基于yolov5_7.0 pyside6 active_learning 开发的人工智能主动学习外周血细胞目标检测系统

YOLOv5_0">基于YOLOv5的图像识别与主动学习应用程序

项目介绍

本项目是一个使用PySide6库开发的基于YOLOv5框架的图像识别应用程序。该应用程序不仅支持用户选择图像文件进行目标物体检测，还具备主动学习功能，允许用户手动标记错误的检测结果以优化模型。此外，应用程序支持切换不同的预训练模型，从而扩展了其应用范围。目前，主要使用的模型是biology.pt，这是一个通过YOLOv5框架和主动学习技术训练出来的外周血细胞检测模型，精度达到0.8，表现优秀。
在这里插入图片描述

运行环境

Python 3.12
OpenCV
Ultralytics YOLOv5
PySide6 (用于GUI开发)
其他依赖项：请参考requirements.txt

安装依赖包：

pip install -r requirements.txt

运行方法

直接运行MainQt.py即可启动应用程序：

python MainQt.py

项目截图

（此处应插入项目界面截图）

功能区介绍

启动按钮 (Start Button)

按钮名称: start_button
功能: 用于启动某个过程或程序。

图片上传按钮 (Upload Image Button)

按钮名称: upload_image_button
功能: 允许用户上传图片文件，以便进行目标检测。

模型上传按钮 (Upload PT Button)

按钮名称: upload_pt_button
功能: 用于上传模型文件，通常是PyTorch模型文件（如.pt文件）。默认情况下，系统会加载data/models/biology.pt模型，但用户也可以上传其他YOLOv5模型文件，例如yolov5m.pt，以支持对其他目标的识别。

运行标签按钮 (Label Run Button)

按钮名称: labelrun_button
功能: 用于启动一个标记或分类过程。在本项目中，这个按钮可以用来显示当前模型对图片的检测结果。

主动学习运行按钮 (Active Run Button)

按钮名称: activeRun_button
功能: 用于激活或开始一个实时运行的过程。在这个过程中，用户可以看到模型的实时检测结果，并有机会手动修正错误的检测结果。

主动学习训练按钮 (Active Train Button)

按钮名称: activeTrain_button
功能: 用于启动模型的活跃训练阶段。用户可以通过手动标记的数据来进一步训练模型，提高其准确性和泛化能力。

导出模型按钮 (Export Button)

按钮名称: export_button
功能: 用于导出经过训练后的模型到文件。用户可以保存新的模型权重，以便在未来使用。

停止进程按钮 (Stop Button)

按钮名称: stop_button
功能: 用于停止当前运行的过程，无论是检测、训练还是其他任务。

关闭窗口按钮 (Close Button)

按钮名称: close_button
功能: 用于关闭应用程序或当前窗口。

代码实现

`ui.py`

ui.py文件定义了应用程序的用户界面。它使用PySide6库创建了一个主窗口，并设置了各个功能按钮及其布局。以下是ui.py的基本结构：

import sys
from PySide6.QtWidgets import QApplication, QMainWindow, QPushButton, QVBoxLayout, QWidget, QFileDialog, QLabel
from PySide6.QtGui import QPixmap
from PySide6.QtCore import Qtclass MainWindow(QMainWindow):def __init__(self):super().__init__()self.setWindowTitle("YOLOv5 Image Recognition with Active Learning")self.setGeometry(100, 100, 800, 600)self.central_widget = QWidget()self.setCentralWidget(self.central_widget)self.layout = QVBoxLayout()self.central_widget.setLayout(self.layout)# 创建按钮self.start_button = QPushButton("Start", self)self.upload_image_button = QPushButton("Upload Image", self)self.upload_pt_button = QPushButton("Upload PT", self)self.labelrun_button = QPushButton("Label Run", self)self.activeRun_button = QPushButton("Active Run", self)self.activeTrain_button = QPushButton("Active Train", self)self.export_button = QPushButton("Export Model", self)self.stop_button = QPushButton("Stop", self)self.close_button = QPushButton("Close", self)# 添加按钮到布局self.layout.addWidget(self.start_button)self.layout.addWidget(self.upload_image_button)self.layout.addWidget(self.upload_pt_button)self.layout.addWidget(self.labelrun_button)self.layout.addWidget(self.activeRun_button)self.layout.addWidget(self.activeTrain_button)self.layout.addWidget(self.export_button)self.layout.addWidget(self.stop_button)self.layout.addWidget(self.close_button)# 连接按钮信号到槽函数self.upload_image_button.clicked.connect(self.upload_image)self.upload_pt_button.clicked.connect(self.upload_model)self.close_button.clicked.connect(self.close)# 图像显示区域self.image_label = QLabel(self)self.image_label.setAlignment(Qt.AlignCenter)self.layout.addWidget(self.image_label)def upload_image(self):file_dialog = QFileDialog.getOpenFileName(self, "Select Image", "", "Image Files (*.png *.jpg *.jpeg)")if file_dialog[0]:self.image_path = file_dialog[0]pixmap = QPixmap(self.image_path)self.image_label.setPixmap(pixmap.scaled(self.image_label.size(), Qt.KeepAspectRatio, Qt.SmoothTransformation))def upload_model(self):file_dialog = QFileDialog.getOpenFileName(self, "Select Model", "", "Model Files (*.pt)")if file_dialog[0]:self.model_path = file_dialog[0]print(f"Model uploaded: {self.model_path}")if __name__ == "__main__":app = QApplication(sys.argv)window = MainWindow()window.show()sys.exit(app.exec())

`MainQt.py`

MainQt.py文件是应用程序的主入口点，负责初始化UI并处理各种逻辑操作。以下是MainQt.py的基本结构：

import sys
from ui import MainWindow
from ultralytics import YOLO
import cv2
import numpy as np
from PySide6.QtGui import QImage, QPixmapclass MainApp(MainWindow):def __init__(self):super().__init__()# 默认模型路径self.model_path = 'data/models/biology.pt'self.model = YOLO(self.model_path)# 连接按钮信号到槽函数self.start_button.clicked.connect(self.start_process)self.labelrun_button.clicked.connect(self.run_label)self.activeRun_button.clicked.connect(self.run_active)self.activeTrain_button.clicked.connect(self.train_active)self.export_button.clicked.connect(self.export_model)self.stop_button.clicked.connect(self.stop_process)def start_process(self):# 启动某个过程或程序print("Process started")def run_label(self):# 显示当前模型对图片的检测结果if hasattr(self, 'image_path'):results = self.model.predict(source=self.image_path)for result in results:boxes = result.boxes.xyxy.cpu().numpy()scores = result.boxes.conf.cpu().numpy()classes = result.boxes.cls.cpu().numpy()img = cv2.imread(self.image_path)for box, score, cls in zip(boxes, scores, classes):x1, y1, x2, y2 = map(int, box)cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)label = f"{result.names[int(cls)]} {score:.2f}"cv2.putText(img, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)# 将OpenCV图像转换为QImageh, w, ch = img.shapebytes_per_line = ch * wq_img = QImage(img.data, w, h, bytes_per_line, QImage.Format_RGB888).rgbSwapped()pixmap = QPixmap.fromImage(q_img)self.image_label.setPixmap(pixmap.scaled(self.image_label.size(), Qt.KeepAspectRatio, Qt.SmoothTransformation))def run_active(self):# 启动主动学习过程print("Active learning process started")def train_active(self):# 启动主动学习训练print("Active training started")def export_model(self):# 导出模型print("Model exported")def stop_process(self):# 停止当前运行的过程print("Process stopped")if __name__ == "__main__":app = QApplication(sys.argv)main_app = MainApp()main_app.show()sys.exit(app.exec())

项目运行介绍

项目启动

确保已经安装了所有依赖项。
打开终端，导航到项目目录。
运行以下命令启动应用程序：
```
python MainQt.py
```

使用说明

上传图片：点击“Upload Image”按钮，选择一张图片文件进行上传。上传后，图片将显示在界面上。
上传模型：点击“Upload PT”按钮，可以选择上传一个新的YOLOv5模型文件。默认情况下，系统会加载data/models/biology.pt模型。
运行标签：点击“Label Run”按钮，系统将使用当前加载的模型对上传的图片进行检测，并在界面上显示检测结果。
主动学习：点击“Active Run”按钮，启动主动学习过程。用户可以手动标记错误的检测结果。
主动学习训练：点击“Active Train”按钮，启动主动学习训练过程。用户可以通过手动标记的数据来优化模型。
导出模型：点击“Export Model”按钮，可以将经过训练后的模型导出到文件。
停止进程：点击“Stop”按钮，可以停止当前运行的过程。
关闭窗口：点击“Close”按钮，关闭应用程序。

注意事项

目前摄像头功能尚未开发好，只能识别图片。
对于视频识别，可以使用原生YOLOv5代码进行检测，但在Qt中实现可能会较慢，暂未考虑实现视频识别模块。
biology.pt模型是用商业数据训练出来的，暂不对外开放。对于一般的课设作业，可以删除run, label, train, export和停止进程按钮，仅保留基本的图片检测功能。

总结

本项目提供了一个基于YOLOv5的图像识别与主动学习应用程序，用户可以通过该应用程序轻松地进行目标检测，并通过主动学习优化模型。虽然目前只支持图片检测，但其灵活性和可扩展性使其成为一个强大的工具，适用于多种应用场景。希望这篇文档能帮助您更好地理解和使用该项目。