YOLOv5检测界面-PyQt5实现

置顶景唯acr

已于 2022-11-29 09:00:14 修改

阅读量6.1w

点赞数 113

CC 4.0 BY-SA版权

分类专栏：玩转代码 pytorch 目标检测文章标签： python 深度学习 pyqt5

于 2021-09-27 14:30:40 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/weixin_41735859/article/details/120507779

玩转代码同时被 3 个专栏收录

13 篇文章

订阅专栏

13 篇文章

订阅专栏

6 篇文章

订阅专栏

本文介绍了一款基于PyQt5实现的YOLOv5检测工具，支持模型选择、视频输入、参数调节及自动保存结果，附带GitHub链接和使用教程视频。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

YOLOv5检测界面–PyQt5实现

2022/11/29更新，添加yolov5 v6.1版本
2022/5/31更新，添加自动保存检测结果的功能
在这里插入图片描述

2022/2/6更新，修复了之前评论区提出的bug，并且美化了界面，ui文件也已上传。

界面是在ultralytics的yolov5的基础上建立的，使用pyqt5实现。所有代码均已上传至github，欢迎star、fork and issue。

功能：

模型选择
输入选择(本地文件、摄像头、RTSP视频流)
IoU调整
置信度调整
帧间延时调整
播放/暂停/结束
统计检测结果
检测完成后，自动保存检测结果

使用视频：
https://www.bilibili.com/video/BV1sQ4y1C7Vk?spm_id_from=333.999.0.0

GitHub：
https://github.com/Javacr/PyQt5-YOLOv5

博客等级

码龄7年

44
原创

815
点赞

3717
收藏

370
粉丝

关注

私信

热门文章

分类专栏

展开全部收起

上一篇：: python实现不同电脑之间视频传输

最新评论

pytorch获取nn.Sequential的中间层输出
毛实: (10续/10) # 打印NaN位置信息（如果存在） if f'{key}_nan_location' in outputs: idx = outputs[f'{key}_nan_location'] input_val = outputs.get(f'{key}_input_value', 'N/A') print(f" First NaN at: {idx}, Input value: {input_val}") ``` ### 关键优势与使用场景 1. **精确诊断**： - 可以精确定位NaN首次出现的位置（如 `(0, 174, 0, 0)`） - 记录导致NaN的输入值（如 `16.518325805664062`） - 帮助识别数值不稳定性的根源 2. **灵活启用**： - 通过 `debug` 标志控制是否启用调试 - 不影响正常训练/推理流程 3. **模块化设计**： - 可重用性强，可应用于任何 `nn.Sequential` 模块 - 不改变原始模型结构，只增加调试功能 4. **全面信息**： - 记录每个模块的输出形状、最小值、最大值 - 统计NaN和Inf的数量及比例 - 保存问题状态供进一步分析 ### 实际应用建议 1. **何时使用**： - 训练中出现NaN损失时 - 模型行为不符合预期时 - 需要分析中间层特征表示时 2. **性能考虑**： - 调试模式会增加内存消耗（保存中间结果） - 生产环境中应关闭调试模式 - 可选择性调试特定模块而非整个模型 3. **扩展应用**： - 可修改为记录梯度信息 - 可添加可视化中间特征图的功能 - 可集成到训练循环中自动检测问题这种方法通过创建可调试的包装模块，实现了对 `nn.Sequential` 内部各层输出的全面监控，为模型调试和优化提供了强大工具。
pytorch获取nn.Sequential的中间层输出
毛实: (10/10) # 根据调试标志创建可调试版本 if debug: self.up5 = self._create_debuggable_up5() def _create_debuggable_up5(self): """创建可调试的up5模块""" return DebuggableUp5(self.original_up5_sequential) ``` #### 在前向传播中访问中间结果在模型的前向传播过程中，我们可以访问并打印这些中间结果： ```python def forward(self, x): # ...其他层的前向传播... # 通过可调试模块 d9 = self.up5(x10) # 访问并打印中间结果 if self.debug and hasattr(self.up5, 'intermediate_outputs'): print("\n===== up5 Module Internal Diagnostics =====") outputs = self.up5.intermediate_outputs for key, value in outputs.items(): if 'step_' in key and torch.is_tensor(value): # 打印形状、数值范围等信息 print(f"{key}: shape={tuple(value.shape)}, min={value.min().item()}, ...") # 打印NaN位置信息（如果存在） if f'{key}_nan_location' in outputs: idx = outputs[f'{key}_nan_location'] input_val = outputs.get(f'{
pytorch获取nn.Sequential的中间层输出
毛实: (9/10) # 6. 记录导致NaN的输入值 if i == 0: # 第一层的输入是原始输入x outputs[f'step_{i}_input_value'] = x[first_nan_idx].item() else: # 其他层的输入是前一层的输出 prev_key = f'step_{i-1}_{self.modules_list[i-1].__class__.__name__}' if prev_key in outputs: outputs[f'step_{i}_input_value'] = outputs[prev_key][first_nan_idx].item() # 7. 保存所有中间结果 self.intermediate_outputs = outputs return current ``` #### 在模型中的集成方法在主体模型中，我们按需创建这个可调试模块： ```python class DeepMicroFocusNet128(nn.Module): def __init__(self, img_ch=3, output_ch=1, debug=False): super().__init__() self.debug = debug # 原始Sequential模块 self.up5 = nn.Sequential(...) # 保存原始模块 self.original_up5_sequential = self.up5 # 根据调试标志创建可调试版本 if debug: self.up5 = self._create_debuggable_up5()
pytorch获取nn.Sequential的中间层输出
毛实: (8/10) # 3. 逐步执行每个操作 for i, module in enumerate(self.modules_list): current = module(current) # 4. 保存当前模块的输出 outputs[f'step_{i}_{module.__class__.__name__}'] = current.clone() # 5. 检查NaN并记录详细信息 if torch.isnan(current).any(): nan_indices = torch.isnan(current).nonzero(as_tuple=True) if len(nan_indices[0]) > 0: first_nan_idx = tuple(idx[0].item() for idx in nan_indices) outputs[f'step_{i}_nan_location'] = first_nan_idx # 6. 记录导致NaN的输入值 if i == 0: # 第一层的输入是原始输入x outputs[f'step_{i}_input_value'] = x[first_nan_idx].item() else: # 其他层的输入是前一层的输出 prev_key = f'step_{i-1}_{self.modules_list[i-1].__class__.__name__}' if prev_key in outputs: outputs[f'step_{i}_input_v
pytorch获取nn.Sequential的中间层输出
毛实: (2/10) #### 步骤1：定义可调试模块类 ```python class DebuggableUp5(nn.Module): """可调试的上采样模块""" def __init__(self, original_up5): super().__init__() # 将原始Sequential模块分解为ModuleList self.modules_list = nn.ModuleList() for module in original_up5: # 遍历原始Sequential的子模块 self.modules_list.append(module) # 存储中间结果的字典 self.intermediate_outputs = {} def forward(self, x): outputs = {} # 本次前向传播的中间结果 current = x # 当前层的输入 # 逐层执行计算 for i, module in enumerate(self.modules_list): current = module(current) # 执行当前层计算 # 保存当前层输出（张量） outputs[f'step_{i}_{module.__class__.__name__}'] = current.clone() # 检查当前层输出是否有NaN if torch.isnan(current).any(): nan_indices = torch.isnan(current).nonzero(as_tuple=True) if len(nan_indices[0]) > 0:

大家在看

最新文章

目录

展开全部

收起

评论 230

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。