基于YOLO算法的道路障碍物检测系统，支持PyQt5、PySide6等多种界面

基于YOLO的道路障碍物检测系统项目

算法:yolov5/v8/v10/11/12/26
系统：pyqt5/pyside6/streamlit/flask

yolo格式，包含10类目标共3800张图像，已划分训练集和验证集，可以直接用
文件 环境配置文档 测试图片、视频 测试代码 界面代码
配置好环境可直接使用，运行效果见图像

，文件 环境配置文档 测试图片 测试代码 界面代码
项目介绍：
算法：YOLOv8/v10/11/12/26
软件：Pycharm/vscode
环境：anaconda Python
文件：项目代码 数据集 环境文件 UI文件
功能：在界面中选择各种图片，可以是自己在路边拍摄的图片，可以选择视频，可以调用摄像头，进行道路障碍物，检测速度快，检测精度高。

基于YOLO算法的道路障碍物检测系统，支持PyQt5、PySide6等多种界面框架。基于YOLOv8和PyQt5的完整构建代码。

🚧 道路障碍物检测系统关键词表

💻 系统构建详细代码

本代码实现了基于YOLOv8和PyQt5的完整图形用户界面系统。

环境准备

在运行代码前，请确保已安装必要的库：

pipinstallPyQt5 opencv-python ultralytics matplotlib

完整代码

将以下代码保存为main.py。请确保你有一个训练好的模型权重文件（例如best.pt），或者修改代码中的MODEL_PATH指向你下载的官方模型（如yolov8n.pt）。

importsysimportcv2importtorchfromPyQt5.QtWidgetsimport(QApplication,QMainWindow,QLabel,QPushButton,QVBoxLayout,QWidget,QFileDialog,QMessageBox,QHBoxLayout)fromPyQt5.QtGuiimportQImage,QPixmapfromPyQt5.QtCoreimportQt,QTimerfromultralyticsimportYOLO# ================= 配置区域 =================# 请在此处加载你的训练好的模型权重# 如果没有训练好的模型，可以使用 'yolov8n.pt' 进行测试，但效果不如专用数据集训练的模型MODEL_PATH='best.pt'# 类别名称 (根据你的数据集定义，这里根据图片图例填写)CLASS_NAMES=['cones','barrier','Signboards','Rockfall','tire','SpeedBump','ImpactAttenuator','Pothole','Barricade','Traffic_Delineator_Post']classRoadObstacleDetection(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle("基于YOLO的道路障碍物检测系统")self.setGeometry(100,100,1000,700)# 加载模型try:self.model=YOLO(MODEL_PATH)exceptExceptionase:QMessageBox.critical(self,"错误",f"无法加载模型:{e}\n请检查 MODEL_PATH 是否正确。")sys.exit()# 视频捕获对象self.cap=Noneself.timer=QTimer()self.timer.timeout.connect(self.update_frame)self.init_ui()definit_ui(self):# 主布局central_widget=QWidget(self)self.setCentralWidget(central_widget)layout=QVBoxLayout(central_widget)# 图像显示区域self.image_label=QLabel(self)self.image_label.setFixedSize(800,500)self.image_label.setStyleSheet("background-color: #000000; border: 1px solid #333;")self.image_label.setAlignment(Qt.AlignCenter)layout.addWidget(self.image_label,alignment=Qt.AlignCenter)# 按钮区域btn_layout=QHBoxLayout()self.btn_image=QPushButton("检测图片",self)self.btn_image.clicked.connect(self.detect_image)btn_layout.addWidget(self.btn_image)self.btn_video=QPushButton("检测视频",self)self.btn_video.clicked.connect(self.detect_video)btn_layout.addWidget(self.btn_video)self.btn_camera=QPushButton("开启摄像头",self)self.btn_camera.clicked.connect(self.detect_camera)btn_layout.addWidget(self.btn_camera)self.btn_stop=QPushButton("停止",self)self.btn_stop.clicked.connect(self.stop_detection)self.btn_stop.setStyleSheet("background-color: #ff4d4d; color: white;")btn_layout.addWidget(self.btn_stop)layout.addLayout(btn_layout)defprocess_frame(self,frame):"""使用YOLO模型进行推理并绘制结果"""# 推理results=self.model(frame)# 绘制结果# results[0].plot() 会自动绘制边界框和标签annotated_frame=results[0].plot()returnannotated_framedefupdate_frame(self):ifself.cap:ret,frame=self.cap.read()ifret:# 处理帧processed_frame=self.process_frame(frame)# 转换为Qt格式显示self.display_image(processed_frame)else:# 视频播放结束self.stop_detection()defdisplay_image(self,img):"""将OpenCV图像转换为QImage并显示"""rgb_image=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)h,w,ch=rgb_image.shape bytes_per_line=ch*w convert_to_Qt_format=QImage(rgb_image.data,w,h,bytes_per_line,QImage.Format_RGB888)p=convert_to_Qt_format.scaled(self.image_label.width(),self.image_label.height(),Qt.KeepAspectRatio)self.image_label.setPixmap(QPixmap.fromImage(p))defdetect_image(self):options=QFileDialog.Options()file_name,_=QFileDialog.getOpenFileName(self,"选择图片","","Images (*.png *.xpm *.jpg *.bmp);;All Files (*)",options=options)iffile_name:img=cv2.imread(file_name)ifimgisnotNone:processed_img=self.process_frame(img)self.display_image(processed_img)else:QMessageBox.warning(self,"错误","无法读取图片文件")defdetect_video(self):options=QFileDialog.Options()file_name,_=QFileDialog.getOpenFileName(self,"选择视频","","Videos (*.mp4 *.avi *.mov);;All Files (*)",options=options)iffile_name:self.stop_detection()# 停止之前的任务self.cap=cv2.VideoCapture(file_name)self.timer.start(30)# 约33fpsdefdetect_camera(self):self.stop_detection()# 停止之前的任务self.cap=cv2.VideoCapture(0)# 打开默认摄像头ifnotself.cap.isOpened():QMessageBox.warning(self,"错误","无法打开摄像头")self.cap=Nonereturnself.timer.start(30)defstop_detection(self):self.timer.stop()ifself.cap:self.cap.release()self.cap=Noneself.image_label.clear()self.image_label.setText("检测已停止")if__name__=='__main__':app=QApplication(sys.argv)window=RoadObstacleDetection()window.show()sys.exit(app.exec_())

代码说明

1. 模型加载：在__init__中加载best.pt。你需要将你的训练权重放在同目录下，或者修改MODEL_PATH变量。
2. 界面布局：使用QVBoxLayout和QHBoxLayout构建了一个包含图像显示区和四个功能按钮（图片、视频、摄像头、停止）的界面。
3. 图像处理：
   • process_frame：调用 YOLO 模型进行推理，并使用内置的plot()方法绘制边界框和类别。
   • display_image：将 OpenCV 的 BGR 格式转换为 Qt 支持的 RGB 格式并显示在QLabel上。
4. 功能逻辑：
   • 图片：使用QFileDialog选择文件，读取后推理并显示。
   • 视频：选择视频文件，利用QTimer循环读取帧并进行推理。
   • 摄像头：调用cv2.VideoCapture(0)读取本地摄像头流。
   • 停止：释放资源并停止定时器。

这个系统可以直接运行，只需确保环境配置正确且模型文件路径无误。