基于YOLOv8与PyQt5的深度学习密集人群检测与计数系统研究

基于深度学习YOLOv8+PyQt5的密集人群人体检测识别计数系统

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_detectionpython=3.8conda activate crowd_detection# 安装YOLOv8和相关库pipinstallultralytics pipinstallPyQt5 pipinstallopencv-python

2. 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 trainmodel=yolov8s.yamldata=crowd.yamlepochs=100imgsz=640

4. 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.model=YOLO('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.timer=QTimer()self.timer.timeout.connect(self.update_frame)self.cap=Nonedefload_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.cap=cv2.VideoCapture(file_name)self.timer.start(30)defstart_camera(self):self.cap=cv2.VideoCapture(0)self.timer.start(30)defupdate_frame(self):ret,frame=self.cap.read()ifret:results=self.model(frame)annotated_frame=results[0].plot()height,width,channel=annotated_frame.shape bytes_per_line=3*width q_img=QImage(annotated_frame.data,width,height,bytes_per_line,QImage.Format_RGB888)self.imageLabel.setPixmap(QPixmap.fromImage(q_img))defdetect_and_show(self,file_path):image=cv2.imread(file_path)results=self.model(image)annotated_image=results[0].plot()height,width,channel=annotated_image.shape bytes_per_line=3*width q_img=QImage(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:boxes=result.boxesforboxinboxes:class_id=int(box.cls[0])confidence=float(box.conf[0])x1,y1,x2,y2=map(int,box.xyxy[0])self.resultTable.insertRow(self.resultTable.rowCount())row=self.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_id=self.resultTable.item(row,0).text()confidence=self.resultTable.item(row,1).text()bbox=self.resultTable.item(row,2).text()f.write(f'{class_id}{confidence}{bbox}\n')if__name__=='__main__':app=QApplication(sys.argv)window=CrowdDetectionApp()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model=YOLO('best.pt')# 单张图片推理definfer_image(image_path):results=model(image_path)annotated_frame=results[0].plot()returnannotated_frame# 视频或摄像头推理definfer_video(video_path=0):# 如果是摄像头，video_path设为0cap=cv2.VideoCapture(video_path)whilecap.isOpened():ret,frame=cap.read()ifnotret:breakresults=model(frame)annotated_frame=results[0].plot()cv2.imshow('YOLOv8 Inference',annotated_frame)ifcv2.waitKey(1)&0xFF==ord('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 trainmodel=yolov8s.yamldata=crowd.yamlepochs=100imgsz=640batch=16lr0=0.01

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_path=os.path.join(directory,filename)annotated_frame=infer_image(image_path)cv2.imwrite(f"output_{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mAP（mean Average Precision）。

mAP计算

YOLOv8自带评估功能，可以在验证集上计算mAP。

yolo valmodel=best.ptdata=crowd.yamlimgsz=640

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:preds=model(images)pred_classes=[int(pred.cls[0])forpredinpreds]true_classes=labels.numpy().flatten()all_preds.extend(pred_classes)all_labels.extend(true_classes)precision,recall,f1,_=precision_recall_fscore_support(all_labels,all_preds,average='weighted')print(f'Precision:{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