1000)
if count % 5 == 0 and count >= 5: # Calculate the frame rate every 5 frames
代码获取，交流学习
企鹅耗子：767172261