yolov5交互式界面 V5.0-6.0版本通用界面-yolo-pyqt-gui（通用界面制作+代码）

往期热门博客项目回顾：

计算机视觉项目大集合

改进的yolo目标检测-测距测速

路径规划算法

图像去雨去雾+目标检测+测距项目

交通标志识别项目

yolo系列-重磅yolov9界面-最新的yolo

姿态识别-3d姿态识别

深度学习小白学习路线

yolo GUI OYQT界面

YOLOv5-GUI是一款专为YOLOv5（包括版本5和版本6）目标检测算法设计开发的图形用户界面（GUI）工具，采用强大的Qt框架构建。该工具汲取了Javacr大神在UI设计与逻辑方面的精华理念，旨在为广大用户提供更为直观、便捷且高效的YOLOv5模型训练、测试和应用体验。
在这里插入图片描述

YOLOv5-GUI拥有深色和浅色两种主题风格供用户自由选择，满足不同场景下的视觉需求。深色模式有助于降低长时间使用电脑时的眼部疲劳，而浅色模式则适合在各种光照条件下保持清晰舒适的视觉效果。
此GUI工具集成了YOLOv5的核心功能，包括但不限于模型加载、参数配置、数据集管理、训练过程可视化监控、实时视频目标检测以及结果展示等环节。用户无需通过命令行操作，只需通过点击和拖拽等方式即可完成复杂的深度学习任务，极大降低了YOLOv5的使用门槛。
在实际应用中，YOLOv5-GUI能够帮助科研人员、开发者以及广大AI爱好者更高效地利用YOLOv5算法进行目标检测项目的研究与实践，无论是对已有的公开数据集进行模型训练优化，还是针对特定场景定制目标检测解决方案，都能轻松应对。

代码使用

切换到项目目录：

bash
cd [PyQt5-YOLOv5_V5/PyQt5-YOLOv5_V6]

接下来，安装所需的环境依赖：

bash
pip install -r requirements.txt

现在，你可以启动应用程序：

bash
python run.py

该GUI应用程序默认采用深色模式，但如果你想切换到浅色模式，只需在run.py文件中将main_ui_dark修改为main_ui_light即可。

这个GUI应用程序提供了许多功能和选项，可以帮助你使用YOLOv5更加方便和高效。你可以在界面上进行图像处理、对象检测等操作。另外，你也可以根据自己的需求对代码进行定制和扩展。
总的来说，这个项目为使用YOLOv5提供了一个直观和友好的界面，使得用户能够更轻松地利用这一强大的目标检测工具。希望你能享受使用这个GUI应用程序，并从中获得更多的收获和乐趣！

重要代码

 def run(self,imgsz=640,  # inference size (pixels)iou_thres=0.45,  # NMS IOU thresholdmax_det=1000,  # maximum detections per imagedevice='',  # cuda device, i.e. 0 or 0,1,2,3 or cpuview_img=True,  # show resultssave_txt=False,  # save results to *.txtsave_conf=False,  # save confidences in --save-txt labelssave_crop=False,  # save cropped prediction boxesnosave=False,  # do not save images/videosclasses=None,  # filter by class: --class 0, or --class 0 2 3agnostic_nms=False,  # class-agnostic NMSaugment=False,  # augmented inferencevisualize=False,  # visualize featuresupdate=False,  # update all modelsproject='runs/detect',  # save results to project/namename='exp',  # save results to project/nameexist_ok=False,  # existing project/name ok, do not incrementline_thickness=3,  # bounding box thickness (pixels)hide_labels=False,  # hide labelshide_conf=False,  # hide confidenceshalf=False,  # use FP16 half-precision inferencednn=False,  # use OpenCV DNN for ONNX inference):# Initializedevice = select_device(device)half &= device.type != 'cpu'  # half precision only supported on CUDA# Load modelmodel = DetectMultiBackend(self.weights, device=device, dnn=dnn)num_params = 0for param in model.parameters():num_params += param.numel()stride, names, pt, jit, onnx, engine = model.stride, model.names, model.pt, model.jit, model.onnx, model.engineimgsz = check_img_size(imgsz, s=stride)  # check image sizenames = model.module.names if hasattr(model, 'module') else model.names  # get class namesif half:model.half()  # to FP16# Dataloaderif self.source.isnumeric():view_img = check_imshow()cudnn.benchmark = True  # set True to speed up constant image size inferencedataset = LoadStreams(self.source, img_size=imgsz, stride=stride, auto=pt and not jit)bs = len(dataset)  # batch_sizeelse:dataset = LoadImages(self.source, img_size=imgsz, stride=stride, auto=pt and not jit)bs = 1  # batch_sizevid_path, vid_writer = [None] * bs, [None] * bs# Run inference# model.warmup(imgsz=(1, 3, *imgsz), half=half)  # warmupdt, seen = [0.0, 0.0, 0.0], 0for path, im, im0s, self.vid_cap, s in dataset:statistic_dic = {name: 0 for name in names}t1 = time_sync()im = torch.from_numpy(im).to(device)im = im.half() if half else im.float()  # uint8 to fp16/32im /= 255  # 0 - 255 to 0.0 - 1.0if len(im.shape) == 3:im = im[None]  # expand for batch dimt2 = time_sync()dt[0] += t2 - t1# Inferencepred = model(im, augment=augment)t3 = time_sync()dt[1] += t3 - t2# NMSpred = non_max_suppression(pred, self.conf_thres, iou_thres, classes, agnostic_nms, max_det=max_det)dt[2] += time_sync() - t3for i, det in enumerate(pred):  # detections per imageim0 = im0s.copy()annotator = Annotator(im0, line_width=line_thickness, example=str(names))if len(det):det[:, :4] = scale_coords(im.shape[2:], det[:, :4], im0.shape).round()for c in det[:, -1].unique():n = (det[:, -1] == c).sum()  # detections per classs += f"{n} {names[int(c)]}{'s' * (n > 1)}, "  # add to stringfor *xyxy, conf, cls in reversed(det):c = int(cls)  # integer classstatistic_dic[names[c]] += 1label = None if hide_labels else (names[c] if hide_conf else f'{names[c]} {conf:.2f}')annotator.box_label(xyxy, label, color=colors(c, True))time.sleep(1/40)# print(type(im0s))self.send_img.emit(im0)self.send_raw.emit(im0s if isinstance(im0s, np.ndarray) else im0s[0])self.send_statistic.emit(statistic_dic)