跳到主要内容
基于 PySide6 的 YOLOv8 目标检测可视化界面实现 | 极客日志
Python AI 算法
基于 PySide6 的 YOLOv8 目标检测可视化界面实现 基于 PySide6 和 OpenCV 构建 YOLOv8 目标检测可视化界面,实现视频与图片加载、模型选择、置信度调节及实时检测结果展示功能。通过日志记录操作信息,支持文件流读取与预测中断控制,适用于桌面端 AI 应用开发场景。
松间照月 发布于 2026/4/8 更新于 2026/4/23 2 浏览使用 PySide6/QT 实现 YOLOv8 可视化 GUI 页面
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。
原视频/图片区 :上半部分左边区域为原视频/图片展示区;
检测区 :上半部分右边区域为检测结果输出展示区;
日志文本框 :打印输出操作日志;
加载模型 :从本地选择模型 pt 文件进行加载;
置信度阈值 :自定义检测区的置信度阈值;
文件上传 :选择目标文件;
开始检测 :执行检测程序;
停止 :终止检测程序;
一、工具介绍
1、PySide6
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:
丰富的组件库 :PySide6 提供了大量的 GUI 控件和布局管理器,如按钮、文本框、下拉框、复选框等,以及 QGridLayout、QFormLayout、QStackedLayout 等多种布局方式,方便开发者快速构建用户界面。
高性能 :基于 Qt 6 的底层实现,PySide6 保证了应用程序的性能和响应速度,能够处理大型复杂的 GUI。
灵活的事件处理机制 :PySide6 能够处理各种用户输入事件,如鼠标点击、键盘输入等,实现丰富的交互功能。
官方维护与支持 :PySide6 是 Qt 公司官方维护的 Python 绑定版本,享有官方的技术支持和更新服务,确保了框架的稳定性和可靠性。
2、OpenCV
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:
人脸识别和物体识别 :使用 OpenCV 可以实现人脸检测和识别,以及目标检测等,可应用于人脸门禁系统、人脸支付、安全监控等场景。
图像和视频分析 :可用于视频压缩、视频稳定、行人跟踪、行为分析等。
图像合成和 3D 重建 :通过多个视角的图像来重建场景的三维结构。
机器学习 :OpenCV 也提供了针对神经网络和深度学习的高级功能,支持常见的深度学习框架,如 TensorFlow、PyTorch 和 Caffe,使开发者能够利用神经网络进行人脸检测、物体识别和语义分割等任务。
二、环境准备
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:
1、安装 ultralytics 包
打开 CMD:Win 键 + R 打开<运行> ,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。
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
2、安装 PySide6 工具包 **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:
3、安装 OpenCV 工具包 **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:
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 :
三、导入必要的库 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
四、创建主窗口,初始化相关参数 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"
self .setFixedSize(1300 , 650 )
self .setWindowTitle('目标检测' )
self .setWindowIcon(QIcon("logo.jpg" ))
central_widget = QtWidgets.QWidget(self )
self .setCentralWidget(central_widget)
main_layout = QtWidgets.QVBoxLayout(central_widget)
五、编写页面布局
1、创建图片/视频展示区域 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。
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)。
2、创建日志打印区域 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。
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:
标签名称 :"name": "道路积水",
置信度 :"confidence": 0.9243840575218201,
横坐标 :"x": 452.06036376953125,
纵坐标 :"y": 409.8131103515625,
预测框宽度 :"width": 1142.6134033203125,
预测框高度 :"height": 571.2572021484375
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。
self .outputField.setFixedSize(530 , 180 )
3、加载 YOLO 模型 def init_gui (self ):
self .folder_path = "./models"
self .setFixedSize(1300 , 650 )
self .setWindowTitle('目标检测' )
self .setWindowIcon(QIcon("logo.jpg" ))
central_widget = QtWidgets.QWidget(self )
self .setCentralWidget(central_widget)
main_layout = QtWidgets.QVBoxLayout(central_widget)
file_path = os.path.join(self .folder_path, filename)
if os.path.isfile(file_path) and filename.endswith('.pt' ):
base_name = os.path.splitext(filename)[0 ]
self .selectModel.addItem(base_name)
self .loadModel = QtWidgets.QPushButton('🔄️加载模型' )
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)
selectModel_layout.addWidget(self .selectModel)
selectModel_layout.addWidget(self .loadModel)
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' ):
self .model = YOLO(full_path)
self .start_detect.setEnabled(True )
self .stopDetectBtn.setEnabled(True )
self .openImageBtn.setEnabled(True )
self .confidence_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" )
4、创建置信度阈值滑动条 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:
self .con_label.setStyleSheet('font-size: 14px; font-family: "Microsoft YaHei";' )
self .slider = QtWidgets.QSlider(Qt.Horizontal, self )
self .slider.setMinimum(1 )
self .slider.setMaximum(99 )
self .slider.setValue(50 )
self .slider.setTickInterval(10 )
self .slider.setTickPosition(QtWidgets.QSlider.TicksBelow)
self .slider.setFixedSize(170 , 30 )
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 .confidence_slider = QtWidgets.QWidget()
layout = QtWidgets.QVBoxLayout()
hlayout = QtWidgets.QHBoxLayout()
self .confidence_slider.setFixedSize(250 , 64 )
layout.addWidget(self .con_label)
hlayout.addWidget(self .slider)
hlayout.addWidget(self .spinbox)
layout.addLayout(hlayout)
self .confidence_slider.setLayout(layout)
self .confidence_slider.setEnabled(False )
self .slider.valueChanged.connect(self .updateSpinBox)
self .spinbox.valueChanged.connect(self .updateSlider)
5、文件上传 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。
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" ))
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)
self .openImageBtn.setEnabled(False )
文件上传成功之后会呈现在左侧的展示区域,效果图如下:
6、执行预测 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。
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)
self .start_detect.setEnabled(False )
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)
7、停止检测 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。
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。
self .stopDetectBtn.setFixedSize(100 , 50 )
self .stopDetectBtn.setEnabled(False )
self .stopDetectBtn.clicked.connect(self .stop_detect)
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
相关免费在线工具 加密/解密文本 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
RSA密钥对生成器 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
Mermaid 预览与可视化编辑 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
curl 转代码 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
Base64 字符串编码/解码 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
Base64 文件转换器 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