YOLOV5 部署：QT的可视化界面推理（根据UI窗口编写内部函数）

Shaw0xyz

1. 引言

YOLOv5是一种广泛应用于目标检测任务的深度学习模型。它以其高效、准确和实时处理的特点受到了广泛的关注。在实际应用中，将YOLOv5部署到用户友好的界面上是非常有必要的。QT作为一个跨平台的C++图形用户界面框架，提供了丰富的UI组件，适合作为YOLOv5推理的前端界面。本篇文章将详细讲解如何使用QT编写可视化界面，并集成YOLOv5模型进行推理。

1.1 环境准备

在开始编写代码之前，我们需要准备以下环境和工具：

(1) 安装Python 3.8及以上版本，并配置好相关环境。
(2) 安装PyTorch库，以便能够加载和使用YOLOv5模型。
(3) 安装YOLOv5的依赖库，包括numpy, opencv-python等。
(4) 安装Qt和PyQt5，以便能够开发QT界面。

1.1.1 安装Python环境

首先，确保已经安装Python 3.8或以上版本。可以在命令行中使用以下命令检查Python版本：

1. python --version

复制代码

接着，通过pip安装PyTorch和其他依赖库：

1. pip install torch torchvision numpy opencv-python

复制代码

1.1.2 下载并配置YOLOv5

从GitHub仓库克隆YOLOv5代码，并安装所需的依赖：

1. git clone https://github.com/ultralytics/yolov5.git
   
2. cd yolov5
   
3. pip install -r requirements.txt

复制代码

1.1.3 安装Qt和PyQt5

通过以下命令安装PyQt5：

1. pip install PyQt5

复制代码

1.2 YOLOv5模型加载

在实现推理功能之前，我们需要先加载YOLOv5模型。以下是加载YOLOv5模型的代码：

1. import torch
   
2. model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True)

复制代码

此段代码使用了torch.hub.load从YOLOv5官方仓库加载预训练模型'yolov5s'。可以根据需要选择不同的模型，如'yolov5m', 'yolov5l', 'yolov5x'等。

2. QT界面设计

接下来，我们将设计QT界面。QT Designer是一个方便的工具，可以用来拖拽控件并生成UI文件。生成的UI文件可以通过PyQt5的工具转换为Python代码。

2.1 使用QT Designer设计界面

启动QT Designer并创建一个新的Main Window。我们将添加以下控件：

(1) QLabel：用于显示输入图像和检测结果。
(2) QPushButton：用于选择图像和执行推理。
(3) QLineEdit：用于显示检测结果信息。

设计完成后，保存为yolov5_ui.ui文件。

2.2 转换UI文件为Python代码

使用以下命令将UI文件转换为Python代码：

1. pyuic5 yolov5_ui.ui -o yolov5_ui.py

复制代码

3. 实现推理功能

在完成UI设计后，我们需要编写后台逻辑来实现YOLOv5推理功能。

3.1 初始化界面

首先，编写主程序，初始化QT界面：

1. import sys
   
2. from PyQt5.QtWidgets import QApplication, QMainWindow
   
3. from yolov5_ui import Ui_MainWindow
   
4. 
   
5. class YOLOv5App(QMainWindow, Ui_MainWindow):
   
6.     def __init__(self):
   
7.         super().__init__()
   
8.         self.setupUi(self)
   
9.         self.model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True)
   
10.         self.pushButton.clicked.connect(self.load_image)
    
11.         self.pushButton_2.clicked.connect(self.run_inference)
    
12. 
    
13.     def load_image(self):
    
14.         # 实现加载图像的功能
    
15.         pass
    
16. 
    
17.     def run_inference(self):
    
18.         # 实现推理的功能
    
19.         pass
    
20. 
    
21. if __name__ == "__main__":
    
22.     app = QApplication(sys.argv)
    
23.     window = YOLOv5App()
    
24.     window.show()
    
25.     sys.exit(app.exec_())

复制代码

3.2 加载图像功能

实现load_image函数，用于选择并加载图像：

1. from PyQt5.QtWidgets import QFileDialog
   
2. 
   
3. def load_image(self):
   
4.     options = QFileDialog.Options()
   
5.     filePath, _ = QFileDialog.getOpenFileName(self, "选择图像", "", "图像文件 (*.jpg *.jpeg *.png)", options=options)
   
6.     if filePath:
   
7.         self.imagePath = filePath
   
8.         self.label.setPixmap(QPixmap(filePath))
   

复制代码

3.3 推理功能

实现run_inference函数，执行YOLOv5推理并显示结果：

1. import cv2
   
2. from PyQt5.QtGui import QPixmap, QImage
   
3. 
   
4. def run_inference(self):
   
5.     if hasattr(self, 'imagePath'):
   
6.         img = cv2.imread(self.imagePath)
   
7.         results = self.model(img)
   
8. 
   
9.         # 绘制检测结果
   
10.         for result in results.xyxy[0]:
    
11.             x1, y1, x2, y2, conf, cls = map(int, result[:6])
    
12.             cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
    
13.             cv2.putText(img, f'{self.model.names[cls]} {conf:.2f}', (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (36,255,12), 2)
    
14. 
    
15.         # 转换为QPixmap
    
16.         height, width, channel = img.shape
    
17.         bytesPerLine = 3 * width
    
18.         qImg = QImage(img.data, width, height, bytesPerLine, QImage.Format_RGB888).rgbSwapped()
    
19.         self.label.setPixmap(QPixmap.fromImage(qImg))
    

复制代码

4. 结论

通过本篇文章的讲解，我们实现了将YOLOv5模型集成到QT可视化界面中。通过使用QT Designer设计UI界面，并结合PyQt5进行功能实现，用户可以方便地选择图像并查看目标检测结果。这不仅提升了YOLOv5模型的实用性，也为开发者提供了一种高效的部署方式。在实际应用中，还可以进一步优化界面和推理逻辑，以满足更高的性能需求和用户体验。



/ 荔枝学姐de课后专栏 /

Hi！这里是荔枝学姐~

欢迎来到我的课后专栏

自然语言学渣 NLP摆烂姐

热衷于技术写作 IT边角料

AIGC & Coding & linux ...

~互撩~ TG: @Shaw_0xyz