吸煙檢測(cè)從零開始使用YOLOv5+PyQt5+OpenCV實(shí)現(xiàn)

全流程教程，從數(shù)據(jù)采集到模型使用到最終展示。若有任何疑問和建議歡迎評(píng)論區(qū)討論。

先放上最終實(shí)現(xiàn)效果

檢測(cè)效果

由上圖我們可以看到，使用YOLOV5完成了吸煙的目標(biāo)識(shí)別檢測(cè)，可以達(dá)到mAP可達(dá)85.38%。通過對(duì)吸煙的自動(dòng)檢測(cè)可以方便商場(chǎng)、醫(yī)院、療養(yǎng)院等公共場(chǎng)合進(jìn)行禁煙管控。

mAP曲線和loss變換曲線。

1. 數(shù)據(jù)集的制作

已有一份數(shù)據(jù)形成了對(duì)應(yīng)的數(shù)據(jù)集。鏈接為數(shù)據(jù)集。總數(shù)據(jù)量為783張，且所有圖片均已標(biāo)注 。本數(shù)據(jù)集以對(duì)數(shù)據(jù)集進(jìn)行劃分，訓(xùn)練集:626, 驗(yàn)證集:78, 測(cè)試集:79

示例圖片

自己制作數(shù)據(jù)集可以參考如下步驟：

1.1 數(shù)據(jù)集采集

可以通過爬蟲爬取一些圖片。

1.2 使用labelme對(duì)圖片進(jìn)行標(biāo)注

labelme是圖形圖像注釋工具，它是用Python編寫的，并將Qt用于其圖形界面。說直白點(diǎn)，它是有界面的， 像軟件一樣，可以交互，但是它又是由命令行啟動(dòng)的，比軟件的使用稍微麻煩點(diǎn)。其界面如下圖：

github鏈接: labelme https://github.com/wkentaro/labelme
它的功能很多，包括：

• 對(duì)圖像進(jìn)行多邊形，矩形，圓形，多段線，線段，點(diǎn)形式的標(biāo)注（可用于目標(biāo)檢-測(cè)，圖像分割等任務(wù)）。
• 對(duì)圖像進(jìn)行進(jìn)行 flag形式的標(biāo)注（可用于圖像分類 和 清理 任務(wù)）。
• 視頻標(biāo)注 - 生成 VOC 格式的數(shù)據(jù)集（for semantic / instancesegmentation）
• 生成 COCO 格式的數(shù)據(jù)集（for instance segmentation）

2. YOLOv5

2.1YOLO算法簡(jiǎn)單介紹

YOLO框架（You Only Look Once）與RCNN系列算法不一樣，是以不同的方式處理對(duì)象檢測(cè)。它將整個(gè)圖像放在一個(gè)實(shí)例中，并預(yù)測(cè)這些框的邊界框坐標(biāo)和及所屬類別概率。使用YOLO算法最大優(yōu)的點(diǎn)是速度極快，每秒可處理45幀，也能夠理解一般的對(duì)象表示。

在本節(jié)中，將介紹YOLO用于檢測(cè)給定圖像中的對(duì)象的處理步驟。

首先，輸入圖像：

然后，YOLO將輸入圖像劃分為網(wǎng)格形式（例如3 X 3）：

最后，對(duì)每個(gè)網(wǎng)格應(yīng)用圖像分類和定位處理，獲得預(yù)測(cè)對(duì)象的邊界框及其對(duì)應(yīng)的類概率。
整個(gè)過程是不是很清晰，下面逐一詳細(xì)介紹。首先需要將標(biāo)記數(shù)據(jù)傳遞給模型以進(jìn)行訓(xùn)練。假設(shè)已將圖像劃分為大小為3 X 3的網(wǎng)格，且總共只有3個(gè)類別，分別是行人（c1）、汽車（c2）和摩托車（c3）。因此，對(duì)于每個(gè)單元格，標(biāo)簽y將是一個(gè)八維向量：

其中：
pc定義對(duì)象是否存在于網(wǎng)格中（存在的概率）；
bx、by、bh、bw指定邊界框；
c1、c2、c3代表類別。如果檢測(cè)對(duì)象是汽車，則c2位置處的值將為1，c1和c3處的值將為0；
假設(shè)從上面的例子中選擇第一個(gè)網(wǎng)格：

由于此網(wǎng)格中沒有對(duì)象，因此pc將為零，此網(wǎng)格的y標(biāo)簽將為：

？意味著其它值是什么并不重要，因?yàn)榫W(wǎng)格中沒有對(duì)象。下面舉例另一個(gè)有車的網(wǎng)格（c2=1）：

在為此網(wǎng)格編寫y標(biāo)簽之前，首先要了解YOLO如何確定網(wǎng)格中是否存在實(shí)際對(duì)象。大圖中有兩個(gè)物體（兩輛車），因此YOLO將取這兩個(gè)物體的中心點(diǎn)，物體將被分配到包含這些物體中心的網(wǎng)格中。中心點(diǎn)左側(cè)網(wǎng)格的y標(biāo)簽會(huì)是這樣的：

由于此網(wǎng)格中存在對(duì)象，因此pc將等于1，bx、by、bh、bw將相對(duì)于正在處理的特定網(wǎng)格單元計(jì)算。由于檢測(cè)出的對(duì)象是汽車，所以c2=1，c1和c3均為0。對(duì)于9個(gè)網(wǎng)格中的每一個(gè)單元格，都具有八維輸出向量。最終的輸出形狀為3X3X8。
使用上面的例子（輸入圖像：100X100X3，輸出：3X3X8），模型將按如下方式進(jìn)行訓(xùn)練：

使用經(jīng)典的CNN網(wǎng)絡(luò)構(gòu)建模型，并進(jìn)行模型訓(xùn)練。在測(cè)試階段，將圖像傳遞給模型，經(jīng)過一次前向傳播就得到輸出y。為了簡(jiǎn)單起見，使用3X3網(wǎng)格解釋這一點(diǎn)，但通常在實(shí)際場(chǎng)景中會(huì)采用更大的網(wǎng)格（比如19X19）。

即使一個(gè)對(duì)象跨越多個(gè)網(wǎng)格，它也只會(huì)被分配到其中點(diǎn)所在的單個(gè)網(wǎng)格。可以通過增加更多網(wǎng)格來減少多個(gè)對(duì)象出現(xiàn)在同一網(wǎng)格單元中的幾率。

2.2 YOLOv5獲取與調(diào)試

2.2.1 下載yolov5代碼

如果你有g(shù)it，則使用git clone

git clone https://github.com/ultralytics/yolov5  # clone 

如果你沒有g(shù)it，你可以使用Dwonload ZIP下載代碼項(xiàng)目。
yolov5代碼地址：yolov5
注意：yolov5的代碼是最新的v8.0版本
可以通過這個(gè)鏈接下載6.0版本https://github.com/ultralytics/yolov5/tree/v6.0

2.2.2 安裝yolov5訓(xùn)練所需的第三方庫：

1. 檢查是否正確安裝好anaconda。
   windows+r打開cmd，輸入 conda -V。若出現(xiàn)版本號(hào)，則安裝成功。
   
2. 檢查是否正確安裝好pytorch

import torch
if __name__ == '__main__':
     print(torch.zeros(1))

4. 進(jìn)入yolov5文件夾目錄安裝第三方庫
   cd [path_to_yolov5]
   如下圖所示
   
   安裝第三方庫

pip install -r requirement.txt 

如下圖所示，等待安裝完成

2.2.3 下載預(yù)訓(xùn)練的權(quán)重文件

我們需要下載其預(yù)訓(xùn)練的權(quán)重文件然后再此基礎(chǔ)上進(jìn)行調(diào)整訓(xùn)練，這樣在數(shù)據(jù)集數(shù)量較小時(shí)也能取得不錯(cuò)的檢測(cè)準(zhǔn)確率。

供選擇的有yolov5s,yolov5m,yolov5l,yolov5x。模型的大小逐漸增大，訓(xùn)練時(shí)間更長，準(zhǔn)確率提高。

這里我們以yolov5s為例訓(xùn)練。下載地址為yolov5s.pt
所有權(quán)重下載地址可在https://github.com/ultralytics/yolov5/releases/tag/v6.0界面找到

2.2.4 配置自己的yaml文件

配置models/yolov5s_mask.yaml 可以直接復(fù)制yolov5s.yaml文件，然后在nc即類別出進(jìn)行修改，對(duì)于吸煙檢測(cè)數(shù)量為1。其中anchors參數(shù)表示錨框的大小，可以通過對(duì)數(shù)據(jù)集進(jìn)行knn聚類得到，這里直接使用默認(rèn)即對(duì)COCO數(shù)據(jù)集進(jìn)行聚類的結(jié)果。

配置mask.yaml 。這里train指定訓(xùn)練數(shù)據(jù)集所在位置，val測(cè)試數(shù)據(jù)集所在位置，nc類別數(shù)，names類別的名稱(注意順序）

# YOLOv5 ?? by Ultralytics, GPL-3.0 license

# Parameters
nc: 1 # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

配置my.yaml 。這里train指定訓(xùn)練數(shù)據(jù)集所在位置，val測(cè)試數(shù)據(jù)集所在位置，nc類別數(shù)，names類別的名稱(注意順序）

train: D:\\BaiduNetdiskDownload\\train
val: D:\\BaiduNetdiskDownload\\val
nc: 1
names: ['smoke']

2.2.5 開始訓(xùn)練

python3 train.py --img 640 --batch 8 --epochs 50 --data my.yaml --cfg yolov5s_my.yaml --weights "yolov5s.pt"

如果出現(xiàn)顯卡空間不足的情況可以改小–bath參數(shù)

會(huì)在/runs/train/exp/weights/best.pt下生成最終的權(quán)重文件。

將此文件復(fù)制到y(tǒng)olov5目錄下后續(xù)使用

2.2.5 編寫detection方法用于后續(xù)檢測(cè)的調(diào)用

后續(xù)進(jìn)行圖片或者視頻檢測(cè)時(shí)，只需要傳入YOLOv5模型和圖片,便會(huì)返回檢測(cè)后圖片

import os
import sys
from pathlib import Path

import numpy as np
import torch


FILE = Path(__file__).resolve()
ROOT = FILE.parents[0]  # YOLOv5 root directory
if str(ROOT) not in sys.path:
    sys.path.append(str(ROOT))  # add ROOT to PATH
ROOT = Path(os.path.relpath(ROOT, Path.cwd()))  # relative

from models.experimental import attempt_load
from utils.general import apply_classifier, check_img_size, check_imshow, check_requirements, check_suffix, colorstr, \
    increment_path, non_max_suppression, print_args, save_one_box, scale_coords, strip_optimizer, xyxy2xywh, LOGGER
from utils.plots import Annotator, colors
from utils.torch_utils import load_classifier, select_device, time_sync
from utils.augmentations import Albumentations, augment_hsv, copy_paste, letterbox, mixup, random_perspective

@torch.no_grad()
def detection(model,input_img):
    imgsz = 640  # inference size (pixels)
    conf_thres = 0.25   # confidence threshold
    iou_thres = 0.45   # NMS IOU threshold
    max_det = 1000  # maximum detections per image
    device = '0'  # cuda device, i.e. 0 or 0,1,2,3 or cpu
    view_img = False   # show results
    save_txt = False  # save results to *.txt
    save_conf = False    # save confidences in --save-txt labels
    save_crop = False   # save cropped prediction boxes
    nosave = False  # do not save images/videos
    classes = None   # filter by class: --class 0, or --class 0 2 3
    agnostic_nms = False   # class-agnostic NMS
    augment = False   # augmented inference
    project = ROOT / 'runs/detect',  # save results to project/name
    name = 'exp'   # save results to project/name
    exist_ok = False,  # existing project/name ok, do not increment
    line_thickness = 3   # bounding box thickness (pixels)
    hide_labels = False   # hide labels
    hide_conf = False   # hide confidences
    half = False  # use FP16 half-precision inference
    # Directories
    # Initialize
    device = select_device(device)
    weights = 'best.pt'
    # # Load model
    w = str(weights[0] if isinstance(weights, list) else weights)
    classify, suffix, suffixes = False, Path(w).suffix.lower(), ['.pt', '.onnx', '.tflite', '.pb', '']
    check_suffix(w, suffixes)  # check weights have acceptable suffix
    pt, onnx, tflite, pb, saved_model = (suffix == x for x in suffixes)  # backend booleans
    stride = int(model.stride.max())
    names = model.module.names if hasattr(model, 'module') else model.names  # get class names
    imgsz = check_img_size(imgsz, s=stride)  # check image size
    img0 = input_img  # BGR
    im0s=img0
    # Padded resize
    img = letterbox(img0, imgsz, stride=32, auto=pt)[0]

    # Convert
    img = img.transpose((2, 0, 1))[::-1]  # HWC to CHW, BGR to RGB
    img = np.ascontiguousarray(img)
    bs = 1  # batch_size

    dt, seen = [0.0, 0.0, 0.0], 0
    t1 = time_sync()
    img = torch.from_numpy(img).to(device)
    img = img.float()  # uint8 to fp16/32
    img /= 255.0  # 0 - 255 to 0.0 - 1.0
    if len(img.shape) == 3:
        img = img[None]  # expand for batch dim
    t2 = time_sync()
    dt[0] += t2 - t1
    # Inference
    if pt:
        pred = model(img, augment=augment)[0]
    t3 = time_sync()
    dt[1] += t3 - t2

    # NMS
    pred = non_max_suppression(pred, conf_thres, iou_thres, classes, agnostic_nms, max_det=max_det)
    dt[2] += time_sync() - t3
    # Process predictions
    for i, det in enumerate(pred):  # per image
        seen += 1
        im0=im0s.copy()
        annotator = Annotator(im0, line_width=line_thickness, example=str(names))
        if len(det):
            # Rescale boxes from img_size to im0 size
            det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0.shape).round()
            # Write results
            for *xyxy, conf, cls in reversed(det):
                  # Add bbox to image
                c = int(cls)  # integer class
                label = None if hide_labels else (names[c] if hide_conf else f'{names[c]} {conf:.2f}')
                annotator.box_label(xyxy, label, color=colors(c, True))
        # Stream results
        im0 = annotator.result()
        return im0

3. Pyqt5

我們通過pyqt來制作展示的界面

3.1介紹

PyQt5 是 Digia的一套 Qt5 應(yīng)用框架與 python 的結(jié)合，同時(shí)支持 python2.x和 python3.x。

這里使用的是Python 3.x。Qt庫由 Riverbank Computing開發(fā)，是最強(qiáng)大的GUI庫之一 。

PyQt5 是由一系列 Python 模塊組成。超過 620 個(gè)類，6000 函數(shù)和方法。能在諸如 Unix、Windows 和Mac OS 等主流操作系統(tǒng)上運(yùn)行。PyQt5 有兩種證書，GPL和 商業(yè)證書。

3.2 window平臺(tái)安裝

PyQt5 有兩種安裝方式，一種是從官網(wǎng)下載源碼安裝，另外一種是使用 pip 安裝。

這里我推薦大家使用pip 安裝。因?yàn)樗鼤?huì)自動(dòng)根據(jù)你的Python 版本來選擇合適的 PyQt5 版本，如果是手動(dòng)下載源碼安裝，難免會(huì)選擇出錯(cuò)。建議使用比較穩(wěn)妥的安裝方式。

pip3 install PyQt5 

另外，如果你的網(wǎng)絡(luò)訪問外網(wǎng)不是很好的話建議使用豆瓣的鏡像下載，不然會(huì)很很慢或者直接安裝失敗。

pip install PyQt5 -i https://pypi.douban.com/simple

執(zhí)行以下代碼：

import sys
from PyQt5.QtWidgets import QWidget, QApplication

app = QApplication(sys.argv)
widget = QWidget()
widget.resize(640, 480)
widget.setWindowTitle("Hello, PyQt5!")
widget.show()
sys.exit(app.exec())

如果沒有報(bào)錯(cuò)，彈出了一個(gè)標(biāo)題為"Hello, PyQt5!"的窗口，則說明安裝成功。

若pip安裝pyqt5報(bào)錯(cuò) error: Microsoft Visual C++ 14.0 or greater is required. Get it with “Microsoft C++ Build Tools”: https://visualstudio.microsoft.com/visual-cpp-build-tools/

error: Microsoft Visual C++ 14.0 or greater is required. Get it with "Microsoft C++ Build Tools": https://visualstudio.microsoft.com/visual-cpp-build-tools/

可參考我另外一篇文章 已解決（pip安裝pyqt5報(bào)錯(cuò)） error: Microsoft Visual C++ 14.0 or greater is required. Get it with “Microsoft
對(duì)于運(yùn)行項(xiàng)目做到此即可，若對(duì)pyqt感興趣如圖形界面開發(fā)工具Qt Designer等可以參考文章https://zhuanlan.zhihu.com/p/162866700

4. OpenCV

OpenCV(開源的計(jì)算機(jī)視覺庫)是基于BSD協(xié)議,因此它可免費(fèi)用于學(xué)術(shù)和商業(yè)用途。其提供C++,C,Python和Java接口,支持Windows,Linux,Mac OS,iOS和Android。

我們使用OpenCV來處理圖片和視頻，以便于將圖片轉(zhuǎn)為Yolov5模型需要的輸入。

安裝

首先我們得先安裝另一個(gè)第三方庫numpy，這是opencv的依賴庫，沒有它無法進(jìn)行python-opencv開發(fā)。
安裝numpy：pip install numpy
安裝opencv-python： pip install opencv-python

5. 圖片檢測(cè)

5.1界面布局

首先使用pyqt設(shè)計(jì)我們界面的布局，主要為一個(gè)上傳圖片的按鈕和兩個(gè)展示板，一個(gè)展示原始圖片，一個(gè)展示我們模型進(jìn)行檢測(cè)后的圖片。這里主要使用的是網(wǎng)格布局QGridLayout()

class Qdetection1(QWidget):
    def __init__(self,model):
        super(Qdetection1, self).__init__()
        self.initUI()
        self.model=model
    def initUI(self):
        self.main_layout = QGridLayout()  # 創(chuàng)建主部件的網(wǎng)格布局
        self.setLayout(self.main_layout)  # 設(shè)置窗口主部件布局為網(wǎng)格布局
        self.button1 = QPushButton('上傳圖片')
        self.button1.clicked.connect(self.loadImage)
        self.main_layout.addWidget(self.button1)
        self.imageLabel1 = QLabel()
        self.main_layout.addWidget(self.imageLabel1)
        self.imageLabel2 = QLabel()
        self.main_layout.addWidget(self.imageLabel2)
        self.main_layout.addWidget(self.button1, 0, 0, 1, 2)
        self.main_layout.addWidget(self.imageLabel1, 2, 0, 1, 1)
        self.main_layout.addWidget(self.imageLabel2, 2, 1, 1, 1)

因?yàn)楹罄m(xù)有視頻檢測(cè)和攝像頭實(shí)時(shí)檢測(cè)，為了將其集成在同一個(gè)界面里，可以使用QTabWidget()

    my_tabwidget=QTabWidget()
    tab1_widget=Qdetection1(model)
    tab2_widget = Qdetection2(model)
    tab3_widget = Qdetection3(model)
    my_tabwidget.setWindowTitle('目標(biāo)檢測(cè)演示 ')
    my_tabwidget.addTab(tab1_widget, '圖片檢測(cè)')
    my_tabwidget.addTab(tab2_widget, '視頻檢測(cè)')
    my_tabwidget.addTab(tab3_widget, '攝像頭實(shí)時(shí)檢測(cè)')
    my_tabwidget.show()

pyqt原始提供的組件并不美觀，為了美化組件可以使用qt_material。其安裝和使用都比較簡(jiǎn)單。
安裝

pip install qt_material

使用

import sys
from PyQt5 import QtWidgets
from qt_material import apply_stylesheet

# create the application and the main window
app = QtWidgets.QApplication(sys.argv)
window = QtWidgets.QMainWindow()

# setup stylesheet
apply_stylesheet(app, theme='dark_teal.xml')

# run
window.show()
app.exec_()

對(duì)比效果

5.2 模型加載

我們需要將訓(xùn)練好的模型讀取加載從而使用。為了提交響應(yīng)速度和防止每個(gè)功能都重復(fù)加載，這里采用了在啟動(dòng)窗口的時(shí)候就進(jìn)行加載。

if __name__ == '__main__':
    device = select_device('0')
    # Load model
    weights = 'best.pt'
    w = str(weights[0] if isinstance(weights, list) else weights)
    classify, suffix, suffixes = False, Path(w).suffix.lower(), ['.pt', '.onnx', '.tflite', '.pb', '']
    check_suffix(w, suffixes)  # check weights have acceptable suffix
    pt, onnx, tflite, pb, saved_model = (suffix == x for x in suffixes)  # backend booleans
    stride, names = 64, [f'class{i}' for i in range(1000)]  # assign defaults
    if pt:
        model = torch.jit.load(w) if 'torchscript' in w else attempt_load(weights, map_location=device)
        stride = int(model.stride.max())  # model stride
        names = model.module.names if hasattr(model, 'module') else model.names  # get class names

5.3點(diǎn)擊上傳按鈕事件和檢測(cè)展示綁定

當(dāng)我們點(diǎn)擊上傳按鈕后通過cv2讀取文件，通過detection方法檢測(cè)圖片。然后將結(jié)果暫時(shí)到對(duì)應(yīng)的展示板上。

    def loadImage(self):
        fname, _ = QFileDialog.getOpenFileName(self, '打開文件', '.', '圖像文件(*.jpg *.png)')
        if fname is None or fname=="":
            print("未選擇圖片")
        else:
            img = cv2.imread(fname)
            np_img=detection(self.model,img)
            np_img = cv2.cvtColor(np_img, cv2.COLOR_BGR2RGB)
            img=cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
            self.imageLabel1.setPixmap(QPixmap(QImage(img.data, img.shape[1], img.shape[0], img.shape[1]*3, QImage.Format_RGB888)))
            self.imageLabel2.setPixmap(QPixmap(QImage(np_img.data, np_img.shape[1], np_img.shape[0], np_img.shape[1]*3, QImage.Format_RGB888)))

5.4完整代碼

import torch
from utils.general import  check_suffix
from utils.torch_utils import select_device
from pathlib import Path
import sys
from PyQt5.QtCore import *
from PyQt5.QtGui import *
from PyQt5.QtWidgets import *
import time
import cv2
from mydetection import detection
from yolov5.models.experimental import attempt_load
class Qdetection1(QWidget):
    def __init__(self,model):
        super(Qdetection1, self).__init__()
        self.initUI()
        self.model=model
    def initUI(self):
        self.main_layout = QGridLayout()  # 創(chuàng)建主部件的網(wǎng)格布局
        self.setLayout(self.main_layout)  # 設(shè)置窗口主部件布局為網(wǎng)格布局
        self.button1 = QPushButton('上傳圖片')
        self.button1.clicked.connect(self.loadImage)
        self.main_layout.addWidget(self.button1)
        self.imageLabel1 = QLabel()
        self.main_layout.addWidget(self.imageLabel1)
        self.imageLabel2 = QLabel()
        self.main_layout.addWidget(self.imageLabel2)
        self.main_layout.addWidget(self.button1, 0, 0, 1, 2)
        self.main_layout.addWidget(self.imageLabel1, 2, 0, 1, 1)
        self.main_layout.addWidget(self.imageLabel2, 2, 1, 1, 1)
    def loadImage(self):
        fname, _ = QFileDialog.getOpenFileName(self, '打開文件', '.', '圖像文件(*.jpg *.png)')
        if fname is None or fname=="":
            print("未選擇圖片")
        else:
            img = cv2.imread(fname)
            np_img=detection(self.model,img)
            np_img = cv2.cvtColor(np_img, cv2.COLOR_BGR2RGB)
            img=cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
            self.imageLabel1.setPixmap(QPixmap(QImage(img.data, img.shape[1], img.shape[0], img.shape[1]*3, QImage.Format_RGB888)))
            self.imageLabel2.setPixmap(QPixmap(QImage(np_img.data, np_img.shape[1], np_img.shape[0], np_img.shape[1]*3, QImage.Format_RGB888)))
if __name__ == '__main__':
    app = QApplication(sys.argv)
    device = select_device('0')
    # Load model
    weights = 'best.pt'
    w = str(weights[0] if isinstance(weights, list) else weights)
    classify, suffix, suffixes = False, Path(w).suffix.lower(), ['.pt', '.onnx', '.tflite', '.pb', '']
    check_suffix(w, suffixes)  # check weights have acceptable suffix
    pt, onnx, tflite, pb, saved_model = (suffix == x for x in suffixes)  # backend booleans
    stride, names = 64, [f'class{i}' for i in range(1000)]  # assign defaults
    if pt:
        model = torch.jit.load(w) if 'torchscript' in w else attempt_load(weights, map_location=device)
        stride = int(model.stride.max())  # model stride
        names = model.module.names if hasattr(model, 'module') else model.names  # get class names
    my_tabwidget=QTabWidget()
    tab1_widget=Qdetection1(model)
    my_tabwidget.setWindowTitle('目標(biāo)檢測(cè)演示 ')
    my_tabwidget.addTab(tab1_widget, '圖片檢測(cè)')
    my_tabwidget.show()
    apply_stylesheet(app, theme='light_blue.xml')
    sys.exit(app.exec_())

最終效果
文章來源地址http://www.zghlxwxcb.cn/news/detail-489686.html

到了這里，關(guān)于吸煙檢測(cè)從零開始使用YOLOv5+PyQt5+OpenCV實(shí)現(xiàn)(支持圖片、視頻、攝像頭實(shí)時(shí)檢測(cè))的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！