if __name__ == '__main__':  # 如果当前模块是主模块
    app = QtWidgets.QApplication(sys.argv)  # 创建QApplication对象
    window = MainWindow()  # 创建MainWindow对象

    img_path = abs_path("test_media/BloodCells_SIXU_A_00385.jpg")  # 定义图像文件的路径
    image = cv_imread(img_path)  # 使用cv_imread函数读取图像

    image = cv2.resize(image, (850, 500))  # 将图像大小调整为850x500
    pre_img = model.preprocess(image)  # 对图像进行预处理

    t1 = time.time()  # 获取当前时间（开始时间）
    pred, superimposed_img = model.predict(pre_img)  # 使用模型进行预测
    t2 = time.time()  # 获取当前时间（结束时间）
    use_time = t2 - t1  # 计算预测所用的时间

    print("推理时间: %.2f" % use_time)  # 打印预测所用的时间
    det = pred[0]  # 获取预测结果的第一个元素（检测结果）

    # 如果有检测信息则进入
    if det is not None and len(det):
        det_info = model.postprocess(pred)  # 对预测结果进行后处理
        for info in det_info:  # 遍历检测信息
            # 获取类别名称、边界框、置信度和类别ID
            name, bbox, conf, cls_id = info['class_name'], info['bbox'], info['score'], info['class_id']
            label = '%s %.0f%%' % (name, conf * 100)  # 创建标签，包含类别名称和置信度
            # 画出检测到的目标物
            image = drawRectBox(image, bbox, alpha=0.2, addText=label, color=colors[cls_id])  # 在图像上绘制边界框和标签

    window.dispImage(window.label, image)  # 在窗口的label上显示图像
    # 显示窗口
    window.show()
    # 进入 Qt 应用程序的主循环
    sys.exit(app.exec())


# 显示窗口
window.show()
# 进入 Qt 应用程序的主循环
sys.exit(app.exec())

        一旦得到模型的预测结果，我们使用postprocess方法进行后处理，这包括将模型的输出转换为可理解和可视化的格式。最终，处理后的图像展示在主窗口的标签上。这不仅为用户提供了即时的反馈，而且还展示了YOLOv8模型在实际应用中的强大能力。

        上面的代码展示了从图像读取到深度学习预测再到图像展示的完整流程。它不仅体现了编程的严谨性，还彰显了跨学科技术的综合应用。通过这样的项目，我们不仅能够提升医学图像分析的质量，还能推动深度学习技术在各行各业的广泛应用。

---

5. 血细胞检测系统实现

        在设计交互式血细胞检测与识别系统的过程中，我们采取了一个模块化和层次化的方法，以确保系统既高效又易于维护。我们的系统设计思路是围绕用户体验来构建的，旨在提供一个直观、响应迅速的用户界面，同时在后台执行复杂的图像处理和目标检测任务。

5.1 系统设计思路

        在我们的系统设计中，我们致力于打造一个直观且功能强大的交互式血细胞检测与识别系统，旨在提高用户的操作便利性，并充分利用YOLOv8模型的强大功能。

（1）架构设计
        我们的设计理念是通过高度模块化的方法，将复杂的技术细节抽象化，从而让用户可以不必关注背后的复杂算法就能够进行血细胞检测与识别。具体来说，我们将系统划分为三个主要层次：处理层、界面层和控制层，每层均担负着独特的职责，相互协作以达到整体功能。

• 处理层（Processing Layer）：在处理层，我们利用YOLOv8Detector类的预训练模型来处理复杂的图像数据。这个类封装了所有必要的方法，用于加载模型、执行预测、处理图像数据以及后处理分析结果。这样的设计使得图像处理和目标检测流程高度自动化，同时保持了足够的灵活性，以便根据不同的应用需求调整处理策略。
• 界面层（UI Layer）：由Ui_MainWindow类生成的用户界面构成，它设计有清晰、易于理解的交互元素，如按钮和标签，允许用户无缝地上传图像、启动检测过程，并查看结果。这些界面元素不仅提供了必要的功能性，还通过直观的布局和视觉提示增强了用户体验。
• 控制层（Control Layer）：由Ui_MainWindow类生成的用户界面构成，它设计有清晰、易于理解的交互元素，如按钮和标签，允许用户无缝地上传图像、启动检测过程，并查看结果。这些界面元素不仅提供了必要的功能性，还通过直观的布局和视觉提示增强了用户体验。

        整个系统的设计遵循了模块化的原则。每个层次都有明确的职责分工，这不仅有助于系统的维护和升级，也使得扩展新功能变得简单快捷。通过这样的设计思路，我们确保了系统能够高效地处理血细胞检测任务，同时为用户提供了一流的使用体验。在未来，我们希望这个系统能够支持更多的功能和模型，进一步拓展其在图像识别领域的应用范围。

（2）系统流程

        在本次博客的探讨中，我们将深入了解交互式血细胞检测与识别系统的工作流程，这一系统基于Python开发，融合了YOLOv8模型的强大功能与PySide6的图形界面开发能力。以下是我们系统的运行流程详细介绍。

1. 当用户启动应用程序时，系统首先创建了MainWindow类的实例，这是整个应用的核心。MainWindow类不仅初始化用户界面，设置窗口大小、布局和其他相关参数，而且还预设了一系列的用户交互机制，例如按钮点击和下拉选择等，从而构成了用户操作的起点。

2. 界面上，用户可以灵活选择他们的输入源。无论是希望通过摄像头实时捕捉图像、读取存储在硬盘上的视频文件，还是加载静态图片，应用程序都提供了直观的操作方式来满足这些需求。这种设计使得系统能够适应多种不同的使用场景，从实验室的研究到实际的临床应用都游刃有余。

3. 一旦输入源被用户确定，系统就会调用媒体处理器和方法，这包括配置摄像头、读取视频文件或加载图像文件。这一阶段，系统展现了其对不同媒体类型处理的灵活性和强大的功能。

4. 随后，系统进入了连续帧处理的循环。首先是预处理阶段，系统对每一帧图像进行适配模型输入要求的预处理，这确保了后续模型的检测准确性。接着，在检测与识别阶段，经过预处理的图像被送入YOLOv8模型，模型以惊人的速度识别图像中的目标并进行分类。

5. 界面更新阶段，是用户体验的重要环节。随着检测结果的产生，界面会实时展示检测框和标注的类别。此外，用户还可以在界面上看到检测统计数据，这些数据可能以表格或条形图的形式展现，让用户能够直观地感受到模型检测性能的强大。

6. 用户与系统的交互不仅限于开始检测。应用程序提供了一系列的按钮和菜单，使用户能够保存检测结果、查询作者和版本信息，甚至根据需求筛选和分析特定的检测结果。此外，媒体控制功能使用户能够控制媒体的播放状态，无论是启动或停止摄像头捕捉、视频播放还是图像分析，都可以简单地通过界面操作来实现。

        总之，这一血细胞检测与识别系统是对现代机器学习技术与用户界面设计融合的一个典范。通过这样的系统设计思路，我们不仅提供了一个强大的工具来协助专业人员进行图像分析，还确保了普通用户也能轻松地接触和利用这些高端技术。未来，我们期望此系统能够进一步扩展，涵盖更多的功能和模型，为用户提供更全面的服务。

5.2 登录与账户管理

        在我们的血细胞检测系统中，为了增强用户体验和提供更加定制化的服务，我们引入了一个全面的登录与账户管理功能。该功能基于PySide6进行界面设计，并使用SQLite数据库来安全地管理用户数据。此系统不仅为机器学习和图像处理的高度技术性任务提供了支持，同时也在用户管理方面做了深入的考虑。

        登录与账户管理的界面提供了一系列直观的用户操作，包括账户注册、密码修改、头像设置、账户注销以及重新登录等。每位用户在注册后便拥有了独立的空间，在这个空间内，他们能够保存个人的检测历史和偏好设置，这样的设计不仅保护了用户的隐私，也增加了数据管理的便捷性。用户可以轻松地在登录界面完成账户的注册和登录操作，随后便可进入到主界面进行血细胞的检测与分析。

        这个个性化的空间对于每个用户来说至关重要，它不仅可以存储他们的检测结果，还可以根据个人偏好对系统进行设置，比如更改头像或更新密码，从而让用户在使用血细胞检测系统时拥有更加个人化的体验。

        这些账户管理功能的实现，体现了我们对用户隐私和安全的重视。通过细致的设计，用户在使用系统进行血细胞检测时，能够感受到一种安全和信任感。此外，系统还为每个用户提供了重新登录的快捷方式，确保了即使在暂时退出系统后，用户也能迅速回到他们的个人界面中。

        主界面则是用户与深度学习模型互动的场所。它实时展示了检测框、类别标签和置信度等关键信息，无论用户是通过图片、视频文件、实时摄像头输入还是批量文件处理，系统都能实时识别目标并进行记录。这不仅提高了工作效率，也增强了系统在实际应用场景中的实用性。

        通过结合用户管理和目标检测功能，我们的系统不仅在技术层面上实现了高效的血细胞检测，而且在用户体验上也提供了极大的便利。用户管理界面的引入，确保了每个用户都能在一个安全、可控的环境中使用这一强大的工具，这样的设计体现了我们对于用户需求的深刻理解和对技术细节的严谨把控。未来，我们计划继续优化这一系统，为用户提供更多的定制化功能，以满足不断增长的市场需求。

---

下载链接

    若您想获得博文中涉及的实现完整全部资源文件（包括测试图片、视频，py, UI文件，训练数据集、训练代码、界面代码等），这里已打包上传至博主的面包多平台，见可参考博客与视频，已将所有涉及的文件同时打包到里面，点击即可运行，完整文件截图如下：

完整资源中包含数据集及训练代码，环境配置与界面中文字、图片、logo等的修改方法请见视频，项目完整文件下载请见演示与介绍视频的简介处给出：➷➷➷

演示与介绍视频：https://www.bilibili.com/video/BV1Fu4m1A7x2/
YOLOv8/v7/v6/v5项目合集下载：https://mbd.pub/o/bread/mbd-ZZuXmZts
YOLOv8/v5项目完整资源下载：https://mbd.pub/o/bread/ZZuXmJ9p
YOLOv7项目完整资源下载：https://mbd.pub/o/bread/ZZuXmZpp
YOLOv6项目完整资源下载：https://mbd.pub/o/bread/ZZuXmJdu

    在文件夹下的资源显示如下，下面的链接中也给出了Python的离线依赖包，读者可在正确安装Anaconda和Pycharm软件后，复制离线依赖包至项目目录下进行安装，另外有详细安装教程：（1）Pycharm软件安装教程；（2）Anaconda软件安装教程；（3）Python环境配置教程；

离线依赖安装教程：https://www.bilibili.com/video/BV1hv421C7g8/
离线依赖库下载链接：https://pan.baidu.com/s/1y6vqa9CtRmC72SQYPh1ZCg?pwd=33z5 （提取码：33z5）

6. 总结与展望

        在本博客中，我们详细介绍了一个基于YOLOv8模型的血细胞检测系统，还实验了YOLOv7、YOLOv6、YOLOv5等模型。系统以模块化的方式设计，充分采用了合理的架构设计，带来良好的可维护性和可扩展性。其用户界面友好，能够提供实时的血细胞检测和识别结果展示，同时支持用户账户管理，以便于保存和管理检测结果和设置。

        该系统支持摄像头、视频、图像和批量文件等多种输入源，能够满足用户在不同场景下的需求。在后面可以添加更多预训练模型，增加检测和识别的种类；优化用户界面，增强个性化设置；并积极聆听用户反馈，以期不断改进系统，以更好地满足用户的需求。

---

结束语

        由于博主能力有限，博文中提及的方法即使经过试验，也难免会有疏漏之处。希望您能热心指出其中的错误，以便下次修改时能以一个更完美更严谨的样子，呈现在大家面前。同时如果有更好的实现方法也请您不吝赐教。

---

1. Fang W, Wang L, Ren P. Tinier-YOLO: A real-time object detection method for constrained environments[J]. IEEE Access, 2019, 8: 1935-1944. ↩︎

2. Talaat F M, ZainEldin H. An improved fire detection approach based on YOLO-v8 for smart cities[J]. Neural Computing and Applications, 2023, 35(28): 20939-20954. ↩︎

3. Wu W, Liu H, Li L, et al. Application of local fully Convolutional Neural Network combined with YOLO v5 algorithm in small target detection of remote sensing image[J]. PloS one, 2021, 16(10): e0259283. ↩︎

4. Li C, Li L, Jiang H, et al. YOLOv6: A single-stage object detection framework for industrial applications[J]. arXiv preprint arXiv:2209.02976, 2022. ↩︎

5. Wang C Y, Bochkovskiy A, Liao H Y M. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2023: 7464-7475. ↩︎