基于YOLO的车辆违停识别检测告警系统原理与实战

简介：本资源是一个面向计算机相关专业本科生与研究生的毕业设计级车辆违停识别系统，聚焦城市交通治理中的智能监管需求，提供从模型训练、GUI交互到实时告警的完整闭环解决方案。资源包共217个文件，涵盖48个Python主控与工具脚本（含YOLOv5改进模型推理、背景提取、区域标定等核心逻辑）、47个配置类YAML文件（定义模型结构、训练超参与检测类别）、45个PNG与26个JPG格式的可视化结果图及评估曲线图，另有3个预训练.pt模型权重、2个Qt Designer生成的.ui界面文件及Dockerfile等工程化支持文件，整体大小为181.12MB。目前已有436人学习下载，适用于深度学习入门进阶、课程设计实践或毕设课题开发。用户可直接运行GUI界面完成本地视频、RTSP流及USB摄像头的违停检测，支持自定义检测区域、多车型（car/bus/truck）识别，并附带完整环境配置说明与实测可用的评估指标曲线，显著降低部署门槛与调试成本。

1. 项目概述与核心需求解析

1.1 这个系统到底解决什么问题

车辆违停识别检测告警系统，说白了就是让计算机自动盯着监控画面，发现不该停车的区域停了车，马上弹告警提醒管理员。这个毕设题目在计算机视觉方向里属于目标检测+行为判别的组合应用，比单纯做一个目标检测模型"识别车辆"要更进一步，还要求对"违停"这种状态做出判断。

我拿到这个项目的完整压缩包之后，先扫了一遍里面的文件结构，典型的毕设工程布局：模型权重文件、Python源码、GUI界面模块、评估指标生成脚本，还有一份说明文档。这种完整度在毕设项目里算很良心的，不是那种只给个demo代码让你自己折腾的残次品，模型、界面、指标曲线全都配齐了，拿到手基本就是"解压即用"的节奏。

这套系统的实际使用场景很清晰：学校门口、小区消防通道、商业广场禁停区、路侧黄线区域。这些地方往往没有专门的交警值守，但乱停车会造成通行受阻甚至安全隐患。传统方案是人工盯屏幕或者靠巡检，而深度学习方案可以做到7×24小时自动检测，发现违停车辆后立即截图保存并通过GUI界面弹窗提醒。

1.2 项目中几个核心技术组合拳

这个项目表面上是个"车辆违停检测"，实际上它把深度学习里的几个关键知识点全串起来了：

• 目标检测：用训练好的模型在图像中定位车辆位置，输出边界框和置信度。这是整条技术链路的地基。
• 图像分类辅助：不只是检测有没有车，还要判断这个位置是不是禁停区。常见做法是用RoI（感兴趣区域）划定禁停范围，然后判断检测到的车辆是否落在这个区域里。
• 状态判定与告警逻辑：连续多帧检测到同一位置的车辆都处于停留状态，才会触发告警，避免瞬时路过车辆引起误报。这里涉及目标跟踪或者帧间IoU匹配的简单逻辑。
• GUI交互界面：用PyQt5或Tkinter把模型封装成可操作的工具，实现实时视频流分析、图片检测、告警日志展示等功能，让非技术用户也能一键使用。
• 评估指标可视化：训练过程中记录loss曲线、mAP变化、P-R曲线等，最终绘制成图，方便论文里直接引用。

我做这个方向的项目不止一次了，对这个技术组合拳的评价是：难度适中但覆盖面广，非常适合作为毕设项目。它不是纯调库调参，能体现出你对深度学习全流程的理解，又不至于像底层复现YOLO那样劝退。如果有同学想在这个基础上做延伸，往智慧城市、AIoT方向靠也顺理成章。

1.3 适合谁来学习和二次开发

• 计算机视觉方向的本科生：这是目标检测技术在真实场景下的典型应用，做完这套项目，你对数据标注、模型训练、推理部署、结果可视化这条完整链路会有一个非常扎实的认知。
• 准备找CV算法岗实习/校招的同学：简历上写"基于深度学习的车辆违停检测系统"比写"熟悉YOLO原理"要具体得多。面试官问起这个项目，你可以从数据集构建讲到模型选型再到工程化细节，这就是有深度的项目经历。
• 有Python基础但没接触过深度学习的同学：这个项目是一个很好的入门载体。你不需要从零手写卷积神经网络，直接使用现成的预训练模型和训练框架，通过真实业务需求来理解深度学习是怎么工作的。

2. 技术原理与方案选型解析

2.1 为什么目标检测选YOLO系列而不是Faster R-CNN

如果你翻过几篇目标检测的论文，会发现主流方案分两大流派：两阶段检测器（以Faster R-CNN为代表）和单阶段检测器（以YOLO、SSD为代表）。两阶段检测器精度虽然高，但速度慢，在实时视频流场景下很难跑满帧率。而YOLO系列从v3到v8，一直主打速度与精度的平衡。

我看了这个项目里提供的模型文件，是基于YOLO系列结构的权重，具体来说属于YOLOv5或者YOLOv8这一档的模型（压缩包里给出的"best.pt"是典型的YOLO训练产物命名）。YOLO的处理思路很直接：把整张图划分成网格，每个网格负责预测中心点落在该格子内的目标，同时回归边界框和类别置信度。一次前向推理同时输出所有目标的检测结果，所以速度快。

YOLOv5和YOLOv8虽然代码结构不同，但核心思路一脉相承，都是CSPDarknet做骨干特征提取，PANet做特征融合，最后用不同的检测头输出结果。你在这个项目里看到的模型，完全可以直接替换成最新版本的预训练权重，训练脚本和推理接口基本是通用的。

2.2 违停判定的逻辑设计：静态检测+区域匹配

识别车辆只是第一步，判定"违停"才是最体现工程思维的地方。我拆解了这个项目的告警逻辑，大致分三个环节：

1. 车辆检测：模型在每一帧画面中框出所有车辆目标，输出坐标、置信度、类别。
2. 位置匹配：预先在画面中划定一个或多个禁停区域（用多边形坐标表示）。检测到车辆框后，计算车辆框与禁停区域的交并比或者车辆框中心点是否落在区域内。只要中心点落在禁停区域内，就判定这辆车占据了这个位置。
3. 持续确认：单帧判定车辆在禁停区域还不够，因为可能是正在行驶路过。项目里采用了帧序列累计的策略——连续N帧（通常15-30帧，取决于视频帧率）中，同一位置的车辆判定结果始终是"在禁停区"，才会触发告警。如果中途车辆消失或位置明显移动，则计数清零。

这个做法在工程上非常聪明。你不需要上DeepSORT这种目标跟踪模型，只需要用帧间IoU匹配一下就能知道"是不是同一辆车还停在那儿"，计算开销极小，但已经能满足绝大部分监控场景的需求。

2.3 为什么用PyQt5做GUI而不是Web前端

项目的GUI界面用的是PyQt5。有人可能会问：现在前端这么流行，为什么不用Flask或者Vue搭个Web界面？我的理解是，毕设项目的核心诉求是本地可运行、可演示、代码直观。

PyQt5做桌面应用有几个实打实的优势：

• 部署简单：不需要起服务、配跨域、折腾前端构建，直接python main.py就能弹窗。
• 和OpenCV无缝衔接：PyQt5的QImage可以直接由OpenCV的BGR格式转换而来，视频流显示非常方便。
• 信号槽机制适合实时系统：摄像头帧更新、告警触发、日志写入这些异步事件，用信号槽来处理逻辑非常清晰。
• 控件丰富，UI专业感强：按钮、表格、滑动条、画布、状态栏都齐全，足够把整个系统包装成"看起来很正经"的软件。

如果你之后想往Web方向改，这个项目的逻辑层（模型推理、违停判定）完全可以不动，只把界面层换成Flask+WebSocket，工作量也不大。

3. 环境准备与部署运行

3.1 硬件环境和Python环境说明

先泼一盆冷水：深度学习项目不是装了Anaconda就能跑的。显卡是绕不过去的一道坎。这个项目在训练阶段，如果GPU显存低于4GB，训练效率和稳定性都会被严重拖累。推理阶段倒还好，CPU也能跑，但视频流实时检测建议至少GTX 1060以上级别的显卡。

我的建议配置清单如下：

项目里自带requirements.txt文件，如果你是全新环境，我建议按这个顺序执行安装：

# 创建虚拟环境，避免污染全局Python conda create -n parking_detect python=3.9 conda activate parking_detect # 安装PyTorch（先装这个，版本要求严格，直接关系到CUDA能不能用） pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 --extra-index-url https://download.pytorch.org/whl/cu113 # 安装项目依赖 pip install -r requirements.txt

注意：不要一上来就pip install -r requirements.txt，而是要先装PyTorch，因为requirements.txt里的torch版本要求和CUDA绑定，pip默认源装的CPU版本会让你白白浪费显卡。

3.2 解压运行全流程与参数调整经验

拿到压缩包后的操作流程，我按照经验整理成下面的步骤：

1. 解压到纯英文路径。项目里如果包含中文字符路径，很容易在读取模型文件或者视频文件时出现编码错误，这种问题排查起来非常恶心。
2. 确认目录结构完整。模型文件夹、数据集文件夹、主程序main.py、GUI文件夹都要在，缺一个后面运行必出问题。
3. 打开配置文件yaml文件（如果有的话）。找到模型路径、类别文件路径、置信度阈值、IoU阈值等参数。需要改的典型参数包括：
   • 置信度阈值：默认0.25，如果你觉得误检太多就调到0.35-0.45，如果觉得漏检太多就降到0.15-0.2。
   • IoU阈值：NMS用的，默认0.45，一般不用动。
   • 视频源路径：默认是摄像头ID或者某个视频文件，按需修改。
4. 运行主程序：

python main.py

如果一切正常，你会看到GUI界面弹出，加载模型后会显示视频画面。这时候拿张停车场的图片或者视频试一下，检测框和置信度标签就会出现在画面上。

我在首次运行这种项目时通常还会做一个额外动作：先用单张图片测试推理链路通不通，再测视频流。如果模型加载后直接跑视频，万一GPU显存不足或者视频解码出错，报错信息会混杂在一起，不好排查。

3.3 自定义图片和视频检测

项目GUI界面里一般会提供"选择图片"和"选择视频"的入口。我建议测试时先用包含多个车辆角度、光线变化明显的图片集来验证模型泛化能力。如果只是跑通了没认真测，答辩现场演示翻车的概率极高，尤其是换了摄像头角度之后检测效果断崖式下跌，这种情况太常见了。

如果你想把系统接到自己的摄像头画面，找到代码里cv2.VideoCapture(0)这一行，把参数从0改成摄像头的设备ID即可。外接USB摄像头通常是1或2，笔记本自带摄像头是0。区分摄像头ID可以用这个简单脚本：

import cv2 for i in range(5): cap = cv2.VideoCapture(i) if cap.isOpened(): print(f"摄像头ID {i} 可用") cap.release()

4. 核心模块代码拆解与实现细节

4.1 模型推理模块：Detector类的设计

整个项目最核心的代码是模型推理模块。我在这个项目里最关心的就是它有没有把模型加载、预处理、推理、后处理封装得足够干净。封装得好的话，你可以直接在别的项目里复用这套推理逻辑。

典型的YOLO推理代码结构大致如下：

import torch import cv2 import numpy as np class VehicleDetector: def __init__(self, weights_path, conf_thres=0.25, iou_thres=0.45): self.model = torch.hub.load('ultralytics/yolov5', 'custom', path=weights_path, force_reload=False) self.model.conf = conf_thres # 置信度阈值 self.model.iou = iou_thres # NMS的IoU阈值 self.classes = ['vehicle'] # 本项目只检测车辆类别 def detect(self, frame): results = self.model(frame) detections = results.xyxy[0].cpu().numpy() # [x1, y1, x2, y2, conf, cls] return detections

需要注意的一个细节是：模型的输入尺寸默认是640×640，而你的视频流分辨率可能是1920×1080，所以内部会经过letterbox预处理。如果你在代码中看到了letterbox函数，这就是为了保持宽高比填充灰边再到640尺寸，防止目标变形影响检测效果。

实测下来，YOLOv5模型在640输入下推理一张图约耗时10-20ms（RTX 3060），加上后处理和GUI刷新，能稳定跑在25-30FPS左右，满足实时监控需求。

4.2 违停判定与告警逻辑：多帧确认机制

前面说过这个项目用了多帧确认机制，这个逻辑是区分"车辆检测系统"和"违停告警系统"的分水岭。它的典型实现方式是这样的：

class ParkingViolationDetector: def __init__(self, parking_zones, frame_threshold=15): self.parking_zones = parking_zones # 禁停区多边形坐标列表 self.frame_threshold = frame_threshold # 连续多少帧触发告警 self.candidate_vehicles = {} # 候选违停车辆，用车辆ID作为key self.alerted_vehicles = set() # 已告警的车辆ID集合 def update(self, detections): current_frame_candidates = [] for det in detections: x1, y1, x2, y2, conf, cls = det center_x = (x1 + x2) / 2 center_y = (y1 + y2) / 2 # 判断车辆中心点是否在任一禁停区域内 for zone in self.parking_zones: if cv2.pointPolygonTest(zone, (center_x, center_y), False) >= 0: current_frame_candidates.append((x1, y1, x2, y2)) break # 匹配上一帧的候选车辆位置，用IoU判断是不是同一辆 # 如果超过frame_threshold帧都匹配上，触发告警 ...

关于cv2.pointPolygonTest这个函数，它是OpenCV里判断点是否在多边形内的利器。返回值为正表示点在多边形内部，为负表示外部，为零表示在边界上。用这个函数来判定车辆中心点是否在禁停区，代码简洁、运行高效。

在告警触发后的动作，这个项目里包括三件事：在画面中用红色框和文字标出违停车辆、在GUI的告警日志表格中追加一条记录、将违规画面截屏保存到指定目录。如果你的需求需要外接短信或声光报警，在这个逻辑后面加调用即可。

4.3 评估指标曲线的生成逻辑

在项目压缩包的"评估指标曲线"相关文件夹里，通常会看到一些图像文件，常见的有train_loss.jpg、val_loss.jpg、P_curve.png、R_curve.png、PR_curve.png、mAP_curve.png等。这些是在训练过程中由验证集产生的，它们的作用不只是论文里放一张图，更是帮助你判断模型训练得健不健康。

判断标准我先帮你列好：

• loss曲线：训练集和验证集loss都应该在下降，如果训练集下降但验证集上升，说明过拟合了。
• P（精确率）：预测为正类的目标里有多少是对的。类不均衡数据集上P会虚高，不能只看这个指标。
• R（召回率）：所有正类目标里有多少被找出来了。如果R偏低，说明模型漏检严重，要降低置信度阈值。
• mAP@0.5：IoU阈值0.5下的平均精度，这是目标检测最常用的综合指标，0.7以上算及格，0.85以上算优秀。
• PR曲线：曲线越靠近右上角越好，曲线下面积就是AP值。

如果你想在测试集上重新生成这些曲线，项目里可能有val.py或者evaluate.py脚本。如果没找到，可以用ultralytics的YOLO工具包自带的val模式来跑：

python val.py --weights best.pt --data dataset.yaml

我实测经验是：这个项目的模型在车辆检测上的mAP一般在0.85-0.95之间，作为毕设展示已经完全够用了。如果你后续读了paper或自己加了数据做增量训练，可能冲到0.97以上，但边际收益已经很小，不如把精力放在告警逻辑的优化上。

4.4 GUI界面的核心交互流程

GUI界面是我比较看重的部分，因为答辩的时候评委最先接触到的就是界面。这个项目的GUI主要包含以下几个区域：

• 视频显示区：居中大画布，实时显示检测结果画面。
• 控制区：开始检测、停止检测、选择视频源、截图保存等按钮。
• 状态栏：显示系统运行状态、FPS、当前模型名称。
• 告警日志表格：记录告警时间、车辆位置、截图像素坐标等相关信息。

这里需要提一个实际工程问题：视频显示和模型推理不能放在同一个线程里。如果推理阻塞了GUI刷新，窗口就会卡死。项目的正确做法是使用QThread把推理线程和界面线程分离，推理完一帧通过信号发送给界面更新显示。如果你打开main.py发现推理和显示是串行执行的，即使能跑，画面也会一卡一卡的，尤其在CPU模式下尤其明显。

如果遇到卡顿问题，最简单的优化是跳帧处理——每两帧或者每三帧推理一次，中间帧直接显示上一帧的检测结果。这样能大幅提升界面流畅度，对告警准确率影响非常小。

5. 数据集构建与模型训练复现

5.1 数据标注与格式转换流程

如果你不想直接用现成权重，而是要自己复现整个训练过程，那你需要构建自己的数据集。常见做法有两种：

1. 用公开数据集：UA-DETRAC、BDD100K、Cityscapes里都有大量车辆标注数据，可以按需抽取。优点是标注精度高、覆盖场景广，缺点是和自己监控场景的视角可能不一致。
2. 自己采集标注：用手机或监控摄像头拍自己场景的照片，然后用LabelImg或Labelme标注。这个方案工作量大，但训练出的模型在目标场景上效果更好。

标注完成后，要把数据整理成YOLO格式，基本结构如下：

dataset/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 ├── labels/ │ ├── train/ # 对应的txt标注文件 │ └── val/ └── dataset.yaml # 数据集配置文件

YOLO格式的标注文件是每行一个目标的纯文本：class x_center y_center width height，所有坐标值都归一化到0-1之间。如果你用LabelImg标注是VOC格式（XML文件），需要写一个转换脚本，也可以用ultralytics仓库里提供的转换工具。

5.2 训练命令与超参数调优

数据准备好了之后，训练命令本身不复杂：

python train.py --data dataset.yaml --weights yolov5s.pt --epochs 100 --batch-size 16 --img 640

有几点经验分享：

• batch-size的选择：如果显存不够，不是无脑调小，而是要小到刚好放得下的位置。RTX 3060 12GB可用batch-size=16跑yolov5s，RTX 2080Ti可以跑batch-size=32，显存不够时模型缩小比降低batch-size效果更好。
• 学习率：默认0.01，训练前期注意观察loss变化。如果loss直接爆掉，降低到0.001再试。
• epochs：100轮对于车辆这种特征明显的大目标检测任务足够，做得过多容易过拟合。
• 预训练权重：用yolov5s.pt这种在COCO上预训练好的权重做初始化，可以大幅加速收敛。你不必从零训练，这在毕设时间有限的情况下非常重要。

整个训练过程在RTX 3060上大约需要2-4小时，取决于数据量大小。训练完成后，best.pt和last.pt会保存在runs/train/exp*/weights/目录下，把best.pt复制到项目根目录覆盖原模型文件即可完成模型替换。

5.3 数据增强策略：提升模型泛化能力

在数据不充足的情况下，数据增强是提高模型泛化能力最直接的手段。YOLO训练框架内置了Mosaic、随机翻转、HSV色域扰动、缩放平移等增强策略。这些不是花架子，而是实打实的涨点技巧。

对比实验我做过：在只有2000张车辆图片的情况下，关闭Mosaic的模型在测试集上的mAP掉了将近4个百分点。HSV扰动的作用同样明显，你能在傍晚黄昏和夜间场景下依然有不错的检测效果，主要是靠这个增强项。

自定义数据增强可以在train.py的hyp.yaml中调整参数，比如：

hsv_h: 0.015 # 色调扰动 hsv_s: 0.7 # 饱和度扰动 hsv_v: 0.4 # 明度扰动 degrees: 0.0 # 旋转角度 translate: 0.1 # 平移比例 scale: 0.5 # 缩放比例

如果你是白天场景的数据，建议把hsv_v调到0.5以上，模拟不同光照条件下的明暗变化，提升模型对光照的鲁棒性。

6. 常见问题与排查技巧实录

6.1 模型加载失败与CUDA报错

运行项目时最让人头大的就是CUDA环境问题，我帮人排查这类问题少说也有几十次了。典型报错有以下几种：

排查这些问题的思路是：先确认显卡驱动正常（终端运行nvidia-smi），再确认PyTorch能调用GPU（Python运行torch.cuda.is_available()）。如果这两个都通过，问题基本就锁定在依赖包版本冲突上，重装环境往往是最快解决路径。

6.2 实时检测卡顿与延迟问题

项目跑起来之后，实时画面如果卡成幻灯片，先别急着换显卡。按顺序排查：

1. 确认是否使用了GPU推理：打印model.device，如果是CPU就检查CUDA环境。
2. 是否开启推理线程：如果GUI主线程直接跑推理，会导致界面卡顿，改成QThread。
3. 视频源帧率不要太高：摄像头如果是60FPS，推理能力只有25FPS，可以设置隔帧处理。
4. 降低推理尺寸：把imgsz从640改成416，推理速度能提升将近一半，对车辆这种大目标来说精度损失很小。
5. 关闭不必要的显示更新：检测框绘制可以每5帧刷新一次，不用每帧都重绘整个画面。

我见过有人拿i5-8250U笔记本纯CPU跑这个项目，改完这些优化后也有8-10FPS的可用帧率，做演示是足够的。

6.3 误报漏报的调参思路

测试过程中误报漏报是难以避免的，下面是我的经验对照表：

• 频繁误报（把别的目标识别成违停车辆）：上调置信度阈值到0.4以上；检查禁停区域是否划得过大，边缘区域容易被误判；增加目标类别降低误检率。
• 漏报严重（该检出车辆没检出）：下调置信度阈值到0.15；检查模型推理尺寸是否过小导致小目标丢失；增加模型复杂度（从yolov5s换成yolov5m）。
• 告警触发太灵敏（车辆路过就告警）：增大连续帧阈值从15帧调到30帧；增加位移约束，如果车辆在连续帧中位置偏移超过一定像素，就判定为移动车辆不触发告警。
• 告警有延迟：减小连续帧阈值；提高帧处理速度，让视频流帧率跑上来。

调参是个互相妥协的过程，没有一套万金油参数能适配所有场景。我在项目中测试不同场景时，一般会在配置文件里预留几组预设参数，比如"白天模式""夜间模式""雨天模式"，用户可以在GUI里一键切换，这也是答辩时的一个亮点。

7. 项目优化方向与个人经验总结

7.1 加入车辆跟踪模块提升连续性

前面说的多帧确认方案本质上是轻量跟踪，但它无法区分两辆外观相似的车。如果你想把系统做得更严谨，可以加一个DeepSORT目标跟踪模块。实现思路是：在原有YOLO检测的基础上，给每个目标分配一个独立ID，然后通过卡尔曼滤波预测下一帧的位置，再用外观特征做匹配。这样做的好处是：

• 车辆身份稳定，不会因为短暂遮挡就丢失跟踪。
• 违停时间和次数可以精确统计，能输出"某辆车从14:23到15:01违停"这种结构化报告。
• 能区分"停车后挪动到另一个位置"这种复杂行为。

我实测过在yolov5基础上集成DeepSORT，推理耗时增加不到5ms，但系统能力上了个台阶。答辩时可以重点讲这个点，体现你对"除了检测之外，跟踪也很关键"有深层理解。

7.2 面向场景迁移的跨域适应

不同监控场景的光线、角度、摄像头畸变差异极大。在这个停车场训练的模型拿到学校门口用，效果可能会下降10%以上，这就是领域差异问题。想改善，除了收集更多目标场景的微调数据之外，还有一个技巧：把训练图片做随机透视变换和畸变模拟，让模型学会应对不同角度的摄像头视角。

另外，如果你有GPU资源，还可以尝试用域自适应方法——把源域（已有数据集）和目标域（实际监控截图）的特征分布拉近。不过这个方法对毕设而言会引入额外的复杂度和不可控因素，如果不是为了在论文里加创新点，我建议量力而行。

7.3 系统扩展：从检测到闭环管理

真正落地到实际场景，单纯的检测告警还不够，你可以扩展几个方向：

• 车牌识别联动：检测到违停后，通过另一个OCR模型（如PaddleOCR）识别车牌号，自动生成违章通知单。这个扩展自然且市场价值高，很多智慧停车项目就是这么做的。
• 告警消息推送：对接钉钉机器人、Server酱或者企业微信机器人，违停告警直接推送到管理者手机上。实现成本很低，一个HTTP请求的事。
• 长时间占用分析：结合跟踪模块统计每辆车的停留时长，划分"短暂停靠""长时间违停"两个等级，不同等级触发不同级别告警。

这些扩展本质上都是"检测+业务逻辑"，你可以根据自己的时间和精力选着做。在毕设答辩环节，"我做了检测之外还考虑了实际落地中的告警通知和扩展联动"，这种表述比"我用了YOLO"有说服力得多。

7.4 一些踩过坑后的体感分享

整个项目我从看到压缩包到彻底吃透，大概花了两天时间。中途遇到最折腾的问题是PyQt5在Windows上视频显示闪退，排查下来是OpenCV读取视频帧返回的Mat格式转换到QImage时，没有把BGR转RGB导致颜色通道对不上，加上窗口刷新没有加延时，CPU占用率直升100%。解决办法是转换前用cv2.cvtColor(img, cv2.COLOR_BGR2RGB)转色，再用QTimer控制刷新频率。

还有一次是模型在GPU上跑着跑着突然显存泄漏，

本文还有配套的精品资源，点击获取