多线程应用程序的Python界面编程 - PyQt5

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 100+累计阅读 149平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄3年

关注

原创最新推荐文章于 2026-08-09 14:37:09 发布 149 阅读 AI 写同款· GEO 优化 ›

pyqt 专栏收录该内容

¥59.90 ¥99.00

64篇文章

订阅专栏

在Python界面编程中，多线程应用程序是常见的需求之一。通过使用多线程，我们可以在应用程序中同时执行多个任务，提高性能和用户体验。本文将介绍如何在PyQt5中创建多线程应用程序，并提供相应的源代码示例。

PyQt5是一个功能强大的Python库，用于创建图形用户界面(GUI)应用程序。它提供了丰富的工具和组件，可以轻松实现各种界面效果和交互功能。在PyQt5中，使用QThread类可以轻松创建和管理多线程。

首先，我们需要导入PyQt5库和相关的模块：

from PyQt5.QtCore import QThread, pyqtSignal
from PyQt5.QtWidgets import QApplication, QMainWindow, QPushButton, QLabel

了解本专栏

订阅专栏解锁全文

收录于

当前文章被以下社区和专栏收录：

标签

#python #qt #java #pyqt

利用Python的PyQt5编写GUI界面教学由于学校课程的项目，最近最近在学习如何利用Python语言和SQL Server编写一个读者图书借阅、查询管理的小程序。以此为契机吧，自己便开始了学习之路~ 这篇文章主要介绍自己如何使用PyQt5编写GUI界面。自己使用到的工具 VS Code PyQt5依赖包 Qt Designer Python几种常见的GUI库 Tkinter Tkinter是Python自带的量轻级的简单GUI库，使用也较为简单。但是Tkinter之适用于基础和小型程序的开发，界面的美观程度也相对有限。在网上找到了比较全面介阅读详情

相关推荐

pycharm 中配置 pyqt 和 pyqt5-tools 实现UI界面设计

主要涉及到pycharm、Qt Designer、PyUIC 文章目录一、pycharm二、Qt Designer配置Qt Designer1、安装pyqt5的包2、在external tool中配置qt designer三、QtGUIQtGUI的配置方法四、使用QT Desinger设计程序主界面1、设计界面2、使用PyUIC将文件转成python代码3、实现程序一、pycharm 首先需要安装好pycharm。二、Qt Designer Qt Designer是用来设计界面的，可以让用户在极短的.

17902的博客 1万+

PyQt5界面刷新以及多线程更新UI数据实例

记录一下在项目中遇到的问题。在UI界面中，一般会有一些控件比如PushButton、Qlabel等用来触发某一个事件，若该事件十分耗时，那么将会阻塞主程序，造成UI界面出现卡顿或者未响应的问题，因此我们必须要使用多线程来解决。之前也有看到别的小伙伴使用PyQt5中的QThread来写多线程，或许自己比较愚钝，不是很理解，于是按照常规写多线程的方法，即直接传入函数，启动多线程，传入参数。问题描述：编写的上位机程序中，当触发界面上的按钮给下位机发送控制命令时，摄像头画面停止不动，下位机先执行控制命令，

xueli_lxl的博客 9535

在不同版本Python中安装PyQT5及PyQT5-Tools

zoomgu680的博客 2万+

【Python】界面设计——GUI编程之【PyQt5】

窗体定义 🔷GUI是人机交互的重要技术手段，在python中利用tkinter模块就可以方便的实现图形界面的实现； 🔷定义一个基础窗体： import tkinter as tk #导入相关窗体模块 root = tk.Tk() #创建一个窗体添加各类操作…… root.mainloop() #显示窗体 🔷任何一个图形界面都会包含有一个主窗体，在主窗体内可以设置不同的组件，在tkinter模块中提供了Tk类，该类可以负责窗体的创建以及相关的属性定义；方法描述 .

欢迎大家来一起交流，分享经验！ 8万+

Python 使用PyQt5进行界面程序开发

目的：使用PyQt5进行界面程序开发环境：问题：解决方案：步骤：环境：系统：win10 IDE: Pycharm 2018.1.4 Python版本： 3.6.4 问题：之前进行Python界面程序开发使用的Tkinter ，生成界面较为粗糙，美化较复杂。解决方案：使用PyQt5进行界面开发，使用QSS进行界面样式美化，开发效率较高，复杂度小。步骤： Pycharm 新建一个项...

icee 1万+

通过VSCODE搭建PyQt5 来实现GUI界面

1、首先安装好了vscpde并配置了python环境，如果还没有配置，请先配置完成后再来安装。 2、通过pip(配置python环境时会安装pip)的方式来安装pyqt5 pip install PyQt5 pip install PyQt5-Tools 3、找到PyQt5工具的designer.exe运行，一般安装在"C:\Users\XXXX\AppData\Local\Programs\Python\Python38\Lib\site-packages\pyqt5-tool..

u013381608的博客 1万+

基于R语言的DICE模型实践技术应用；预测不同减排路径下的经济增长、碳排放量、气候变化程度以及社会福利变化

DICE模型是一个动态综合气候经济模型，由诺贝尔经济学奖得主William Nordhaus开发，用于评估气候变化对经济的影响以及不同减排政策的经济成本和效益。以下是一个关于DICE模型在气候变化影响评估中的实际应用案例，结合R语言代码进行讲解。

KY_chenzhao的博客 866

logisim计组实验八乘法器

原理：点这里有问题欢迎留言哦~ 文章目录五位阵列乘法器电路图时间延迟分析六位补码阵列乘法器五位无符号乘法流水线原理图电路图原码一位乘法器原理图电路图补码一位乘法器五位阵列乘法器电路图此处注意：全加器FA的cout端是进位端而非输出端使用硬件控制比循环累加的速度快得多。但是存在串行进位链改进版：时间延迟分析 T是计算相加数的一级门延迟 3n–>2n 性能差别在1.5倍 ...

treblez's blog 2万+

基于航位推算与多传感器融合的高精度避障小车设计

航位推算（Dead Reckoning）是一种在无外部定位信号下通过里程计与惯性测量单元（IMU）持续积分估计位姿的基础导航方法，其核心在于运动学建模、误差累积抑制与多源数据融合。该技术具备低依赖、高实时、强确定性等工程优势，广泛应用于服务机器人、AGV、竞赛无人平台等受限环境下的自主导航系统。结合编码器高分辨率测距与九轴IMU姿态解算，可显著抑制纯里程计漂移，提升短时定位精度至厘米级。本文以全国大学生电子设计竞赛K题为背景，深入实现了一种面向确定性场地的离线建图+航位推算双模协同架构，重点解决嵌入式资源约

weixin_36328210的博客 81

ACPWorkbench_for_BP10

ADC支持9种采样率：8000Hz、11025Hz、12000Hz、16000Hz、22050Hz、24000Hz、32000Hz、44100Hz 以及 48000Hz。选择5种MCLK源时，模块内部的MCLK源无效。I2S 采样率支持：8K,11.025K,12K,16K, 22.05K, 24K, 32K, 44.1K, 48K, 88.2K, 96K, 176.4K 和 192K。DAC采样率支持：8K,11.025K,12K,16K,22.05K, 24K, 32K, 44.1K和48K。

dddds222_的博客 4551

Kimi K3大模型API实战：从调用到本地知识库问答系统构建

大语言模型（LLM）作为人工智能的核心技术，通过海量数据训练获得理解和生成自然语言的能力。其工作原理基于Transformer架构，通过自注意力机制捕捉长距离依赖关系。这项技术的核心价值在于能够将非结构化文本转化为可计算、可交互的智能体，极大地提升了信息处理和自动化任务的效率。在应用场景上，大模型广泛应用于智能对话、代码生成、文档总结与问答等领域。其中，国产大模型如月之暗面推出的Kimi K3，凭借其在**长文本处理**和**中文场景优化**方面的优势，为开发者提供了新的技术选项。本文将以Kimi K3为例

weixin_30694389的博客 299

RK3588部署实战：利用RGA硬件加速单元优化YOLOv5的图像预处理与推理性能

摘要：本文探讨了在Rockchip芯片上使用RGA(Rockchip图形加速器)实现YOLOv5图像预处理的过程。通过对比RGA和OpenCV两种方式处理图像的速度，发现RGA加速效果不明显且不稳定(13-17fps)，分析原因可能是图片尺寸过小和内存操作消耗时间。文章详细介绍了RGA版本的resize和letterbox实现代码，包括图像缩放、边缘填充等功能，并提供了预处理流程和性能监控方法。结果表明在当前场景下RGA尚未达到预期加速效果，可能与官方代码下架和实现细节有关。

know_F0727的博客 293

【从零开始学习 UVM】1.1、UVM 概述 —— Preface

努力，加油每一天鸭~ 824

把 SAP Query 用到极致：ABAP Query 的核心概念、配置流程、权限与运输治理全解析

摘要：SAP Query 是一款面向业务用户的自助报表工具，可解决标准报表无法满足业务需求的问题。其核心由四大组件构成：Queries（报表定义）、InfoSets（数据视图）、User Groups（权限分组）和Translation（多语言支持）。通过SQ03、SQ02、SQ01事务码分步创建用户组、数据视图和查询，业务用户无需ABAP知识即可生成Basic List（明细）、Statistics（统计）和Ranked List（排名）三种报表形式。典型案例展示了如何为采购部门设计包含明细追溯和Top1

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 179

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")