基于深度学习YOLOv8+PyQt5的密集人群人体检测识别计数系统

基于深度学习YOLOv8PyQt5的密集人群人体检测识别计数系统文章目录1. 环境搭建安装依赖2. 数据准备数据集结构3. 模型训练训练配置文件训练模型4. 界面设计与结果展示设计界面主程序代码5. 运行与测试推理代码配置超参数模型推理性能评估代码mAP计算自定义评估脚本技术栈目标检测、深度学习、PyTorch、YOLOv8、Python、PyQt5使用的工具Anaconda、PyCharm、Qt Designer、Labelimg识别3类人体Person、骑行者Rider、被遮挡的人ObscuredPerson数量9000张标注好的数据集如何训练、包含3种目标对象人体Person、骑行者Rider、被遮挡的人ObscuredPerson构建一个基于深度学习YOLOv8和PyQt5的密集人群人体检测识别计数系统是一个涉及多个步骤的过程包括数据准备、模型训练、界面设计和结果展示等。以下是详细的步骤和代码示例。1. 环境搭建环境已经安装了必要的库和工具。这里以Anaconda和PyCharm为例。安装依赖# 创建并激活虚拟环境conda create-ncrowd_detectionpython3.8conda activate crowd_detection# 安装YOLOv8和相关库pipinstallultralytics pipinstallPyQt5 pipinstallopencv-python2. 数据准备收集和标注9000张包含人体Person、骑行者Rider和被遮挡的人ObscuredPerson的数据集。使用Labelimg进行标注并将标注文件保存为YOLO格式。数据集结构dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ └── labels/ ├── train/ ├── val/ └── test/3. 模型训练使用YOLOv8进行模型训练。训练配置文件创建一个crowd.yaml文件定义数据集和类别信息。train:dataset/images/trainval:dataset/images/valtest:dataset/images/testnc:3names:[Person,Rider,ObscuredPerson]训练模型使用以下命令进行模型训练。yolo trainmodelyolov8s.yamldatacrowd.yamlepochs100imgsz6404. 界面设计与结果展示使用PyQt5设计用户界面并展示检测结果。设计界面使用Qt Designer设计界面并导出为.ui文件然后使用pyuic5转换为Python代码。pyuic5-xyour_design.ui-oui_design.py主程序代码importsysfromPyQt5.QtWidgetsimportQApplication,QMainWindow,QFileDialogfromPyQt5.QtGuiimportQImage,QPixmapfromPyQt5.QtCoreimportQTimerimportcv2fromultralyticsimportYOLOimportnumpyasnpfromui_designimportUi_MainWindowclassCrowdDetectionApp(QMainWindow,Ui_MainWindow):def__init__(self):super().__init__()self.setupUi(self)self.modelYOLO(best.pt)# 加载训练好的模型self.loadImageButton.clicked.connect(self.load_image)self.loadVideoButton.clicked.connect(self.load_video)self.startCameraButton.clicked.connect(self.start_camera)self.saveButton.clicked.connect(self.save_results)self.exitButton.clicked.connect(self.close)self.timerQTimer()self.timer.timeout.connect(self.update_frame)self.capNonedefload_image(self):file_name,_QFileDialog.getOpenFileName(self,选择图片文件,,Images (*.png *.xpm *.jpg))iffile_name:self.detect_and_show(file_name)defload_video(self):file_name,_QFileDialog.getOpenFileName(self,选择视频文件,,Videos (*.mp4 *.avi))iffile_name:self.capcv2.VideoCapture(file_name)self.timer.start(30)defstart_camera(self):self.capcv2.VideoCapture(0)self.timer.start(30)defupdate_frame(self):ret,frameself.cap.read()ifret:resultsself.model(frame)annotated_frameresults[0].plot()height,width,channelannotated_frame.shape bytes_per_line3*width q_imgQImage(annotated_frame.data,width,height,bytes_per_line,QImage.Format_RGB888)self.imageLabel.setPixmap(QPixmap.fromImage(q_img))defdetect_and_show(self,file_path):imagecv2.imread(file_path)resultsself.model(image)annotated_imageresults[0].plot()height,width,channelannotated_image.shape bytes_per_line3*width q_imgQImage(annotated_image.data,width,height,bytes_per_line,QImage.Format_RGB888)self.imageLabel.setPixmap(QPixmap.fromImage(q_img))self.show_results(results)defshow_results(self,results):forresultinresults:boxesresult.boxesforboxinboxes:class_idint(box.cls[0])confidencefloat(box.conf[0])x1,y1,x2,y2map(int,box.xyxy[0])self.resultTable.insertRow(self.resultTable.rowCount())rowself.resultTable.rowCount()-1self.resultTable.setItem(row,0,QTableWidgetItem(str(class_id)))self.resultTable.setItem(row,1,QTableWidgetItem(f{confidence:.2f}))self.resultTable.setItem(row,2,QTableWidgetItem(f({x1},{y1}) ({x2},{y2})))defsave_results(self):file_name,_QFileDialog.getSaveFileName(self,保存结果,,Text Files (*.txt))iffile_name:withopen(file_name,w)asf:forrowinrange(self.resultTable.rowCount()):class_idself.resultTable.item(row,0).text()confidenceself.resultTable.item(row,1).text()bboxself.resultTable.item(row,2).text()f.write(f{class_id}{confidence}{bbox}\n)if__name____main__:appQApplication(sys.argv)windowCrowdDetectionApp()window.show()sys.exit(app.exec_())5. 运行与测试文字及代码仅供参考。如何实现推理代码、配置超参数、批量推理以及性能评估。以下是这些方面的详细说明和代码示例。推理代码首先确保你已经训练好了一个YOLOv8模型并将其保存为best.pt。接下来我们将编写用于加载模型并进行推理的代码。fromultralyticsimportYOLOimportcv2# 加载预训练模型modelYOLO(best.pt)# 单张图片推理definfer_image(image_path):resultsmodel(image_path)annotated_frameresults[0].plot()returnannotated_frame# 视频或摄像头推理definfer_video(video_path0):# 如果是摄像头video_path设为0capcv2.VideoCapture(video_path)whilecap.isOpened():ret,framecap.read()ifnotret:breakresultsmodel(frame)annotated_frameresults[0].plot()cv2.imshow(YOLOv8 Inference,annotated_frame)ifcv2.waitKey(1)0xFFord(q):breakcap.release()cv2.destroyAllWindows()配置超参数在训练过程中可以通过修改配置文件来设置超参数。以下是一些常见的超参数及其说明epochs: 训练周期数默认值通常为100。batch: 批处理大小默认值取决于你的硬件能力。imgsz: 输入图像尺寸默认640像素。可以根据需要调整以提高性能或精度。lr0: 初始学习率默认值通常为0.01。例如在命令行中使用如下命令进行训练yolo trainmodelyolov8s.yamldatacrowd.yamlepochs100imgsz640batch16lr00.01模型推理我们已经在前面提供了基本的推理函数。对于批量推理可以遍历目录中的所有图片文件并对每个文件调用infer_image函数。importosdefbatch_infer_images(directory):forfilenameinos.listdir(directory):iffilename.endswith(.jpg)orfilename.endswith(.png):image_pathos.path.join(directory,filename)annotated_frameinfer_image(image_path)cv2.imwrite(foutput_{filename},annotated_frame)性能评估代码性能评估主要包括准确率Precision、召回率Recall、F1分数等指标。YOLOv8可以直接提供一些评估指标如mAPmean Average Precision。mAP计算YOLOv8自带评估功能可以在验证集上计算mAP。yolo valmodelbest.ptdatacrowd.yamlimgsz640自定义评估脚本如果你想要更详细的评估指标比如针对特定类别的准确率和召回率可以编写自定义脚本。fromsklearn.metricsimportprecision_recall_fscore_supportdefevaluate_model(model,dataset):all_preds[]all_labels[]forimages,labelsindataset:predsmodel(images)pred_classes[int(pred.cls[0])forpredinpreds]true_classeslabels.numpy().flatten()all_preds.extend(pred_classes)all_labels.extend(true_classes)precision,recall,f1,_precision_recall_fscore_support(all_labels,all_preds,averageweighted)print(fPrecision:{precision:.2f}, Recall:{recall:.2f}, F1 Score:{f1:.2f})根据实际需求调整上述代码段可以帮助你更好地完成项目目标。仅供参考