基于YOLOv8的行人车辆识别系统,附代码

具体介绍：
软件：Pycharm+Anaconda
环境：python=3.9 opencv PyQt5 torch1.9

文件：环境、UI、模型训练文件，环境配置文档，测试图片视频，训练、测试及界面代码。
功能：基于深度学习的行人车辆检测计数系统，pyqt界面。能检测图像、视频并保存结果，展示目标位置、置信度等信息。可检测目标数目，支持摄像头实时检测、展示、记录与保存，能切换目标查看位置，提供数据集和训练代码用于重新训练。

基于YOLOv8的行人车辆识别系统可以高效地从图像或视频中检测出行人和车辆。下面将提供一个完整的指南，包括如何设置环境、加载模型以及使用YOLOv8进行行人和车辆的识别，并结合PyQt5创建一个简单的用户界面用于展示检测结果。

环境准备

首先，确保你的环境中安装了必要的库：

pip install ultralytics opencv-python pyqt5 numpy matplotlib

加载模型并进行预测

接下来，我们将创建一个简单的应用程序，允许用户上传图片，并使用YOLOv8模型来检测行人和车辆。

示例代码：行人车辆识别系统

import sys
import cv2
from PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QPushButton, QFileDialog, QVBoxLayout, QWidget
from PyQt5.QtGui import QPixmap, QImage
from PyQt5.QtCore import Qt
from ultralytics import YOLO


class PedestrianVehicleDetectionApp(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("行人车辆识别系统 - YOLOv8")
        self.setGeometry(100, 100, 800, 600)

        # 加载YOLOv8模型
        self.model = YOLO('yolov8n.pt')  # 可以替换为专门针对行人和车辆优化的模型路径

        self.initUI()

    def initUI(self):
        layout = QVBoxLayout()

        self.image_label = QLabel(self)
        self.image_label.setAlignment(Qt.AlignCenter)
        self.image_label.setStyleSheet("border: 1px solid black;")
        self.image_label.setFixedSize(760, 500)
        layout.addWidget(self.image_label)

        upload_button = QPushButton("上传图片", self)
        upload_button.clicked.connect(self.upload_image)
        layout.addWidget(upload_button)

        self.setLayout(layout)

        container = QWidget()
        container.setLayout(layout)
        self.setCentralWidget(container)

    def upload_image(self):
        file_name, _ = QFileDialog.getOpenFileName(self, "选择图片", "", "Image Files (*.png *.jpg *.jpeg)")
        if file_name:
            self.detect_and_show(file_name)

    def detect_and_show(self, image_path):
        results = self.model(image_path)  # 进行预测
        annotated_frame = results[0].plot()  # 获取绘制了边界框的图像

        # 将图像转换为QPixmap显示
        rgb_image = cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB)
        h, w, ch = rgb_image.shape
        bytes_per_line = ch * w
        qt_image = QImage(rgb_image.data, w, h, bytes_per_line, QImage.Format_RGB888)
        pixmap = QPixmap.fromImage(qt_image).scaled(
            self.image_label.width(), self.image_label.height(), Qt.KeepAspectRatio
        )
        self.image_label.setPixmap(pixmap)


if __name__ == "__main__":
    app = QApplication(sys.argv)
    window = PedestrianVehicleDetectionApp()
    window.show()
    sys.exit(app.exec_())

实时视频检测（可选功能）

如果你想实现从摄像头获取实时视频流并进行行人和车辆检测，可以在上述代码中添加如下方法，并在界面上增加相应的按钮来启动和停止视频捕捉。

def start_camera(self):
    cap = cv2.VideoCapture(0)
    while True:
        ret, frame = cap.read()
        if not ret:
            break

        results = self.model(frame)
        annotated_frame = results[0].plot()

        cv2.imshow("Real-time Detection", annotated_frame)

        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

    cap.release()
    cv2.destroyAllWindows()

然后，在GUI初始化部分添加一个按钮来触发这个方法：

camera_button = QPushButton("开启摄像头检测", self)
camera_button.clicked.connect(self.start_camera)
layout.addWidget(camera_button)

总结

通过上述步骤，我们创建了一个基本的行人车辆识别系统，它可以对上传的图片进行分析，并使用YOLOv8模型检测其中的行人和车辆。此外，还提供了扩展到实时视频检测的功能。根据具体需求，你可以进一步优化和扩展这个系统，例如加入更多种类的对象识别、提高检测精度、优化性能等。这对于智能交通系统、安防监控等领域具有重要意义。