保姆级教程：用YOLOv8和PyQt5从零搭建番茄成熟度检测桌面应用（附完整源码）

从零构建番茄成熟度检测桌面应用：YOLOv8与PyQt5实战指南

在农业生产智能化浪潮中，计算机视觉技术正逐步改变传统农作物监测方式。本文将带您完整实现一个结合YOLOv8目标检测与PyQt5图形界面的番茄成熟度分析工具，涵盖从环境配置到最终打包的全流程。不同于简单调用API的教程，我们更关注工程化实现细节与实际开发痛点，适合具备Python基础、希望掌握完整AI应用开发流程的开发者。

1. 开发环境与工具链配置

1.1 Conda环境搭建

为避免依赖冲突，我们首先创建独立环境：

conda create -n tomato_detection python=3.8 -y conda activate tomato_detection

关键组件版本选择：

安装核心深度学习框架：

pip install torch==2.0.1+cu118 torchvision==0.15.2+cu118 --extra-index-url https://download.pytorch.org/whl/cu118 pip install ultralytics pyqt5 pyqt5-tools

提示：若使用AMD显卡或仅CPU运行，需选择对应的PyTorch版本。Windows用户建议下载预编译的whl文件加速安装。

1.2 验证环境

测试YOLOv8基础功能：

from ultralytics import YOLO model = YOLO('yolov8n.pt') results = model('https://ultralytics.com/images/bus.jpg') print(results[0].boxes)

成功输出检测框信息即表示环境配置正确。接下来准备数据集与模型训练。

2. 数据准备与模型训练

2.1 番茄成熟度数据集构建

优质数据集应包含以下特征：

• 多光照条件：晴天、阴天、补光环境下的样本
• 多角度拍摄：正视、俯视、侧视等不同视角
• 遮挡场景：叶片遮挡、果实重叠等现实情况

典型数据集结构：

tomato_dataset/ ├── images/ │ ├── train/ │ │ ├── img001.jpg │ │ └── ... │ └── val/ │ ├── img101.jpg │ └── ... └── labels/ ├── train/ │ ├── img001.txt │ └── ... └── val/ ├── img101.txt └── ...

标注文件格式（YOLO格式）：

<class_id> <x_center> <y_center> <width> <height>

2.2 数据增强策略

在mydata.yaml中配置增强参数：

train: ./tomato_dataset/images/train val: ./tomato_dataset/images/val nc: 3 # 类别数 names: ['unripe', 'semi-ripe', 'fully-ripe'] augmentation: hsv_h: 0.015 # 色调增强幅度 hsv_s: 0.7 # 饱和度增强幅度 hsv_v: 0.4 # 明度增强幅度 degrees: 10 # 旋转角度范围 translate: 0.1 # 平移比例 scale: 0.5 # 缩放幅度 shear: 0.0 # 剪切幅度 flipud: 0.0 # 上下翻转概率 fliplr: 0.5 # 左右翻转概率

2.3 模型训练与调优

启动训练脚本：

from ultralytics import YOLO model = YOLO('yolov8s.pt') # 使用小尺寸预训练模型 results = model.train( data='mydata.yaml', epochs=300, imgsz=640, batch=16, device=0, # 使用GPU workers=4, optimizer='AdamW', lr0=0.001, weight_decay=0.0005 )

关键训练参数解析：

训练完成后，在runs/detect/train/weights/目录下可找到最佳模型best.pt。

3. PyQt5界面开发实战

3.1 主界面架构设计

创建MainWindow类继承QMainWindow：

from PyQt5.QtWidgets import (QMainWindow, QWidget, QVBoxLayout, QHBoxLayout, QPushButton, QLabel, QComboBox, QSlider, QFileDialog) class TomatoDetectorUI(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle("番茄成熟度检测系统") self.setGeometry(100, 100, 1200, 800) # 核心组件初始化 self.init_ui() self.load_model() def init_ui(self): """界面布局构建""" main_widget = QWidget() self.setCentralWidget(main_widget) # 主布局采用水平分割 layout = QHBoxLayout() main_widget.setLayout(layout) # 左侧控制面板 control_panel = QWidget() control_layout = QVBoxLayout() control_panel.setLayout(control_layout) # 添加控制组件 self.add_controls(control_layout) # 右侧显示区域 display_panel = QWidget() display_layout = QVBoxLayout() display_panel.setLayout(display_layout) # 图像显示标签 self.image_label = QLabel() self.image_label.setAlignment(Qt.AlignCenter) display_layout.addWidget(self.image_label) # 结果表格区域 self.init_results_table(display_layout) layout.addWidget(control_panel, stretch=1) layout.addWidget(display_panel, stretch=3)

3.2 核心功能实现

图像检测处理逻辑：

def detect_image(self, img_path): """执行单张图片检测""" try: # 使用YOLOv8模型推理 results = self.model(img_path) # 解析检测结果 boxes = results[0].boxes self.detections = [] for box in boxes: class_id = int(box.cls) confidence = float(box.conf) bbox = box.xyxy[0].tolist() self.detections.append({ 'class': self.class_names[class_id], 'confidence': confidence, 'bbox': bbox }) # 可视化结果 annotated_img = results[0].plot() self.display_image(annotated_img) self.update_results_table() except Exception as e: QMessageBox.critical(self, "错误", f"检测失败: {str(e)}")

实时视频流处理：

def process_video_stream(self): """处理摄像头或视频文件流""" while self.video_capture.isOpened() and self.is_video_running: ret, frame = self.video_capture.read() if not ret: break # 转换颜色空间 frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) # 执行检测 results = self.model(frame) annotated_frame = results[0].plot() # 显示处理后的帧 self.display_frame(annotated_frame) # 控制帧率 cv2.waitKey(int(1000/self.video_fps))

3.3 参数调节与结果导出

实现动态参数调节：

def init_sliders(self, layout): """创建置信度和IOU阈值滑动条""" # 置信度阈值 conf_label = QLabel("置信度阈值: 0.5") self.conf_slider = QSlider(Qt.Horizontal) self.conf_slider.setRange(1, 99) self.conf_slider.setValue(50) self.conf_slider.valueChanged.connect( lambda v: (conf_label.setText(f"置信度阈值: {v/100:.2f}"), self.update_detection_params()) ) # IOU阈值 iou_label = QLabel("IOU阈值: 0.45") self.iou_slider = QSlider(Qt.Horizontal) self.iou_slider.setRange(1, 99) self.iou_slider.setValue(45) self.iou_slider.valueChanged.connect( lambda v: (iou_label.setText(f"IOU阈值: {v/100:.2f}"), self.update_detection_params()) ) layout.addWidget(conf_label) layout.addWidget(self.conf_slider) layout.addWidget(iou_label) layout.addWidget(self.iou_slider) def update_detection_params(self): """更新模型检测参数""" conf = self.conf_slider.value() / 100 iou = self.iou_slider.value() / 100 self.model.conf = conf self.model.iou = iou

4. 应用打包与部署

4.1 使用PyInstaller打包

创建打包配置文件build.spec：

# -*- mode: python -*- from PyInstaller.building.build_main import Analysis, EXE from PyInstaller.building.api import PYZ, COLLECT a = Analysis( ['GUI.py'], pathex=[], binaries=[], datas=[ ('best.pt', '.'), ('mydata.yaml', '.'), ('assets/*', 'assets') ], hiddenimports=[], hookspath=[], runtime_hooks=[], excludes=[], win_no_prefer_redirects=False, win_private_assemblies=False, cipher=None ) pyz = PYZ(a.pure) exe = EXE( pyz, a.scripts, a.binaries, a.zipfiles, a.datas, name='TomatoDetector', debug=False, strip=False, upx=True, runtime_tmpdir=None, console=False, icon='assets/icon.ico' )

执行打包命令：

pyinstaller build.spec --onefile --noconsole

4.2 性能优化技巧

模型量化加速：

from ultralytics import YOLO # 加载训练好的模型 model = YOLO('best.pt') # 导出为INT8量化模型 model.export(format='onnx', int8=True, dynamic=True)

多线程处理优化：

from PyQt5.QtCore import QThread, pyqtSignal class DetectionThread(QThread): finished = pyqtSignal(object) def __init__(self, model, frame): super().__init__() self.model = model self.frame = frame def run(self): try: results = self.model(self.frame) self.finished.emit(results) except Exception as e: self.finished.emit(None)

在实际项目中，将模型路径best.pt和配置文件mydata.yaml放在可执行文件同级目录，确保资源文件正确加载。通过这种完整实现方案，开发者可获得一个可直接分发的番茄成熟度检测工具。