def frame_process(image):  # 定义帧处理函数，用于处理每一帧图像
    image = cv2.resize(image, (850, 500))  # 将图像的大小调整为850x500
    pre_img = model.preprocess(image)  # 对图像进行预处理

    t1 = time.time()  # 获取当前时间
    pred = model.predict(pre_img)  # 使用模型进行预测
    t2 = time.time()  # 获取当前时间
    use_time = t2 - t1  # 计算预测所花费的时间

    print("推理时间: %.2f" % use_time)  # 打印预测所花费的时间
    det = pred[0]  # 获取预测结果
    # 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
            name, bbox, conf, cls_id = info['class_name'], info['bbox'], info['score'], info[
                'class_id']  # 获取类别名称、边界框、置信度和类别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

        随后，我们初始化主窗口并准备视频处理流程。我们设置了视频文件路径，并创建了MediaHandler对象来处理视频流。通过连接frameReady信号到frame_process函数，我们保证视频的每一帧都能得到实时处理。

app = QtWidgets.QApplication(sys.argv)  # 创建QApplication对象
window = MainWindow()  # 创建MainWindow对象

filename = abs_path("test_media/test.mp4", path_type="current")  # 定义视频文件的路径
videoHandler = MediaHandler(fps=30)  # 创建MediaHandler对象，设置帧率为30fps
videoHandler.frameReady.connect(frame_process)  # 当有新的帧准备好时，调用frame_process函数进行处理
videoHandler.setDevice(filename)  # 设置视频源
videoHandler.startMedia()  # 开始处理媒体

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

        最后，我们通过展示主窗口并进入Qt应用程序的主循环，使得用户界面保持响应并能够实时更新。我们展示了如何使用先进的对象检测模型和现代GUI框架，搭建一个实时检测系统。详细的代码解释提供了从环境设置到有效显示检测结果的全面视角，旨在帮助读者更好地理解如何构建一个实用的实时车辆检测系统。

---

5. 车型识别与计数系统实现

        在构建我们的交互式车型识别与计数系统时，不仅需要快速准确地处理视频流中的图像数据，还需要提供一个清晰易用的界面，让用户能够无缝地与之交互。我们的设计思路遵循了将复杂的功能模块化和简化的原则，通过将界面设计、媒体处理和深度学习模型融为一体，我们实现了这一目标。

5.1 系统设计思路

        在我们的系统设计中，我们的设计理念是构建一个高效、直观且用户友好的界面，使用户能够无缝地与系统交互。整个系统被设计为一个紧密集成的框架，其中每个组件都旨在提升整体性能和用户体验。
（1）架构设计
        在系统的核心，我们设计了MainWindow类，它不仅作为用户界面的主体，更是各个功能模块交互的枢纽。MainWindow类的设计采用了分层架构模式，明确区分了处理层、界面层和控制层，使得每一层都有明确的职责，提高了整个系统的可维护性和可扩展性。

• 处理层（Processing Layer）：处理层是由YOLOv8Detector类和相关的方法构成，它搭载了预训练的深度学习模型，负责图像数据的实时处理。这一层的设计关键在于高效率的图像识别与处理能力，它直接关系到系统性能的核心指标。
• 界面层（UI Layer）：界面层则由Ui_MainWindow类负责，它生成了整个应用程序的用户界面。界面层设计得既直观又友好，包含了各种用户交互元素，比如按钮、标签和显示框等，确保用户能够轻松地理解和操作系统。
• 控制层（Control Layer）：控制层则承担了界面与处理层之间的桥梁作用，它由MainWindow类中的槽函数和其他方法组成。控制层响应用户的操作，控制媒体处理器的行为，同时确保模型的检测结果能够被准确地反映在用户界面上。

        通过这样的架构设计，我们的系统不仅保证了在识别与计数车辆类型方面的高准确度和高速度，还提供了极佳的用户体验。利用信号和槽机制，系统中的不同模块可以高效地进行交互和数据传递，这为系统的可靠性和响应性提供了保障。这种设计让我们的系统不仅在技术上先进，同时在用户体验上也达到了高标准。

（2）系统流程

        在本博客中，我们将讲述设计一个交互式车型识别与计数系统的全过程。本系统的核心设计理念是用户友好性，高效整合前沿的YOLOv8目标检测技术和直观的用户界面，以确保即使是非专业用户也能轻松使用该系统。在系统的设计中，我们特别强调了处理层、界面层和控制层的分离，旨在实现高效的模块间交互和数据流管理。

        我们的系统首先通过MainWindow类的实例初始化，它不仅为用户提供了一个操作界面，还负责配置整个应用程序的相关参数。这样的设计使得用户能够通过一个清晰的界面来选择数据输入源，无论是实时的摄像头捕获、视频文件还是静态图像，都能够轻松接入并处理。

1. 当用户选择了数据输入源后，系统会调用媒体处理器来配置摄像头、读取视频文件或加载图像文件。这个过程涉及到了多种媒体处理技术，以确保输入数据能够正确地被系统接收和解析。一旦输入源准备就绪，系统便开始了连续帧处理的循环，这一循环包含了几个关键阶段：预处理、检测与识别以及界面更新。

2. 在预处理阶段，系统会对每一帧图像进行标准化处理，以适应YOLOv8模型的输入需求。随后，这些图像被送入预先训练好的YOLOv8模型进行车辆目标的检测和识别。检测结果随后将被实时反馈到界面上，展示检测框，并标注车辆类型。同时，界面也会实时显示检测统计数据，如检测到的车辆数量和类型分布，以直观的图表形式呈现给用户。

3. 用户交互也是系统设计的一个重要部分。用户可以通过界面提供的按钮进行多种操作，比如保存检测结果、查询系统信息等。此外，用户还能够控制媒体播放，例如开始或停止视频分析。

        整个系统的设计不仅重视技术的实现，还特别关注用户体验。我们希望通过这样的设计，使技术不再遥远和复杂，而是成为用户日常生活和工作中的得力助手。通过实时的车型识别与计数，我们的系统能够为城市交通管理、停车场管理以及智能交通系统的研究提供有力的数据支撑和应用示例。

5.2 登录与账户管理

        在本节中，我们将讨论一个综合性的车型识别与计数系统，该系统不仅在技术层面上实现了先进的多物体检测，而且在用户体验方面也进行了深入的设计。一个特别值得注意的特性是系统集成了一个完整的用户账户管理功能，旨在为用户提供一个安全、个性化的使用环境。

        我们的系统基于PySide6框架，与SQLite数据库相结合，构建了一个完备的用户登录和注册界面。这个界面不仅简洁直观，而且包含了丰富的功能，如账户创建、密码更新、头像个性化以及账户注销和重新登录等。这些功能为用户提供了一个独立的个人空间，在这个空间内，用户可以保存个人的检测历史和偏好设置，从而实现了个性化的用户体验。

        通过用户友好的登录界面，用户可以轻松地注册新账户或登录到系统，然后进入主功能界面进行车型识别任务。系统的设计考虑到了用户可能需要在不同时间点访问和管理个人数据，因此提供了修改密码和头像设置等功能。此外，考虑到用户可能需要在不同设备上使用系统，我们还提供了账户注销和重新登录的选项，增加了使用的灵活性。

        主界面是用户与车型识别与计数系统交互的中心。在这里，系统实时显示检测框、类别和置信度等关键信息，并支持多种输入方式，包括图片、视频、实时摄像头捕获和批量文件处理。用户可以根据个人需求，选择最合适的输入方式进行车型识别，并将结果记录下来。

        整个系统的设计思路是以用户为中心，旨在提供一个全面、易于使用的车型识别解决方案。我们的目标是让用户能够在一个安全的环境中享受到最新的深度学习技术带来的便捷。无论用户的需求是进行单次的车辆检测还是连续的交通流监控，这个系统都能提供强大的支持。通过这样的系统设计，我们希望能够提升用户对智能交通系统的认知，推动智能交通技术的应用和发展。

---

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/BV1w2421T71S/
YOLOv8/v7/v6/v5项目合集：https://mbd.pub/o/bread/ZZuak5hr
YOLOv8/v5项目完整资源：https://mbd.pub/o/bread/ZZuak5dv
YOLOv7项目完整资源：https://mbd.pub/o/bread/ZZuclp1y
YOLOv6项目完整资源：https://mbd.pub/o/bread/ZZuak5dw

    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模型的车型识别与计数系统，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，能够提供实时的车型识别与计数结果展示，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. Redmon J, Divvala S, Girshick R, et al. You only look once: Unified, real-time object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 779-788. ↩︎

2. Redmon J, Farhadi A. YOLO9000: better, faster, stronger[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 7263-7271. ↩︎

3. Bochkovskiy A, Wang C Y, Liao H Y M. Yolov4: Optimal speed and accuracy of object detection[J]. arXiv preprint arXiv:2004.10934, 2020. ↩︎

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. ↩︎

6. Terven J, Cordova-Esparza D. A comprehensive review of YOLO: From YOLOv1 to YOLOv8 and beyond[J]. arXiv preprint arXiv:2304.00501, 2023. ↩︎