YOLO 工作台

一个基于 Ultralytics YOLO 的多功能计算机视觉应用程序，提供智能识别、模型训练和数据集标注一体化解决方案。

功能特点

🕵️‍♂️ 智能识别

• 多源输入支持：图片/视频识别、摄像头实时检测、桌面屏幕捕获
• 高性能推理：基于 Ultralytics YOLO 模型，支持自定义模型加载
• 实时可视化：实时显示检测结果、置信度和边界框
• 灵活参数调整：可调节置信度阈值、IOU阈值等推理参数
• 结果保存：支持保存检测结果图像

🏋️‍♂️ 模型训练

• 可视化训练：实时监控训练指标（Loss、mAP、Precision、Recall等）
• 多设备支持：自动检测并支持CPU、CUDA GPU和Apple Silicon MPS
• 灵活配置：支持自定义数据集、批次大小、训练轮次等参数
• 实时日志：训练过程日志实时输出
• 训练仪表盘：4格面板实时显示训练指标曲线

📝 数据集标注

• 直观标注工具：鼠标拖拽绘制边界框
• 数据集管理：支持加载和管理图像数据集
• 类别配置：支持YAML/TXT格式类别文件
• 视图操作：支持图像缩放、平移和复位
• 标注信息管理：实时显示和编辑标注信息
• 快捷键支持：Ctrl+S快速保存标注

技术栈

• 前端框架：PyQt6
• 深度学习：Ultralytics YOLO、PyTorch
• 图像处理：OpenCV
• 可视化：Matplotlib
• 屏幕捕获：MSS
• 配置管理：YAML

项目结构

pcbyolo/
├── GUI.py              # 主界面文件
├── core/
│   ├── detection.py    # 智能识别模块
│   ├── training.py     # 模型训练模块
│   ├── annotation.py   # 数据集标注模块
│   └── utils.py        # 工具函数模块
└── README.md           # 项目说明文档

安装要求

Python版本要求

开发环境Python版本: 3.13.9

依赖包

项目依赖已在 requirements.txt 文件中统一管理，包含以下库：

• PyQt6
• ultralytics
• opencv-python
• numpy
• matplotlib
• mss
• torch
• PyYAML

安装方法

方法一：使用requirements.txt（推荐）

pip install -r requirements.txt

方法二：手动安装

# 安装PyQt6
pip install PyQt6

# 安装YOLO和相关依赖
pip install ultralytics opencv-python numpy matplotlib mss torch PyYAML

使用说明

启动应用

python GUI.py

智能识别

1. 在左侧控制面板选择识别模式（图片/视频、摄像头、桌面）
2. 选择或加载YOLO模型
3. 调整置信度和IOU阈值
4. 点击"开始识别"按钮
5. 实时查看检测结果

模型训练

1. 配置训练参数（数据集YAML、模型路径、训练轮次等）
2. 选择训练设备（自动检测可用设备）
3. 点击"开始训练"按钮
4. 在仪表盘实时监控训练指标
5. 训练完成后，模型将保存在指定路径

数据集标注

1. 选择数据集目录和类别文件
2. 点击"加载数据集"按钮
3. 在图像列表中选择要标注的图像
4. 选择目标类别，点击"绘制框"按钮开始标注
5. 鼠标拖拽绘制边界框
6. 使用缩放和平移功能调整视图
7. 点击"保存标注"按钮保存标注结果

快捷键

快捷键	功能
Ctrl+S	保存标注
滚轮	图像缩放
右键拖拽	图像平移

注意事项

1. 首次使用时，请确保已安装所有依赖包
2. 桌面识别模式下，若出现无限放大问题，请尝试切换屏幕选择
3. 训练模型时，建议使用GPU以获得更快的训练速度
4. 标注时，请确保已正确加载类别文件
5. 保存的检测结果和训练模型将保存在项目目录下

未来改进

• 添加批量处理功能
• 支持更多YOLO模型版本
• 添加模型评估功能
• 改进数据集管理界面
• 添加更多标注工具（如多边形标注）

许可证

本项目采用MIT许可证，详情请参考LICENSE文件。

贡献

欢迎提交Issue和Pull Request来帮助改进这个项目！