Python 车型识别系统：YOLO 检测 + PyQt5 界面 + OpenCV 处理（计算机毕设优选）✅

q_3375686806

1190人浏览 · 2025-09-17 12:19:47

q_3375686806 · 2025-09-17 12:19:47 发布

博主介绍：✌全网粉丝10W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战6年之久，选择我们就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业。🍅

1、毕业设计：2025年计算机专业毕业设计选题汇总（建议收藏）✅

2、大数据毕业设计：2025年选题大全深度学习 python语言 JAVA语言 hadoop和spark（建议收藏）✅

1、项目介绍

技术栈：
Python语言、YOLOv5模型、PyQt5界面、openCV、pytorch框架、
支持：上传图片、上传视频、摄像头

本项目聚焦车型识别与多目标检测需求，以 Python 为开发核心语言，整合 YOLOv5 目标检测模型、PyTorch 深度学习框架、OpenCV 计算机视觉库及 PyQt5 界面开发工具，构建功能完善的车型检测系统，支持图片上传、视频上传、摄像头实时采集三种检测模式，可广泛应用于交通流量统计、停车场管理、道路监控等场景。
技术实现上，系统以 PyTorch 为底层框架，为 YOLOv5 模型提供高效的训练与推理支持，确保车型检测的精度与速度；借助 OpenCV 完成图像预处理（如降噪、尺寸调整）与视频帧解析，保障不同输入源（图片、视频、摄像头）的检测兼容性；通过 PyQt5 搭建直观易用的可视化界面，实现检测功能的便捷操作与结果展示。
核心功能方面，系统主打车型多目标检测，能在复杂场景中精准识别多种车型并标注位置。从界面示例可见，无论是静态图片还是动态视频，系统均能快速检测画面中的所有车辆，清晰标注车型类别与置信度；支持上传本地图片、视频文件，也可通过摄像头实时捕捉画面进行检测，满足不同使用场景需求。此外，系统还设计了注册登录模块，通过账号验证保障系统使用安全性，避免未授权访问。整体操作流程简洁，检测结果直观，为用户提供高效、精准的车型检测服务，助力交通相关场景的智能化管理。

2、项目界面

（1）系统界面

在这里插入图片描述

（2）车型识别—多目标检测

在这里插入图片描述

（3）车型识别—多目标检测
在这里插入图片描述

（4）车型识别—多目标检测
在这里插入图片描述

（5）车型识别—多目标检测

在这里插入图片描述

（6）车型识别—多目标检测

在这里插入图片描述
（6）车型识别—多目标检测（上传视频）

（7）注册登录
在这里插入图片描述

3、项目说明

技术栈：
Python语言、YOLOv5模型、PyQt5界面、openCV、pytorch框架、
支持：上传图片、上传视频、摄像头

4、核心代码



import argparse
import os
import random
import time
from os import getcwd

import cv2
import numpy as np
import torch
from PyQt5 import QtCore, QtWidgets
from PyQt5.QtWidgets import QFileDialog, QMessageBox

from VehicleType.label_name import Chinese_name
from models.experimental import attempt_load
# from UI_rec.tools.BeautyUI import QBeautyUI
# from tools.BeautyUI import QBeautyUI
from UI_rec.tools.BeautyUI import QBeautyUI
# from UI_rec.tools.BeautyUI import QBeautyUI   原始
from utils.datasets import letterbox
from utils.general import (
    check_img_size, non_max_suppression, scale_coords)
from utils.torch_utils import select_device, time_synchronized


class VehicleType_MainWindow(QBeautyUI):
    def __init__(self, *args, obj=None, **kwargs):
        super(VehicleType_MainWindow, self).__init__(*args, **kwargs)
        self.author_flag = False  # 是否输出信息

        self.setupUi(self)  # 界面生成
        self.retranslateUi(self)  # 界面控件
        self.setUiStyle(window_flag=True, transBack_flag=True)  # 设置界面样式

        self.path = getcwd()
        self.video_path = getcwd()

        self.timer_camera = QtCore.QTimer()  # 定时器
        self.timer_video = QtCore.QTimer()  # 视频定时器
        self.flag_timer = ""  # 用于标记正在进行的功能项（视频/摄像）

        self.LoadModel()  # 加载预训练模型
        self.slot_init()  # 定义槽函数
        self.files = []  #
        self.cap_video = None  # 视频流对象
        self.CAM_NUM = 0  # 摄像头标号
        self.cap = cv2.VideoCapture(self.CAM_NUM)  # 屏幕画面对象

        self.detInfo = []
        self.current_image = []
        self.detected_image = None
        # self.dataset = None
        self.count = 0  # 表格行数，用于记录识别识别条目
        self.res_set = []  # 用于历史结果记录的列表
        self.c_video = 0
        self.count_name = ["小型车", "中型车", "大型车", "小型卡车", "大型卡车", "油罐车", "特种车"]
        self.count_table = []
        self.plotBar(self.count_name, [0 for i in self.count_name], self.colors, margin=20)

    def slot_init(self):
        self.toolButton_file.clicked.connect(self.choose_file)
        self.toolButton_folder.clicked.connect(self.choose_folder)
        self.toolButton_video.clicked.connect(self.button_open_video_click)
        self.timer_video.timeout.connect(self.show_video)
        self.toolButton_camera.clicked.connect(self.button_open_camera_click)
        self.timer_camera.timeout.connect(self.show_camera)
        self.toolButton_model.clicked.connect(self.choose_model)
        self.comboBox_select.currentIndexChanged.connect(self.select_obj)
        self.tableWidget.cellPressed.connect(self.table_review)
        self.toolButton_saveing.clicked.connect(self.save_file)
        self.toolButton_settings.clicked.connect(self.setting)
        self.toolButton_author.clicked.connect(self.disp_website)
        self.toolButton_version.clicked.connect(self.disp_version)

    def table_review(self, row, col):
        try:
            if col == 0:  # 点击第一列时
                this_path = self.tableWidget.item(row, 1)  # 表格中的文件路径
                res = self.tableWidget.item(row, 2)  # 表格中记录的识别结果
                axes = self.tableWidget.item(row, 3)  # 表格中记录的坐标

                if (this_path is not None) & (res is not None) & (axes is not None):
                    this_path = this_path.text()
                    if os.path.exists(this_path):
                        res = res.text()
                        axes = axes.text()

                        image = self.cv_imread(this_path)  # 读取选择的图片
                        image = cv2.resize(image, (850, 500))

                        axes = [int(i) for i in axes.split(",")]
                        confi = float(self.tableWidget.item(row, 4).text())

                        # print(axes)
                        # image = self.drawRectBox(image, axes, res)
                        count = self.count_table[row]
                        self.plotBar(self.count_name, count, self.colors, margin=20)
                        self.label_numer_result.setText(str(sum(count)))
                        image = self.drawRectEdge(image, axes, alpha=0.2, addText=res)
                        # 在Qt界面中显示检测完成画面
                        self.display_image(image)  # 在界面中显示画面

                        # 在界面标签中显示结果
                        self.label_xmin_result.setText(str(int(axes[0])))
                        self.label_ymin_result.setText(str(int(axes[1])))
                        self.label_xmax_result.setText(str(int(axes[2])))
                        self.label_ymax_result.setText(str(int(axes[3])))
                        self.label_score_result.setText(str(round(confi * 100, 2)) + "%")
                        self.label_class_result.setText(res)

                        QtWidgets.QApplication.processEvents()
        except:
            self.label_display.setText('重现表格记录时出错，请检查表格内容！')
            self.label_display.setStyleSheet("border-image: url(:/newPrefix/images_test/ini-image.png);")

    def LoadModel(self, model_path=None):
        """
        读取预训练模型
        """
        parser = argparse.ArgumentParser()
        parser.add_argument('--weights', nargs='+', type=str, default='../weights/vehicle-best.pt',
                            help='model.pt path(s)')  # 模型路径仅支持.pt文件
        parser.add_argument('--img-size', type=int, default=480, help='inference size (pixels)')  # 检测图像大小，仅支持480
        parser.add_argument('--conf-thres', type=float, default=0.25, help='object confidence threshold')  # 置信度阈值
        parser.add_argument('--iou-thres', type=float, default=0.45, help='IOU threshold for NMS')  # NMS阈值
        # 选中运行机器的GPU或者cpu，有GPU则GPU，没有则cpu，若想仅使用cpu，可以填cpu即可
        parser.add_argument('--device', default='',
                            help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
        parser.add_argument('--save-dir', type=str, default='inference', help='directory to save results')  # 文件保存路径
        parser.add_argument('--classes', nargs='+', type=int,
                            help='filter by class: --class 0, or --class 0 2 3')  # 分开类别
        parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS')  # 使用NMS
        self.opt = parser.parse_args()  # opt局部变量，重要
        out, weight, imgsz = self.opt.save_dir, self.opt.weights, self.opt.img_size  # 得到文件保存路径，文件权重路径，图像尺寸
        self.device = select_device(self.opt.device)  # 检验计算单元,gpu还是cpu
        self.half = self.device.type != 'cpu'  # 如果使用gpu则进行半精度推理
        if model_path:
            weight = model_path
        self.model = attempt_load(weight, map_location=self.device)  # 读取模型
        self.imgsz = check_img_size(imgsz, s=self.model.stride.max())  # 检查图像尺寸
        if self.half:  # 如果是半精度推理
            self.model.half()  # 转换模型的格式
        self.names = self.model.module.names if hasattr(self.model, 'module') else self.model.names  # 得到模型训练的类别名
        # self.names = [Chinese_name[i] for i in self.names]
        for i, v in enumerate(self.names):
            if v in Chinese_name.keys():
                self.names[i] = Chinese_name[v]
        # hex = ('FF3838', 'FF9D97', 'FF701F', 'FFB21D', 'CFD231', '48F90A', '92CC17', '3DDB86', '1A9334', '00D4BB',
        #        '2C99A8', '00C2FF', '344593', '6473FF', '0018EC', '8438FF', '520085', 'CB38FF', 'FF95C8', 'FF37C7')
        color = [[132, 56, 255], [82, 0, 133], [203, 56, 255], [255, 149, 200], [255, 55, 199],
                 [72, 249, 10], [146, 204, 23], [61, 219, 134], [26, 147, 52], [0, 212, 187],
                 [255, 56, 56], [255, 157, 151], [255, 112, 31], [255, 178, 29], [207, 210, 49],
                 [44, 153, 168], [0, 194, 255], [52, 69, 147], [100, 115, 255], [0, 24, 236]]
        self.colors = color if len(self.names) <= len(color) else [[random.randint(0, 255) for _ in range(3)] for _ in
                                                                   range(len(self.names))]  # 给每个类别一个颜色
        img = torch.zeros((1, 3, self.imgsz, self.imgsz), device=self.device)  # 创建一个图像进行预推理
        _ = self.model(img.half() if self.half else img) if self.device.type != 'cpu' else None  # 预推理

    def choose_model(self):
        self.timer_camera.stop()
        self.timer_video.stop()
        if self.cap and self.cap.isOpened():
            self.cap.release()
        if self.cap_video:
            self.cap_video.release()  # 释放视频画面帧

        self.comboBox_select.clear()  # 下拉选框的显示
        self.comboBox_select.addItem('所有目标')  # 清除下拉选框
        self.clearUI()  # 清除UI上的label显示
        self.flag_timer = ""
        # 调用文件选择对话框
        fileName_choose, filetype = QFileDialog.getOpenFileName(self.centralwidget,
                                                                "选取图片文件", getcwd(),  # 起始路径
                                                                "Model File (*.pt)")  # 文件类型
        # 显示提示信息
        if fileName_choose != '':
            self.toolButton_model.setToolTip(fileName_choose + ' 已选中')
        else:
            fileName_choose = None  # 模型默认路径
            self.toolButton_model.setToolTip('使用默认模型')
        self.LoadModel(fileName_choose)

    def select_obj(self):
        QtWidgets.QApplication.processEvents()
        if self.flag_timer == "video":
            # 打开定时器
            self.timer_video.start(30)
        elif self.flag_timer == "camera":
            self.timer_camera.start(30)

        ind = self.comboBox_select.currentIndex() - 1
        ind_select = ind
        if ind <= -1:
            ind_select = 0
        # else:
        #     ind_select = len(self.detInfo) - ind - 1
        if len(self.detInfo) > 0:
            # self.label_class_result.setFont(font)
            self.label_class_result.setText(self.detInfo[ind_select][0])  # 显示类别
            self.label_score_result.setText(str(self.detInfo[ind_select][2]))  # 显示置信度值
            # 显示位置坐标
            self.label_xmin_result.setText(str(int(self.detInfo[ind_select][1][0])))
            self.label_ymin_result.setText(str(int(self.detInfo[ind_select][1][1])))
            self.label_xmax_result.setText(str(int(self.detInfo[ind_select][1][2])))
            self.label_ymax_result.setText(str(int(self.detInfo[ind_select][1][3])))

        image = self.current_image.copy()
        if len(self.detInfo) > 0:
            for i, box in enumerate(self.detInfo):  # 遍历所有标记框
                if ind != -1:
                    if ind != i:
                        continue
                # 在图像上标记目标框

                label = '%s %.0f%%' % (box[0], float(box[2]) * 100)
                self.label_score_result.setText(box[2])
                # label = str(box[0]) + " " + str(float(box[2])*100)
                # 画出检测到的目标物
                # self.names. box[0]
                image = self.drawRectBox(image, box[1], addText=label, color=self.colors[box[3]])

            # self.label_score_result.setText(str(len(self.detInfo) - count))
            # 在Qt界面中显示检测完成画面
            self.display_image(image)
            # self.label_display.display_image(image)

5、源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，查看我的【用户名】、【专栏名称】、【顶部选题链接】就可以找到我啦🍅

感兴趣的可以先收藏起来，点赞、关注不迷路，下方查看👇🏻获取联系方式👇🏻

亚马逊云科技技术品牌专区

更多推荐

第一篇博客｜零基础女生备战 408 碎碎念日记

我是炫炫，人工智能专业的普通女生一枚。说实话我属于纯零基础选手😭，代码底子特别薄弱，现在啃 C 语言天天抓头发，随便敲几行代码全是报错，调不通程序的时候真的会偷偷 emo 好久。🥰开这个小窝就是用来记录我一点点补c语言基础、冲刺 408的全过程，专门留给和我一样起步困难的女孩子抱团取暖。也欢迎各位业界大佬路过，多多指点我的不足，🙈有学习建议都可以留在评论区，我会认真看、虚心吸收！讲真心话，C