YOLOv10轮毂缺陷检测（下）——模型推理与PyQt5可视化应用

YOLOv10 轮毂缺陷检测（下）------模型推理与 PyQt5 可视化应用

系列导读 ：本文是"YOLOv10 轮毂缺陷检测"系列的第二篇。上一篇介绍了环境搭建、数据集准备与模型训练。本篇将聚焦模型推理测试 与完整 PyQt5 可视化检测应用的开发，带你从训练权重到一个可交付的桌面端检测工具。

---

一、回顾：训练结果获取

经过上篇的训练流程，runs/train/my_first_exp/weights/best.pt 就是我们获得的最优检测模型权重。将其复制到应用目录：

# 将最优权重复制到应用目录
copy runs\train\my_first_exp\weights\best.pt ..\project\best.pt

接下来我们先用命令行快速验证模型效果，再开发图形界面。

---

二、命令行推理测试（pre.py）

在开发 GUI 前，建议先通过脚本方式验证模型推理结果，快速排查问题。

2.1 完整推理脚本

import os
import cv2
from ultralytics import YOLOv10
import glob

# 加载训练好的权重（best.pt）
model = YOLOv10(r'D:\YOLOv10_project\project\best.pt')

# ──────────────────────────────────────────────
# 功能1：单张图片推理
# ──────────────────────────────────────────────
def image_load(image_path):
    frame = cv2.imread(image_path)
    res = model(frame)
    
    # plot() 方法：在原图上绘制检测框、类别标签和置信度
    # 返回带标注的 BGR numpy 数组
    ann = res[0].plot()
    
    cv2.imshow("yolov10_image", ann)
    cv2.waitKey(0)  # 按任意键关闭窗口
    
    # 解析检测框数据
    boxes = res[0].boxes
    if boxes is not None:
        xyxy = boxes.xyxy.cpu().numpy()   # 左上右下坐标 [x1,y1,x2,y2]
        conf = boxes.conf.cpu().numpy()   # 置信度 [0~1]
        cls  = boxes.cls.cpu().numpy()    # 类别 ID [0,1,2]
        print(f"边界框坐标:\n{xyxy}")
        print(f"置信度: {conf}")
        print(f"类别ID: {cls}")
    
    # 保存标注后的图像
    res[0].save(r"D:\YOLOv10_project\project\output.jpg")

# ──────────────────────────────────────────────
# 功能2：批量图片推理
# ──────────────────────────────────────────────
def images_load(images_path):
    imgs = glob.glob(os.path.join(images_path, '*.jpg'))
    for img in imgs:
        # predict() 方法支持 save=True 自动保存结果
        model.predict(img, save=True)

# ──────────────────────────────────────────────
# 功能3：视频/摄像头实时推理
# ──────────────────────────────────────────────
def video_load(video_path):
    cap = cv2.VideoCapture(video_path)  # 传入0则打开摄像头
    while cap.isOpened():
        ret, frame = cap.read()
        if ret:
            res = model(frame)
            ann = res[0].plot()
            cv2.imshow("yolov10_video", ann)
            if cv2.waitKey(1) == 27:  # 按 ESC 退出
                break
    cv2.destroyAllWindows()
    cap.release()

if __name__ == '__main__':
    # 测试单张图片
    image_load(r'D:\YOLOv10_project\yolov10\dataset_part\dataset_part\images\train\c41.bmp')
    
    # 测试文件夹
    # images_load(r'D:\code\lingjianjiance\tu')
    
    # 测试视频或摄像头
    # video_load(0)
    # video_load(r'D:\code\lingjianjiance\test_video.mp4')

2.2 推理 API 核心解析

model(frame) 与 model.predict() 的区别：

调用方式	特点	适用场景
model(frame)	直接调用，返回 Results 对象	自定义结果处理（手动解析 boxes）
model.predict(img, save=True)	封装更高级，支持批量+自动保存	快速批量推理，无需手动处理

results[0].boxes 属性详解：

boxes = results[0].boxes

boxes.xyxy    # 绝对像素坐标 [x1,y1,x2,y2]，Tensor 格式
boxes.xywh    # 中心点+宽高 [cx,cy,w,h]，Tensor 格式
boxes.conf    # 置信度分数 [0.0~1.0]
boxes.cls     # 类别 ID（整数）
boxes.data    # 完整数据 [x1,y1,x2,y2,conf,cls]

---

三、PyQt5 检测应用架构设计

3.1 整体架构

项目的 GUI 应用采用经典的分层架构：

┌─────────────────────────────────────────────────┐
│               汽车零件缺陷检测系统.py             │
│          （业务逻辑层 + 信号槽连接层）             │
│                                                 │
│  ┌────────────────┐    ┌──────────────────────┐ │
│  │  MainWindow     │    │  DetectionThread      │ │
│  │ （主窗口控制器）│◄──►│ （YOLOv10 检测线程）  │ │
│  └────────────────┘    └──────────────────────┘ │
│          │                        │              │
│          │ setupUi()              │ pyqtSignal   │
│          ▼                        │              │
│  ┌────────────────┐               │              │
│  │   UiMain.py    │◄──────────────┘              │
│  │ （UI 布局定义）│                               │
│  └────────────────┘                               │
└─────────────────────────────────────────────────┘

三层职责分离：

文件	职责
UiMain.py	纯 UI 布局定义，不包含业务逻辑（类似前端的 HTML）
DetectionThread	YOLOv10 推理逻辑，继承 QThread 异步执行
MainWindow	事件处理与状态管理，连接 UI 和检测线程

3.2 多线程设计的必要性

YOLOv10 推理是 CPU/GPU 密集型任务，单帧推理耗时约 10~100ms。若在主线程（UI 线程）中直接调用推理，将导致：

• 界面冻结卡顿（无法响应用户操作）
• 视频/摄像头检测丢帧严重
• 用户体验极差

解决方案：将推理任务放入 QThread 工作线程 ，通过 pyqtSignal 信号机制将结果安全地传回主线程更新 UI。

主线程（UI 线程）                   工作线程（DetectionThread）
       │                                     │
       │── 创建线程，start() ──────────────► │
       │                                     │── 执行推理
       │                                     │── emit(frame_received)
       │◄── 信号跨线程安全传递 ──────────────│
       │── on_frame_received() 更新UI        │
       │                                     │

---

四、UI 布局（UiMain.py）详解

4.1 界面结构

┌──────────────────────────────────────────────────────┐
│ [选择模型] [模型路径]  置信度:[0.80] IoU:[0.50]       │  ← 配置栏
├──────────────────────────────────────────────────────┤
│ [图片检测] [视频检测] [摄像头检测] [停止检测] [保存]   │  ← 功能按钮
├────────────────────┬─────────────────────────────────┤
│                    │                                  │
│    原始图像         │       检测结果图像               │  ← 图像显示区
│                    │                                  │
├────────────────────┴─────────────────────────────────┤
│ 检测类别    置信度    中心X    中心Y                   │  ← 结果表格
├──────────────────────────────────────────────────────┤
│ 状态栏：正在检测图片: c41.bmp                         │  ← 状态栏
└──────────────────────────────────────────────────────┘

4.2 核心 UI 组件代码解析

class UiMainWindow(object):
    def setupUi(self, MainWindow):
        # 窗口基本设置
        MainWindow.resize(1200, 800)        # 默认尺寸
        MainWindow.setMinimumSize(1000, 700) # 最小尺寸限制

        # ── 配置栏 ──────────────────────────────
        # 置信度调节（步长0.05，默认0.8）
        self.confidence_spinbox = QDoubleSpinBox()
        self.confidence_spinbox.setRange(0.1, 0.99)
        self.confidence_spinbox.setSingleStep(0.05)
        self.confidence_spinbox.setValue(0.8)    # 默认置信度阈值

        # IoU阈值调节（步长0.05，默认0.5）
        self.iou_spinbox = QDoubleSpinBox()
        self.iou_spinbox.setRange(0.1, 0.99)
        self.iou_spinbox.setSingleStep(0.05)
        self.iou_spinbox.setValue(0.5)           # 默认IoU阈值

        # ── 图像显示区 ────────────────────────────
        # 原始图像（左侧）
        self.original_image_label = QLabel()
        self.original_image_label.setMinimumSize(400, 300)
        self.original_image_label.setStyleSheet("border: 1px solid #cccccc;")
        self.original_image_label.setAlignment(Qt.AlignCenter)

        # 检测结果图像（右侧）
        self.result_image_label = QLabel()
        # ...（同上）

        # ── 结果表格 ──────────────────────────────
        self.table_widget = QTableWidget()
        self.table_widget.setColumnCount(4)
        self.table_widget.setHorizontalHeaderLabels(
            ["检测类别", "置信度", "中心X", "中心Y"]
        )
        # 列自适应拉伸
        self.table_widget.horizontalHeader().setSectionResizeMode(
            QHeaderView.Stretch
        )

4.3 图像显示方法

UI 中最核心的图像处理方法------将 numpy BGR 数组转为 Qt 可显示的 Pixmap：

def display_image(self, label, image):
    """
    将 numpy RGB 数组显示到 QLabel
    :param label: 目标 QLabel 组件
    :param image: numpy 数组（RGB格式，注意不是BGR）
    """
    h, w, ch = image.shape
    bytes_per_line = ch * w
    
    # numpy → QImage（必须是 RGB888 格式）
    qt_image = QImage(image.data, w, h, bytes_per_line, 
                      QImage.Format_RGB888)
    
    # QImage → QPixmap，并按 label 尺寸缩放（保持宽高比）
    pixmap = QPixmap.fromImage(qt_image).scaled(
        label.size(), 
        Qt.KeepAspectRatio,       # 保持宽高比
        Qt.SmoothTransformation   # 平滑缩放（抗锯齿）
    )
    label.setPixmap(pixmap)

注意 ：OpenCV 读取图像默认为 BGR 格式，Qt 需要 RGB 格式，因此在传给 display_image() 前必须使用 cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) 转换。

---

五、检测线程（DetectionThread）详解

5.1 线程设计

class DetectionThread(QThread):
    # 信号定义（在类级别声明，非实例变量）
    frame_received = pyqtSignal(np.ndarray, np.ndarray, list)
    # 参数含义：(原始帧 RGB, 检测结果帧 RGB, 检测结果列表)
    
    finished_signal = pyqtSignal()  # 线程完成通知

    def __init__(self, model, source, conf, iou, parent=None):
        super().__init__(parent)
        self.model = model    # YOLOv10 模型实例
        self.source = source  # 图片路径 / 视频路径 / 摄像头编号(int)
        self.conf = conf      # 置信度阈值
        self.iou = iou        # IoU 阈值
        self.running = True   # 控制线程停止的标志位

5.2 run() 方法：自适应多源处理

def run(self):
    try:
        # ── 视频 / 摄像头模式 ────────────────────
        if isinstance(self.source, int) or \
           self.source.endswith(('.mp4', '.avi', '.mov')):
            
            cap = cv2.VideoCapture(self.source)
            
            while self.running and cap.isOpened():
                ret, frame = cap.read()
                if not ret:
                    break

                original_frame = frame.copy()  # 保存原始帧副本

                # YOLOv10 推理
                results = self.model(frame, conf=self.conf, iou=self.iou)
                annotated_frame = results[0].plot()  # 绘制检测框

                # 解析检测结果
                detections = []
                for result in results:
                    for box in result.boxes:
                        class_id = int(box.cls)
                        class_name = self.model.names[class_id]
                        confidence = float(box.conf)
                        x, y, w, h = box.xywh[0].tolist()  # 中心坐标+宽高
                        detections.append((class_name, confidence, x, y))

                # 跨线程信号发送（BGR→RGB 转换）
                self.frame_received.emit(
                    cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),
                    cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),
                    detections
                )

                time.sleep(0.03)  # 控制约30fps帧率

            cap.release()

        # ── 图片模式 ─────────────────────────────
        else:
            frame = cv2.imread(self.source)
            if frame is not None:
                original_frame = frame.copy()
                results = self.model(frame, conf=self.conf, iou=self.iou)
                annotated_frame = results[0].plot()

                detections = []
                for result in results:
                    for box in result.boxes:
                        class_id = int(box.cls)
                        class_name = self.model.names[class_id]
                        confidence = float(box.conf)
                        x, y, w, h = box.xywh[0].tolist()
                        detections.append((class_name, confidence, x, y))

                self.frame_received.emit(
                    cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),
                    cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),
                    detections
                )

    except Exception as e:
        import traceback
        tb = traceback.format_exc()
        QMessageBox.critical(None, "检测错误", 
                             f"检测过程中出现错误：{str(e)}\n\nTraceback:\n{tb}")
    finally:
        self.finished_signal.emit()  # 无论成功/失败都发送完成信号

def stop(self):
    """外部调用此方法可安全停止线程"""
    self.running = False

pyqtSignal 跨线程通信原理：

工作线程                     主线程（UI）
─────────────────────────────────────────
emit(orig, result, list)  →  Qt事件队列
                              ↓
                         on_frame_received(orig, result, list)
                              ↓
                         display_image() 更新图像
                         add_detection_result() 更新表格

Qt 的信号槽机制保证了跨线程调用的线程安全性，无需手动加锁。

---

六、主窗口逻辑（MainWindow）详解

6.1 信号槽绑定

class MainWindow(QMainWindow):
    def __init__(self):
        super().__init__()
        self.ui = UiMainWindow()
        self.ui.setupUi(self)

        # 绑定按钮事件
        self.ui.model_btn.clicked.connect(self.select_model_file)
        self.ui.image_btn.clicked.connect(self.detect_image)
        self.ui.video_btn.clicked.connect(self.detect_video)
        self.ui.camera_btn.clicked.connect(self.detect_camera)
        self.ui.stop_btn.clicked.connect(self.stop_detection)
        self.ui.save_btn.clicked.connect(self.save_result)

        # 状态变量
        self.model = None               # YOLO 模型实例
        self.detection_thread = None    # 检测线程
        self.last_detection_result = None  # 最后一帧检测结果
        self.selected_model_path = None    # 当前选中的模型路径

6.2 模型加载

def select_model_file(self):
    """打开文件对话框选择 .pt 模型文件"""
    file_path, _ = QFileDialog.getOpenFileName(
        self, "选择YOLO模型文件", "", 
        "PyTorch模型文件 (*.pt);;所有文件 (*.*)"
    )
    if file_path:
        self.selected_model_path = file_path
        # 界面只显示文件名，不显示完整路径（更简洁）
        self.ui.model_path_label.setText(os.path.basename(file_path))
        self.load_model(file_path)

def load_model(self, model_path):
    """加载 YOLO 模型，异常时弹窗提示"""
    try:
        self.model = YOLO(model_path)
        self.ui.update_status(
            f"模型加载成功：{os.path.basename(model_path)}"
        )
    except Exception as e:
        QMessageBox.critical(self, "错误", f"模型加载失败: {str(e)}")

6.3 图片检测流程

def detect_image(self):
    # 1. 前置检查
    if self.model is None:
        QMessageBox.warning(self, "警告", "请先选择并加载模型！")
        return
    if self.detection_thread and self.detection_thread.isRunning():
        QMessageBox.warning(self, "警告", "请先停止当前检测任务")
        return

    # 2. 打开文件选择对话框
    file_path, _ = QFileDialog.getOpenFileName(
        self, "选择图片", "",
        "图片文件 (*.jpg *.jpeg *.png *.bmp)"
    )

    if file_path:
        # 3. 显示原始图片
        self.ui.clear_results()
        img = cv2.imread(file_path)
        img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        self.ui.display_image(self.ui.original_image_label, img_rgb)

        # 4. 获取阈值参数
        conf = self.ui.confidence_spinbox.value()
        iou  = self.ui.iou_spinbox.value()

        # 5. 创建并启动检测线程
        self.detection_thread = DetectionThread(
            self.model, file_path, conf, iou
        )
        self.detection_thread.frame_received.connect(self.on_frame_received)
        self.detection_thread.finished_signal.connect(self.on_detection_finished)
        self.detection_thread.start()

        self.ui.update_status(f"正在检测图片: {os.path.basename(file_path)}")

6.4 检测结果回调

def on_frame_received(self, original_frame, result_frame, detections):
    """
    检测线程通过信号回调此方法（在主线程中执行）
    """
    # 更新图像显示（双图对比）
    self.ui.display_image(self.ui.original_image_label, original_frame)
    self.ui.display_image(self.ui.result_image_label, result_frame)

    # 保存最后一帧（用于保存功能）
    self.last_detection_result = result_frame

    # 更新结果表格
    self.ui.clear_results()
    for class_name, confidence, x, y in detections:
        self.ui.add_detection_result(class_name, confidence, x, y)

    # 视频模式：写入结果帧到输出视频
    if self.video_writer:
        # Qt RGB → OpenCV BGR
        bgr_frame = cv2.cvtColor(result_frame, cv2.COLOR_RGB2BGR)
        self.video_writer.write(bgr_frame)

6.5 视频结果保存

视频检测时，自动将检测结果保存为带时间戳的 mp4 文件：

def detect_video(self):
    # ...（省略前置检查）
    
    # 获取视频属性（用于初始化写入器）
    cap = cv2.VideoCapture(file_path)
    frame_width  = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
    frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
    fps          = cap.get(cv2.CAP_PROP_FPS)
    cap.release()

    # 初始化视频写入器
    os.makedirs("results", exist_ok=True)
    timestamp = time.strftime("%Y%m%d_%H%M%S")
    save_path = os.path.join("results", f"result_{timestamp}.mp4")

    fourcc = cv2.VideoWriter_fourcc(*'mp4v')  # MP4 编码
    self.video_writer = cv2.VideoWriter(
        save_path, fourcc, fps, (frame_width, frame_height)
    )
    # ...（后续启动线程同图片检测）

6.6 保存与资源释放

def save_result(self):
    """保存当前检测结果图片"""
    if self.last_detection_result is None:
        QMessageBox.warning(self, "警告", "没有可保存的检测结果")
        return
    os.makedirs("results", exist_ok=True)
    timestamp = time.strftime("%Y%m%d_%H%M%S")
    save_path = os.path.join("results", f"result_{timestamp}.jpg")
    # RGB → BGR 再保存（OpenCV 格式要求）
    cv2.imwrite(save_path, cv2.cvtColor(
        self.last_detection_result, cv2.COLOR_RGB2BGR
    ))
    self.ui.update_status(f"检测结果已保存: {save_path}")

def closeEvent(self, event):
    """窗口关闭时自动清理所有资源"""
    self.stop_detection()  # 停止线程 + 释放视频写入器
    event.accept()

---

七、完整使用流程

7.1 启动应用

# 切换到应用目录
cd D:\YOLOv10_project\project

# 运行主程序（Fusion 样式，跨平台一致性）
python 汽车零件缺陷检测系统.py

7.2 操作步骤

① 点击 [选择模型文件] → 选择 best.pt
   ↓ 状态栏显示 "模型加载成功：best.pt"

② 调整置信度阈值（默认0.80）和IoU阈值（默认0.50）
   * 置信度越高 → 误检越少，但漏检可能增多
   * IoU越低 → 重叠框过滤更宽松

③ 选择检测模式：
   [图片检测] → 选择 .jpg/.png/.bmp 文件，立即显示检测结果
   [视频检测] → 选择 .mp4/.avi 文件，逐帧检测并保存结果视频
   [摄像头检测] → 打开摄像头0实时检测

④ 查看结果：
   * 左侧：原始图像
   * 右侧：带检测框的结果图像
   * 下方表格：每个检测框的类别、置信度、位置

⑤ [保存结果] → 图片保存到 results/ 目录
⑥ [停止检测] → 停止视频/摄像头检测

---

八、常见问题与解决方案

问题	原因	解决方案
ModuleNotFoundError: ultralytics	未安装依赖	uv pip install ultralytics
CUDA out of memory	显存不足	减小 batch 值或改用 device='cpu'
界面显示但图像为空白	BGR/RGB 格式混淆	确认传入 display_image 的是 RGB 格式
摄像头无法打开	摄像头被占用或编号错误	尝试 cv2.VideoCapture(1)
训练时字体下载失败	网络问题	设置 os.environ['YOLO_FONT'] = r'C:\Windows\Fonts\Arial.ttf'
.bmp 图片无法识别	文件格式过滤	在文件对话框过滤器中添加 *.bmp

---

九、项目扩展建议

9.1 提升检测精度

# 训练时增加数据增强（在 train.py 中添加）
model.train(
    data="mydata.yaml",
    epochs=100,          # 增加训练轮数
    batch=16,            # 增大批次（需更大显存）
    imgsz=640,
    augment=True,        # 开启数据增强
    hsv_h=0.015,         # 色调变化
    hsv_s=0.7,           # 饱和度变化
    flipud=0.1,          # 垂直翻转
    fliplr=0.5,          # 水平翻转
    mosaic=1.0,          # Mosaic 增强
)

9.2 模型量化与加速

# 导出为 ONNX 格式（推理速度更快）
model = YOLOv10("best.pt")
model.export(format="onnx", half=True, simplify=True)

# 导出为 TensorRT（NVIDIA GPU 最高性能）
model.export(format="engine", half=True)

9.3 生产部署方案

部署方案	适用场景	特点
ONNX Runtime	通用 CPU/GPU	无需 GPU 驱动，兼容性强
TensorRT	NVIDIA GPU	推理速度最快（3~5倍提升）
OpenVINO	Intel CPU/GPU	Intel 硬件专项优化
CoreML	Apple 设备	iOS/macOS 原生支持

---

十、总结

通过两篇文章，我们完整实现了一套基于 YOLOv10 的轮毂缺陷检测系统：

第一篇（上）：

• ✅ YOLOv10 架构原理与模型选型
• ✅ uv 包管理器环境搭建
• ✅ 数据集标注格式与目录结构
• ✅ mydata.yaml + yolov10n_my.yaml 配置解析
• ✅ 迁移学习训练流程

第二篇（下）：

• ✅ pre.py 命令行推理验证
• ✅ PyQt5 三层架构设计
• ✅ QThread 多线程异步推理
• ✅ pyqtSignal 跨线程信号通信
• ✅ 图片/视频/摄像头三种检测模式
• ✅ 检测结果保存与资源管理

整个项目代码量适中、结构清晰，非常适合作为工业视觉检测入门 或PyQt5 + YOLO 集成的参考项目。

---

📌 系列文章 ：[← 上一篇：YOLOv10 轮毂缺陷检测（上）------环境搭建与模型训练](#← 上一篇：YOLOv10 轮毂缺陷检测（上）——环境搭建与模型训练)

📌 YOLOv10 官方仓库 ：https://github.com/THU-MIG/yolov10

📌 uv 包管理器 ：https://github.com/astral-sh/uv