YOLO11 + PyQt5 目标检测系统

一个基于YOLO11和PyQt5的现代化目标检测系统，支持图片、视频和摄像头实时检测，并集成DeepSeek AI分析功能。

项目简介

本项目是一个功能完整的目标检测系统，采用YOLO11作为核心检测算法，PyQt5作为图形界面框架。系统支持多种检测模式，包括图片检测、视频文件检测和摄像头实时检测，并提供了丰富的可视化功能和AI智能分析能力。

功能特点

核心功能

• 多模式检测：支持图片检测、视频文件检测、摄像头实时检测
• 实时显示：左右分屏显示原图和检测结果，便于对比分析
• 参数调节：可实时调整置信度阈值和IoU阈值
• 性能统计：实时显示FPS、检测数量、处理时间等性能指标
• 历史记录：记录检测历史，包括时间、模式和路径信息
• 数据可视化：使用pyecharts生成统计图表，直观展示检测数据

AI智能分析

• DeepSeek集成：集成DeepSeek API，提供智能检测结果分析
• 专业建议：基于检测结果提供参数优化和改进建议
• 默认分析：当API不可用时，提供本地分析结果

界面特点

• 现代化UI：采用深色科技风格，界面美观大方
• 响应式设计：界面布局合理，操作便捷
• 多标签页：实时视图、统计图表、历史记录分页显示

环境要求

操作系统

• Windows 10/11
• Linux (Ubuntu 18.04+)
• macOS 10.14+

Python版本

• Python 3.8 或更高版本

硬件要求

• CPU：支持AVX指令集的处理器
• 内存：建议8GB以上
• 显卡：支持CUDA的NVIDIA显卡（可选，用于加速）
• 磁盘空间：至少2GB可用空间

安装配置

1. 克隆或下载项目

git clone code
cd yolo11-pyqt5

2. 创建虚拟环境（推荐）

# 使用venv创建虚拟环境
python -m venv venv

# 激活虚拟环境
# Windows:
venv\Scripts\activate
# Linux/macOS:
source venv/bin/activate

3. 安装依赖

pip install -r requirements.txt

依赖包列表：

• PyQt5==5.15.10 - 图形界面框架
• opencv-python==4.8.1.78 - 图像处理库
• ultralytics==8.3.248 - YOLO模型库
• requests==2.31.0 - HTTP请求库
• numpy==1.24.4 - 数值计算库
• pyecharts==2.0.3 - 数据可视化库

4. 下载YOLO11模型

首次运行时，程序会自动下载yolo11n.pt模型文件。如果下载失败，可以手动下载：

# 使用ultralytics命令下载
yolo detect predict model=yolo11n.pt

# 或者从官网下载后放到项目目录
# 下载地址：https://github.com/ultralytics/assets/releases

使用方法

启动程序

python main.py

基本操作

1. 选择检测模式

• 图片检测：选择单张图片进行目标检测
• 视频文件检测：选择视频文件进行逐帧检测
• 摄像头实时检测：使用摄像头进行实时检测

2. 调整参数

• 置信度阈值：控制检测的置信度，值越高检测越严格
• IoU阈值：控制非极大值抑制的重叠阈值
• 重置默认值：一键恢复默认参数设置

3. 控制检测

• 选择文件：选择要检测的图片或视频文件
• 开始检测：启动检测过程
• 停止检测：停止正在进行的检测
• 清除结果：清空所有检测结果和统计信息

4. 查看结果

• 实时视图：左右分屏显示原图和检测结果
• 统计图表：查看检测模式的统计信息
• 历史记录：查看检测历史，包括时间、模式和路径

5. AI分析

• 重新分析：重新调用DeepSeek API分析当前检测结果
• 复制建议：将分析建议复制到剪贴板

算法原理

YOLO11算法

YOLO11（You Only Look Once）是一种实时目标检测算法，具有以下特点：

核心思想

• 单阶段检测：将目标检测视为回归问题，直接从图像预测边界框和类别概率
• 端到端训练：整个网络在训练时进行端到端优化
• 实时性能：检测速度快，适合实时应用场景

网络结构

• Backbone：特征提取网络，使用CSPDarknet提取图像特征
• Neck：特征融合网络，使用PANet进行多尺度特征融合
• Head：检测头，预测边界框、目标置信度和类别概率

检测流程

1. 图像预处理：调整图像大小，归一化像素值
2. 特征提取：通过Backbone网络提取图像特征
3. 特征融合：通过Neck网络融合多尺度特征
4. 预测输出：通过Head网络预测检测结果
5. 后处理：应用NMS（非极大值抑制）去除重复检测

关键技术

• Anchor-Free：不使用预定义的锚框，直接预测目标边界框
• 多尺度检测：在不同尺度的特征图上进行检测，提高小目标检测能力
• 损失函数：使用CIoU损失函数，提高定位精度
• 数据增强：使用Mosaic、MixUp等数据增强技术，提高模型泛化能力

参数说明

置信度阈值（Confidence Threshold）

• 定义：目标检测的置信度阈值
• 作用：过滤置信度低于阈值的检测结果
• 建议值：0.4-0.6
• 影响：
  • 值越高：检测越严格，可能漏检，但误检率低
  • 值越低：检测越宽松，可能误检，但召回率高

IoU阈值（Intersection over Union）

• 定义：非极大值抑制的重叠阈值
• 作用：控制NMS算法去除重复检测的严格程度
• 建议值：0.4-0.5（密集场景），0.6-0.7（稀疏场景）
• 影响：
  • 值越高：保留更多重叠检测框，可能产生重复检测
  • 值越低：更严格地去除重叠检测框，可能漏检

DeepSeek API配置

1. 申请DeepSeek API密钥

注册账号

1. 访问DeepSeek官网：https://www.deepseek.com/
2. 点击"注册"按钮，填写注册信息
3. 完成邮箱验证

获取API密钥

1. 登录DeepSeek账号
2. 进入"API密钥"页面
3. 点击"创建API密钥"按钮
4. 复制生成的API密钥（格式：sk-xxxxxxxxxxxx）

充值（可选）

• DeepSeek API通常提供免费额度
• 如需更多调用次数，可以在"充值"页面进行充值
• 查看定价信息：https://www.deepseek.com/pricing

2. 修改API密钥

打开main.py文件，找到第404行左右的DeepSeekAPI初始化代码：

# 初始化DeepSeek API（使用示例API密钥，实际使用时需要替换）
self.deepseek_api = DeepSeekAPI(api_key='sk-d2eb5dc896884f62853d9d1ba89f6065')

将示例API密钥替换为你自己的API密钥：

self.deepseek_api = DeepSeekAPI(api_key='你的API密钥')

3. API调用说明

调用限制

• 速率限制：根据账号等级有不同的速率限制
• Token限制：每次请求有最大Token数限制
• 超时设置：默认超时时间为30秒

错误处理

• 网络错误：检查网络连接，确保能够访问DeepSeek API
• 认证失败：检查API密钥是否正确
• 额度不足：检查账户余额，必要时充值
• 超时错误：检查网络延迟，或增加超时时间

默认分析

当API调用失败时，系统会使用默认分析方法，提供基本的检测结果分析。默认分析包括：

• 检测结果概览
• 参数优化建议
• 提高检测精度的措施
• 输入图像质量评估
• 实用价值分析

项目结构

yolo11-pyqt5/
├── main.py              # 主程序文件
├── requirements.txt     # 依赖包列表
├── yolo11n.pt         # YOLO11模型文件
└── README.md          # 项目说明文档

主要类说明

DeepSeekAPI

• 功能：调用DeepSeek API分析检测结果
• 主要方法：
  • analyze_detection()：分析检测结果
  • get_default_analysis()：获取默认分析结果

DeepSeekAnalyzerThread

• 功能：DeepSeek分析线程，避免阻塞UI
• 信号：
  • analysis_complete：分析完成信号
  • analysis_error：分析错误信号

DetectionThread

• 功能：检测线程，在后台执行目标检测
• 主要方法：
  • detect_image()：检测图片
  • detect_video()：检测视频
  • detect_camera()：检测摄像头
  • stop()：停止检测
• 信号：
  • detection_complete：检测完成信号
  • detection_progress：检测进度信号
  • detection_error：检测错误信号

MainWindow

• 功能：主窗口类，管理整个UI界面
• 主要方法：
  • setup_ui()：设置UI界面
  • init_stylesheet()：初始化样式表
  • select_file()：选择文件
  • start_detection()：开始检测
  • stop_detection()：停止检测
  • update_display()：更新显示区域
  • update_detection_results()：更新检测结果
  • update_performance_stats()：更新性能统计
  • update_history_table()：更新历史记录
  • update_stats_chart()：更新统计图表

常见问题

1. 程序启动失败

问题：运行python main.py时出现错误

解决方案：

• 检查Python版本是否为3.8或更高
• 确保已安装所有依赖包：pip install -r requirements.txt
• 检查是否有权限问题，尝试使用管理员权限运行

2. 模型文件下载失败

问题：首次运行时无法下载yolo11n.pt模型文件

解决方案：

• 检查网络连接，确保能够访问GitHub
• 手动下载模型文件：https://github.com/ultralytics/assets/releases
• 将下载的模型文件放到项目目录

3. 视频检测没有反应

问题：选择视频文件后点击开始检测没有反应

解决方案：

• 检查视频文件格式是否支持（.mp4, .avi, .mov）
• 检查视频文件是否损坏
• 查看控制台输出，了解具体错误信息
• 尝试使用其他视频文件测试

4. 摄像头无法打开

问题：摄像头实时检测无法打开摄像头

解决方案：

• 检查摄像头是否被其他程序占用
• 检查摄像头驱动是否正常安装
• 尝试更换摄像头ID（默认为0）
• 检查系统权限设置

5. DeepSeek API调用失败

问题：AI分析功能无法正常工作

解决方案：

• 检查API密钥是否正确
• 检查网络连接，确保能够访问DeepSeek API
• 检查账户余额是否充足
• 查看控制台输出，了解具体错误信息
• 系统会自动使用默认分析，不会影响基本功能

6. 检测结果颜色不正确

问题：右侧检测结果图像颜色显示不正确

解决方案：

• 这个问题已在最新版本中修复
• 确保使用的是最新版本的代码
• 如果问题仍然存在，请检查update_display方法中的颜色转换逻辑

7. 界面显示异常

问题：界面布局混乱或样式不正确

解决方案：

• 确保PyQt5版本正确：pip install PyQt5==5.15.10
• 检查系统DPI设置，尝试调整缩放比例
• 尝试重新安装PyQt5：pip uninstall PyQt5 && pip install PyQt5==5.15.10

8. 性能问题

问题：检测速度慢或程序卡顿

解决方案：

• 使用GPU加速：安装CUDA版本的PyTorch
• 降低输入图像分辨率
• 使用更小的模型（如yolo11n.pt）
• 调整置信度和IoU阈值，减少检测框数量
• 关闭其他占用系统资源的程序

性能优化建议

1. 模型选择

• yolo11n.pt：最小模型，速度最快，适合实时检测
• yolo11s.pt：小型模型，速度较快，精度适中
• yolo11m.pt：中型模型，速度和精度平衡
• yolo11l.pt：大型模型，精度较高，速度较慢
• yolo11x.pt：超大型模型，精度最高，速度最慢

2. GPU加速

# 安装CUDA版本的PyTorch
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

3. 参数调优

• 根据场景调整置信度阈值
• 根据目标密度调整IoU阈值
• 使用合适的输入图像分辨率

4. 批处理

• 对于大量图片，可以考虑批处理模式
• 使用多线程或异步处理提高效率

更新日志

v1.0.0 (2026-02-10)

• 初始版本发布
• 支持图片、视频、摄像头检测
• 集成DeepSeek AI分析功能
• 实现历史记录和统计图表
• 修复颜色显示问题
• 优化界面布局和样式