??本文采用YOLOv8作為核心算法框架，結(jié)合PyQt5構(gòu)建用戶界面，使用Python3進行開發(fā)。YOLOv8以其高效的實時檢測能力，在多個目標檢測任務(wù)中展現(xiàn)出卓越性能。本研究針對道路裂縫數(shù)據(jù)集進行訓(xùn)練和優(yōu)化，該數(shù)據(jù)集包含豐富的道路裂縫圖像樣本，為模型的準確性和泛化能力提供了有力保障。通過深度學(xué)習(xí)技術(shù)，模型能夠自動提取道路裂縫的特征并進行分類識別。PyQt5界面設(shè)計簡潔直觀，便于用戶操作和實時查看檢測結(jié)果。本研究不僅提高了道路裂縫識別的自動化水平，還為醫(yī)療系統(tǒng)的構(gòu)建提供了有力支持，具有重要的理論應(yīng)用價值。

---

研究背景

??道路裂縫識別研究的背景主要有以下幾方面：

1.前言

1.1 YOLO 系列：目標檢測領(lǐng)域的璀璨明星

??在實時目標檢測的算法星空中，YOLO 系列無疑是最為耀眼的星座之一。從 YOLOv5 到 YOLOv8，每一次的迭代都宛如一次華麗的蛻變，在性能、速度與準確度上實現(xiàn)了跨越式的提升。YOLOv8，作為這一系列的最新杰作，憑借其更為深邃復(fù)雜的網(wǎng)絡(luò)架構(gòu)以及精妙絕倫的訓(xùn)練技巧，將檢測的準確性與速度推向了新的高峰。尤其在應(yīng)對動態(tài)視頻流中的道路裂縫檢測任務(wù)時，它宛如一位技藝精湛的舞者，展現(xiàn)出了令人贊嘆的卓越性能。這些顯著的改進，如同強大的引力，使得 YOLO 系列在道路裂縫檢測領(lǐng)域的應(yīng)用版圖不斷拓展，愈發(fā)完美地契合了實時性與準確性的雙重嚴苛要求。
多元算法共筑道路裂縫標志檢測的堅實堡壘
??除了光芒四射的 YOLO 系列，其他深度學(xué)習(xí)算法，諸如 Faster R - CNN、SSD 以及基于 Transformer 的 DETR 等，也紛紛在道路裂縫佩戴檢測的舞臺上嶄露頭角。它們各具獨特的優(yōu)勢，恰似一群才華橫溢的藝術(shù)家，在不同的領(lǐng)域綻放光彩。Faster R - CNN 以其在檢測精度上的非凡表現(xiàn)，猶如一位精雕細琢的工匠，刻畫著每一個細節(jié)；而 SSD 則在速度方面具備明顯優(yōu)勢，恰似一陣疾風(fēng)，迅速而敏捷。最新的研究恰似一場永不停歇的探索之旅，不斷挖掘這些算法的改進版本，力求在速度與準確性之間找到那最為完美的平衡點，如同在鋼絲上尋找平衡的舞者，追求極致的和諧。

1.2 Transformer與注意力機制：為目標檢測注入新活力

??Transformer 在視覺任務(wù)中的應(yīng)用，猶如一顆璀璨的新星劃破夜空，吸引了廣泛的關(guān)注，其中視覺 Transformer（ViT）更是備受矚目。ViT 通過巧妙引入自注意力機制，仿佛為模型賦予了一雙敏銳的眼睛，能夠精準捕捉圖像中的長距離依賴關(guān)系，這在中國道路裂縫形態(tài)復(fù)雜多樣且背景紛繁復(fù)雜的情況下，顯得尤為關(guān)鍵。相較于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)（CNN），ViT 在處理圖像全局信息時展現(xiàn)出了更為卓越的能力，如同一位宏觀把控的大師，為中國道路裂縫檢測開辟了一片嶄新的天地，提供了全新的解決思路。
注意力機制，作為 Transformer 的核心瑰寶，已如同星星之火，在各種深度學(xué)習(xí)模型中形成燎原之勢，在中國道路裂縫檢測領(lǐng)域更是大放異彩。它賦予了模型對圖像特定部分的 “專注” 能力，如同為模型戴上了一副神奇的眼鏡，使其能夠在復(fù)雜的背景或多變的中國道路裂縫形態(tài)中，依然清晰地定位并準確識別目標，即便在干擾信息如潮水般涌來的環(huán)境中，也能穩(wěn)如泰山，保持較高的檢測準確率。

1.3 道路裂縫檢測技術(shù)：迎接挑戰(zhàn)，砥礪前行

當(dāng)前，中國道路裂縫檢測技術(shù)正置身于充滿挑戰(zhàn)的浪潮之中，亟待提高檢測的實時性、準確性以及在多變環(huán)境下的適應(yīng)性，如同在波濤洶涌的大海中航行的船只，需要不斷調(diào)整航向，迎接風(fēng)浪的挑戰(zhàn)。為了跨越這些難關(guān)，研究人員們宛如勇敢的探險家，不斷探索新的算法和技術(shù)。例如，通過深度學(xué)習(xí)模型的輕量化設(shè)計，如同為船只減輕負重，提高算法的運行效率，使其在復(fù)雜的環(huán)境中更加靈活敏捷；利用創(chuàng)新的數(shù)據(jù)增強技術(shù)和自適應(yīng)學(xué)習(xí)方法，仿佛為船只加固船身，提升模型的泛化能力和魯棒性，使其能夠在各種未知的海域中穩(wěn)健前行。

1.4 YOLOv8算法在道路裂縫檢測系統(tǒng)中的精彩演繹

??本博客致力于基于 YOLOv8 算法構(gòu)建一個道路裂縫檢測系統(tǒng)，并全方位展示其魅力。我們將呈現(xiàn)系統(tǒng)精致的界面效果，如同揭開一幅美麗畫卷，讓您領(lǐng)略其獨特風(fēng)采；深入闡述其算法原理，恰似探秘一座神秘城堡，為您揭示其中的奧秘；毫無保留地提供代碼實現(xiàn)，仿佛為您遞上一把開啟知識寶庫的鑰匙；詳細分享該系統(tǒng)的實現(xiàn)過程，如同陪伴您走過一段精彩旅程，讓您親身體驗其中的艱辛與喜悅。希望本博客的傾心分享能如同一盞明燈，為讀者照亮前行的道路，給予您深刻的啟示，進而推動更多相關(guān)研究的蓬勃發(fā)展。本文的核心內(nèi)容主要涵蓋以下幾個方面：

1. YOLOv8 算法的卓越應(yīng)用與性能對比
   ??本文不僅詳細介紹了基于 YOLOv8 算法的中國道路裂縫檢測系統(tǒng)的構(gòu)建歷程，如同講述一個精彩的創(chuàng)業(yè)故事，而且還深入細致地比較了 YOLOv7、YOLOv6、YOLOv5 等早期版本的性能差異，仿佛展開一場激烈的武林高手對決。這一全面深入的比較研究，恰似一本權(quán)威的指南，為中國道路裂縫檢測技術(shù)的選型提供了堅實有力的參考依據(jù)。特別是 YOLOv8 算法在效率和精準度方面所展現(xiàn)出的顯著優(yōu)勢，猶如一座明亮的燈塔，為 道路裂縫檢測指明了一條更為高效、更為準確的技術(shù)路徑。
2. PyQt5 打造的友好用戶界面
   ??通過 Python 的 PyQt5 庫精心打造的道路裂縫檢測系統(tǒng)，不僅具備高效卓越的檢測能力，如同一位內(nèi)功深厚的武林高手，更提供了直觀便捷、令人賞心悅目的用戶操作界面，仿佛為用戶搭建了一座溫馨的家園。這種貼心的設(shè)計，使得道路裂縫檢測變得更加親切友好，如同一位熱情好客的主人，有助于廣泛推廣 YOLOv8 算法的應(yīng)用，同時也為道路裂縫檢測技術(shù)的普及和實用化注入了強大的動力，如同春風(fēng)化雨，滋潤著這片技術(shù)的田野。
3. YOLOv8 模型的深度研究與性能剖析
   ??本文不僅在實踐中應(yīng)用了 YOLOv8 算法，更對其性能進行了全方位、深層次的評估和分析，如同對一件珍貴的藝術(shù)品進行細致入微的鑒賞。我們深入研究了包括精準度、召回率等關(guān)鍵指標，宛如揭開了一幅神秘畫卷的每一個細節(jié)，以及模型在不同環(huán)境條件下的表現(xiàn)，仿佛探索一片未知的森林，每一個角落都不放過。這些深入的研究成果，為全面理解 YOLOv8 算法的性能提供了一個細致入微的視角，如同為觀察者配備了一臺高倍顯微鏡，讓每一個細微之處都清晰可見。同時，也為算法的進一步優(yōu)化和改進鋪就了堅實的道路，如同為建筑者準備了充足的磚石，助力構(gòu)建更加宏偉的技術(shù)大廈。
4. 提供完整的數(shù)據(jù)集和代碼資源包
   ??為了大力促進道路裂縫檢測技術(shù)的學(xué)習(xí)與應(yīng)用，本文慷慨地提供了一套完整的數(shù)據(jù)集和代碼資源包，如同為求知者送上了一份珍貴的禮物。這些寶貴的資源，不僅為讀者復(fù)現(xiàn)文中的實驗結(jié)果提供了便利，如同為旅行者提供了詳細的地圖，讓他們能夠順利到達目的地；更為基于 YOLOv8/v7/v6/v5 算法的道路裂縫檢測系統(tǒng)的進一步研究和開發(fā)提供了不可或缺的寶貴素材，仿佛為建筑師提供了豐富的建筑材料，激發(fā)他們創(chuàng)造出更加精彩的作品。

2.道路裂縫數(shù)據(jù)集介紹

??道路裂縫數(shù)據(jù)集包含1種常見類別，即裂縫缺陷，在數(shù)據(jù)預(yù)處理階段，采取了幾項關(guān)鍵步驟以確保數(shù)據(jù)集的質(zhì)量。首先，所有圖像都經(jīng)過了自動方向校正。接著，所有圖像都被統(tǒng)一調(diào)整至640x640像素，通過拉伸的方式來適配這一分辨率。

3.界面效果演示

3.1 圖像測試

3.2 視頻測試

3.3 攝像頭測試

3.4 環(huán)境配置安裝教程與資源說明

離線安裝配置文件說明

4. YOLOV8 原理

??YOLOV8是YOLO系列另一個SOTA模型，該模型是相對于YOLOV5進行更新的。其主要結(jié)構(gòu)如下圖所示：

??從圖中可以看出，網(wǎng)絡(luò)還是分為三個部分： 主干網(wǎng)絡(luò)（backbone），特征增強網(wǎng)絡(luò)(neck)，檢測頭(head) 三個部分。
??主干網(wǎng)絡(luò)： 依然使用CSP的思想，改進之處主要有：1、YOLOV5中的C3模塊被替換成了C2f模塊；其余大體和YOLOV5的主干網(wǎng)絡(luò)一致。
??特征增強網(wǎng)絡(luò)： YOLOv8使用PA-FPN的思想，具體實施過程中將YOLOV5中的PA-FPN上采樣階段的卷積去除了，并且將其中的C3模塊替換為了C2f模塊。
??檢測頭：區(qū)別于YOLOV5的耦合頭，YOLOV8使用了Decoupled-Head

??其它更新部分：
??1、摒棄了之前anchor-based的方案，擁抱anchor-free思想。
??2、損失函數(shù)方面，分類使用BCEloss，回歸使用DFL Loss+CIOU Loss
??3、標簽分配上Task-Aligned Assigner匹配方式

5 模型訓(xùn)練

模型訓(xùn)練主要分為如下幾步：

5.1 Conda環(huán)境構(gòu)建

??新人安裝Anaconda環(huán)境可以參考博主寫的文章Anaconda3與PyCharm安裝配置保姆教程

5.2 基礎(chǔ)環(huán)境構(gòu)建

??新人安裝PyTorch GPU版本可以參考博主寫的文章基于conda的PyTorch深度學(xué)習(xí)框架GPU安裝教程

5.3 安裝YOLOv8環(huán)境

conda create -n yolov8 python=3.8
conda activate yolov8
pip install ultralytics

5.4 構(gòu)建道路裂縫檢測模型

??道路裂縫檢測系統(tǒng)，分別為

 {0: '裂縫'}

??道路裂縫數(shù)據(jù)集訓(xùn)練集一共3000張，驗證集150張，標注格式采用yolo格式組織

	imagestrainimage1.jpgimage2.jpg...valimage11.jpgimage22.jpg...labelstrainimage1.txtimage2.txt...valimage11.txtimage22.txt...

??我們開啟訓(xùn)練之旅的第一步是導(dǎo)入一系列不可或缺的模塊，其中涵蓋了 os 模塊，它猶如一把萬能鑰匙，為我們處理各種文件路徑相關(guān)的操作提供了便利；torch 模塊恰似一臺強大的引擎，助力我們高效地執(zhí)行各類數(shù)值計算任務(wù)；yaml 模塊則如同一位精準的翻譯官，能夠幫助我們輕松解析配置文件中的各種信息；還有專門的 YOLO 類，它是我們構(gòu)建模型的關(guān)鍵基石，為實例化模型奠定了基礎(chǔ)。
??緊接著，我們著手確定訓(xùn)練過程所依托的計算設(shè)備。在這個環(huán)節(jié)中，我們秉持優(yōu)先選擇的策略，將目光聚焦于 GPU（cuda:0），因為它具備強大的并行計算能力，能夠極大地加速訓(xùn)練過程。然而，若 GPU（cuda:0）不可用，我們也做好了充分的應(yīng)對準備，即退而求其次，選擇使用 CPU 來繼續(xù)我們的訓(xùn)練任務(wù)。盡管 CPU 的計算速度相對較慢，但它依然能夠確保訓(xùn)練工作的順利進行，為我們的研究提供持續(xù)的支持。

import os
import torch
import yaml
from ultralytics import YOLO  # 導(dǎo)入YOLO模型
device = "cuda:0" if torch.cuda.is_available() else "cpu"

??接下來，我們對一些基本的訓(xùn)練參數(shù)進行了設(shè)定，其中包括工作進程數(shù)以及批次大小。隨后，明確了數(shù)據(jù)集的名稱與路徑，并且借助 abs_path 函數(shù)獲取到了配置文件的絕對路徑。這樣做能夠保證在不同的運行環(huán)境下路徑具有一致性，同時也提升了代碼的可移植性。

workers = 1
batch = 8data_name = "roadCrack"
data_path = abs_path(f'datasets/{data_name}/{data_name}.yaml', path_type='current')  # 數(shù)據(jù)集的yaml的絕對路徑
unix_style_path = data_path.replace(os.sep, '/')# 獲取目錄路徑
directory_path = os.path.dirname(unix_style_path)')

??在加載數(shù)據(jù)配置文件之前，必須先讀取并解析 YAML 格式的配置文件。這一環(huán)節(jié)極為重要，原因在于該配置文件中涵蓋了訓(xùn)練過程所需的關(guān)鍵信息，例如類別標簽以及數(shù)據(jù)集路徑等等。我們對配置文件中的“path”鍵值進行修改，以此確保模型能夠準確無誤地找到訓(xùn)練和驗證數(shù)據(jù)。

# 讀取YAML文件，保持原有順序
with open(data_path, 'r') as file:data = yaml.load(file, Loader=yaml.FullLoader)
# 修改path項
if 'path' in data:data['path'] = directory_path# 將修改后的數(shù)據(jù)寫回YAML文件with open(data_path, 'w') as file:yaml.safe_dump(data, file, sort_keys=False)

??接著，我們加載了預(yù)先訓(xùn)練好的 YOLOv8 模型，進而開啟了訓(xùn)練進程。YOLO 類的 train 方法接納了眾多參數(shù)，其中有數(shù)據(jù)路徑、設(shè)備、工作進程數(shù)、輸入圖像的尺寸、訓(xùn)練周期以及批次大小。在此處，name參數(shù)為訓(xùn)練任務(wù)賦予了標識，便于后續(xù)進行追蹤與分析。

model = YOLO(abs_path('./weights/yolov8s.pt'), task='detect')  # 加載預(yù)訓(xùn)練的YOLOv8模型
results = model.train(  # 開始訓(xùn)練模型data=data_path,  # 指定訓(xùn)練數(shù)據(jù)的配置文件路徑workers=0,  imgsz=640,  # 指定輸入圖像的大小為640x640epochs=100,  # 指定訓(xùn)練100個epochbatch=batch,  # 指定每個批次的大小為8name='train_v8_' + data_name  # 指定訓(xùn)練任務(wù)的名稱
)

??訓(xùn)練50個epoch輸出如下

??在目標檢測領(lǐng)域，對訓(xùn)練過程中的損失函數(shù)展開分析可謂至關(guān)重要。這是因為它不但能夠反映出模型的學(xué)習(xí)狀況，還能指示出模型性能或許存在的問題。
??首先，從訓(xùn)練和驗證的損失圖當(dāng)中能夠看出，伴隨訓(xùn)練進程的不斷推進，train/box_loss、train/cls_loss 以及 train/obj_loss 皆呈現(xiàn)出下降的態(tài)勢，這表明模型在學(xué)習(xí)的過程里逐漸對訓(xùn)練數(shù)據(jù)進行擬合，并且在邊界框定位、類別分類以及目標檢測方面的表現(xiàn)持續(xù)改進。相應(yīng)地，驗證損失 val/box_loss、val/cls_loss 和 val/obj_loss 盡管波動較大，然而總體上也顯現(xiàn)出下降的趨勢，這意味著模型對未曾見過的數(shù)據(jù)的泛化能力正在增強。

??在性能指標這一方面，metrics/precision、metrics/recall、metrics/mAP50 以及 metrics/mAP50 - 95 的圖表展現(xiàn)出了模型性能的穩(wěn)步上升。準確率（Precision）與召回率（Recall）隨著訓(xùn)練周期的增加而不斷增長，這就意味著模型在識別正樣本方面變得更為精確，同時也能夠回收更多的正樣本。mAP（mean Average Precision）屬于目標檢測中極為重要的評估指標之一，metrics/mAP50 和 metrics/mAP50 - 95 的提升表明模型針對不同 IoU 閾值的檢測性能均在提高。mAP50 是指在 IoU 為 0.5 時的平均精度，而 mAP50 - 95 則表示在 IoU 從 0.5 到 0.95 不同閾值下的平均精度，它能夠更為全面地反映出模型在各種重疊度下的表現(xiàn)。觀察到這些指標的穩(wěn)步提升，便可以說明模型在整個訓(xùn)練過程中的表現(xiàn)是在持續(xù)優(yōu)化的。

??在機器學(xué)習(xí)領(lǐng)域當(dāng)中，F1 分數(shù)是一個極為關(guān)鍵的性能指標，它對模型的準確率和召回率進行了綜合考慮，為我們提供了有關(guān)模型分類性能的全面視角。這個指標尤其適用于正負樣本分布不平衡的情況，能夠助力我們理解模型在檢測難以區(qū)分的類別時的具體表現(xiàn)。

6 系統(tǒng)實現(xiàn)

6.1架構(gòu)設(shè)計

?? MainWindow 類的核心目標是打造一個用戶友好的交互式中國道路裂縫檢測系統(tǒng)。為了達成這一目標，采用了將界面、媒體處理與模型進行集成的設(shè)計理念。通過對象組合的手段，把不同的處理器和模型整合在一起，使得每個功能模塊都可以獨立運作。與此同時，還運用信號和槽機制來實現(xiàn)模塊之間的交互以及數(shù)據(jù)的傳遞。
?? 我們的系統(tǒng)設(shè)計理念以三層架構(gòu)作為核心，分別是處理層、界面層以及控制層。在系統(tǒng)設(shè)計過程中，我們將重點置于確保各個組件能夠協(xié)同運作的同時，保持充分的模塊獨立性，以便于未來進行維護和升級。

?? 處理層（Processing Layer）：通過運用模塊化的處理層，我們對 YOLOv8Detector 類所實現(xiàn)的深度學(xué)習(xí)模型予以封裝。如此一來，圖像處理與目標檢測的復(fù)雜性對于其他系統(tǒng)組件而言是不可見的。這種封裝不但提升了系統(tǒng)的可靠性，還使得未來替換或升級模型變得更為容易。

?? 界面層（UI Layer）：在界面層方面，我們借助 PyQt5 庫構(gòu)建出一套完整的用戶界面，提供了直觀的操作按鈕、狀態(tài)標簽以及實時的圖像顯示。該界面不但能夠?qū)τ脩舻牟僮髯龀鲰憫?yīng)，還能實時反饋模型的檢測結(jié)果，進而提高用戶的操作便利性與系統(tǒng)的交互性。界面的設(shè)計目標在于降低用戶的學(xué)習(xí)曲線，即便是沒有技術(shù)背景的用戶也能夠輕松掌握。

?? 控制層（Control Layer）：控制層是連接用戶界面與后端處理模塊的橋梁。在這一層中，MainWindow 類肩負著響應(yīng)用戶交互、控制視頻流處理以及展示模型預(yù)測結(jié)果的重任。通過信號和槽機制，我們能夠?qū)⒂脩舻牟僮鬓D(zhuǎn)化為系統(tǒng)的響應(yīng)，例如啟動和停止視頻流、調(diào)整檢測設(shè)置等。這樣的設(shè)計不僅提高了系統(tǒng)反應(yīng)的及時性，還增強了用戶的控制感。

6.2 系統(tǒng)流程

??當(dāng)用戶啟動我們的應(yīng)用程序時，系統(tǒng)會首先對 MainWindow 類進行實例化。該類不但負責(zé)初始化用戶界面，設(shè)定窗口大小以及展示區(qū)域，還會準備好后續(xù)處理所需的各類參數(shù)。用戶界面作為與系統(tǒng)交互的重要橋梁，為用戶提供了選擇視頻輸入源的機會。輸入源的靈活性可謂此系統(tǒng)的一大亮點，用戶能夠選擇實時視頻流、預(yù)錄視頻文件或者單張圖片作為檢測的媒介。

??一旦輸入源被用戶選定，系統(tǒng)就會開始調(diào)用內(nèi)置的媒體處理器來進行數(shù)據(jù)的讀取與處理。這個過程涵蓋了攝像頭的實時捕獲設(shè)置、視頻文件的解碼讀取以及圖像數(shù)據(jù)的加載至內(nèi)存等環(huán)節(jié)。這些環(huán)節(jié)均是自動進行的，無需用戶進行手動配置，充分彰顯了智能化的設(shè)計理念。

??接下來，系統(tǒng)將進入連續(xù)的處理循環(huán)，持續(xù)對實時獲取的幀數(shù)據(jù)進行分析。在預(yù)處理階段，系統(tǒng)會通過一系列的圖像處理技術(shù)，例如縮放、色彩轉(zhuǎn)換等，讓每幀圖像符合 YOLOv8 模型的輸入標準。這一步驟對于提升模型的識別效率與準確度起著至關(guān)重要的作用。

??緊接著，經(jīng)過預(yù)處理的圖像會被送入經(jīng)過訓(xùn)練的 YOLOv8 模型進行實時檢測。模型能夠快速地在圖像中定位中國道路裂縫，并對它們進行分類，其結(jié)果將用于后續(xù)的界面更新。我們的系統(tǒng)設(shè)計允許在用戶界面上實時顯示檢測框，標注目標類別，并在界面上實時展示檢測的統(tǒng)計數(shù)據(jù)。這種即時的反饋為用戶提供了清晰的視覺指引，有助于他們了解當(dāng)前環(huán)境的安全狀況。

6.3 代碼實現(xiàn)

??在現(xiàn)代計算機視覺領(lǐng)域中，把深度學(xué)習(xí)模型應(yīng)用于實時圖像處理任務(wù)已然成為一項關(guān)鍵技術(shù)。在本博客里，我們會詳細闡述如何運用 YOLOv8 算法，并結(jié)合 PyQt5 來創(chuàng)建一個實時目標檢測系統(tǒng)。這個系統(tǒng)能夠在視頻流中識別并標注特定對象，比如道路裂縫檢測。

（1）引入必要的庫：

??首先，系統(tǒng)的構(gòu)建從導(dǎo)入必要的 Python 模塊開始。sys 模塊是 Python 內(nèi)置的模塊，它提供了諸多與 Python 解釋器緊密相關(guān)的功能。例如，sys.argv 可用于獲取命令行參數(shù)，這在啟動應(yīng)用程序時非常重要。time 模塊允許我們獲取當(dāng)前時間，這對于性能評估以及監(jiān)控推理時間起著至關(guān)重要的作用。OpenCV 庫（cv2）是圖像處理的核心，它提供了一系列強大的功能來捕捉和處理圖像數(shù)據(jù)。

import cv2
import numpy as np
from PyQt5.QtCore import QTimer, Qt, pyqtSignal, QThread
from PyQt5.QtGui import QImage, QPixmap, QPalette
from PyQt5.QtWidgets import QMainWindow, QFileDialog, QDesktopWidgetfrom ui_mainwindow import Ui_MainWindow
from utils import image_read_from_chinese_pathfrom ultralytics import YOLO

（2）設(shè)置主窗口：

??構(gòu)建用戶界面（UI）是實現(xiàn)系統(tǒng)的關(guān)鍵一步。我們借助 PyQt5 庫構(gòu)建了圖形用戶界面。QMainWindow 作為我們窗口的基類，為展示處理后的圖像提供了一個畫布。

class MyMainWindow(QMainWindow):def __init__(self, parent=None):# 調(diào)用父類構(gòu)造函數(shù)，創(chuàng)建窗體super().__init__(parent)# 創(chuàng)建UI對象self.ui = Ui_MainWindow()# 構(gòu)造UI界面self.ui.setupUi(self)self.set_centre()self.image_file_path = None

（3）初始化模型

self.model = YOLO('./weights/best.pt')     

（4）界面信號槽綁定

self.ui.comboBox_source.currentIndexChanged.connect(self.comboBox_source_slot)self.ui.toolButton_fileOpen.clicked.connect(self.toolButton_fileOpen_slot)
self.ui.pushButton_infer.clicked.connect(self.pushButton_infer_slot)
self.ui.pushButton_infer_stop.clicked.connect(self.pushButton_infer_stop_slot)
self.ui.doubleSpinBox_conf.valueChanged.connect(self.doubleSpinBox_conf_slot)
self.ui.horizontalSlider_conf.valueChanged.connect(self.horizontalSlider_conf_slot)self.ui.doubleSpinBox_iou.valueChanged.connect(self.doubleSpinBox_iou_slot)
self.ui.horizontalSlider_iou.valueChanged.connect(self.horizontalSlider_iou_slot)

（5）圖像顯示

@staticmethod
def show_image(img_src, label):try:# img_src = cv2.resize(img_src, None, fx=0.5, fy=0.5)ih, iw, _ = img_src.shapew = label.geometry().width()h = label.geometry().height()# 保持縱橫比# 找出長邊if iw > ih:scal = w / iwnw = wnh = int(scal * ih)img_src_ = cv2.resize(img_src, (nw, nh))else:scal = h / ihnw = int(scal * iw)nh = himg_src_ = cv2.resize(img_src, (nw, nh))frame = cv2.cvtColor(img_src_, cv2.COLOR_BGR2RGB)img = QImage(frame.data, frame.shape[1], frame.shape[0], frame.shape[2] * frame.shape[1],QImage.Format_RGB888)label.setPixmap(QPixmap.fromImage(img))except Exception as e:print(repr(e))

總結(jié)與展望

??在本博客當(dāng)中，我們對一個基于YOLOv8 模型的實時道路裂縫檢測系統(tǒng)進行了詳細的介紹。該系統(tǒng)采用模塊化的設(shè)計方式，充分運用了合理的架構(gòu)設(shè)計，從而具備良好的可維護性與可擴展性。它的用戶界面十分友好，能夠?qū)崟r展示道路裂縫檢測和識別的結(jié)果。

??此系統(tǒng)支持攝像頭、視頻、圖像以及批量文件等多種輸入源，能夠滿足用戶在不同場景下的需求。后續(xù)可以添加更多的預(yù)訓(xùn)練模型，以增加檢測和識別的種類；對用戶界面進行優(yōu)化，增強個性化設(shè)置；并且積極傾聽用戶反饋，期望不斷改進系統(tǒng)，從而更好地滿足用戶的需求。

結(jié)束語

?? 由于博主能力有限，博文中提及的方法即使經(jīng)過試驗，也難免會有疏漏之處。希望您能熱心指出其中的錯誤，以便下次修改時能以一個更完美更嚴謹?shù)臉幼?#xff0c;呈現(xiàn)在大家面前。同時如果有更好的實現(xiàn)方法也請您不吝賜教。