python3GUI--智慧交通分析平台：By:PyQt5+YOLOv8（详细介绍）

文章目录

一．前言
二．效果预览
- 1.目标识别与检测
- 2.可视化展示
- - 1.车流量统计
  - 2. 目标类别占比
  - 3. 拥堵情况展示
  - 4.目标数量可视化
- 3.控制台
- 4.核心内容区
- - 1.目标检测参数
  - 2.帧转QPixmap
  - 3.数据管理
- 5.项目结构
三．总结

请添加图片描述
平台规定gif最大5M，所以压缩了一下，见谅！

一．前言

本次使用PyQt5+YOLOv8开发一款“智慧交通分析平台”，使用YOLOv8检测监控画面中的车辆和行人，将检测到的画面进行绘制、标注、统计，最后展示到画面中央，主屏右侧操作区域可以控制绘制结果。

二．效果预览

请添加图片描述

1.目标识别与检测

本系统使用YOLOv8对目标进行识别与检测

YOLOv8是Ultralytics公司推出的最新一代实时目标检测算法，基于YOLO（You Only Look Once）系列架构改进，具有更高的检测精度和更快的推理速度。它支持目标检测、实例分割和图像分类任务，采用灵活的Backbone和Neck设计，并优化了训练策略与损失函数，兼容多种部署环境（如ONNX、TensorRT等），适合工业级应用。YOLOv8提供多种预训练模型（从轻量级YOLOv8n到高性能YOLOv8x），平衡速度与精度，是计算机视觉领域的先进工具之一。

在这里插入图片描述
本次使用YOLOv8版本对车辆和行人进行识别，车辆的类型包括：小汽车、摩托车、自行车、卡车，行人就是马路上行走的人，系统采用队列对读取到的视频流帧进行处理，标注分析好之后使用信号的方式发射给PyQt5的前端，前端设置槽函数接收、处理、展示数据。

2.可视化展示

本系统使用pyecharts对上游数据进行可视化展示

Pyecharts 是基于 Python 的数据可视化库，依托强大的 ECharts（百度开源 JavaScript 图表库）构建，提供丰富的交互式图表类型（如折线图、柱状图、散点图、地图等）。它支持链式调用和简洁的 API 设计，可轻松生成动态、可缩放的可视化结果，并兼容 Jupyter Notebook、Web 页面及 Flask/Django 等框架。Pyecharts 支持多种数据格式（如 Pandas、NumPy），允许自定义样式和主题，适用于数据分析、商业报表和实时大屏展示，是 Python 生态中高效、美观的可视化工具之一。

图片取自网络，仅用于echarts图效果展示，不包含在本系统中。
在这里插入图片描述

展示的维度包括：

1.车流量统计

把时间作为横轴，纵轴是具体的数值，采用折线堆叠图展示可视化分析结果
在这里插入图片描述

2. 目标类别占比

对检测到的目标类别以及数量，采用圆环饼图进行可视化展示，图例中为全部目标物体

在这里插入图片描述

3. 拥堵情况展示

对于当前道路的拥堵情况采用算法动态计算当前道路的拥堵情况，采用水球图展示当前道路拥堵情况
在这里插入图片描述

具体来说是使用echarts图配合QWebEngineView来展示存储在内存中的html代码，
这里分享我遇到的一个坑，就是如何设置QWebEngineView隐藏右击菜单：
直接重写QWebEngineView，实现其中的contextMenuEvent方法，忽略这个事件，代码我贴在下面啦

class NoContextMenuWebEngineView(QWebEngineView):
	def __init__(self, parent=None):
		super().__init__(parent)

	def contextMenuEvent(self, event: QContextMenuEvent):
		# 忽略右键点击事件，彻底禁用右键菜单
		event.ignore()

还有一个就是如何让echarts图背景透明，类似于下面这种效果：
在这里插入图片描述
这里不卖关子，直接下面三行代码实现：

self.view.setAttribute(Qt.WA_TranslucentBackground, True)
self.view.setStyleSheet("background: transparent;")
self.view.page().setBackgroundColor(Qt.transparent)

4.目标数量可视化

这里我们使用了自定义组件，自定义组件是垂直布局，顶部是当前类别的数量，中间是当前类别文字说明，底部是当前类别可视化图像，用户可以直观地看到具体类别的具体数据，因为目标类别的类别数量是确定的，这里我们直接就直接绘制好了效果。
在这里插入图片描述

3.控制台

控制台区域分为三个部分，分别是拉流控制、视频帧控制、标签显示内容控制，这里我们使用了自定义组件-开关组件能够方便地和用户交互，交互的结果直接呈现在中间内容区域中，同时用户可以控制标签中的展示项目的显隐。
在这里插入图片描述

4.核心内容区

这个区域是本系统的核心部分，主要是对输入的rtmp、rtsp流的帧画面进行视觉分析，使用多线程的方式在线程中处理视频画面数据，然后使用cv2对图像进行绘制，再使用信号的方式将处理结果发射到主线程中，主线程界面接收到数据将画面、可视化结果展示。
下面我引用一下AI的分析原话：

VideoProcessingThread 是一个基于 PyQt5 的 QThread 子类，专为实时视频流处理设计，集成了 YOLOv8 目标检测与追踪功能。它通过多线程架构实现高效帧处理：主线程负责从 RTMP 流异步读取帧，子线程使用 YOLOv8 模型进行目标检测、追踪（支持车辆/行人等类别），并计算运动轨迹与速度（含超速判断）。类内维护三个线程安全队列（原始帧、渲染帧、统计结果），通过 frame_ready 信号实时推送渲染后的帧（含边界框、轨迹线、标签等可视化元素），同时支持动态流切换、断线重连及 GPU 加速（自动切换 FP16 模式）。该类封装了完整的视频分析流水线，适用于智能交通监控等实时视觉应用，并通过模块化设计允许灵活配置检测参数与绘制选项。

在这里插入图片描述

1.目标检测参数

本次使用枚举类对目标检测参数进行设置，我在这里贴出来，这些参数主要是给目标检测线程类使用，每个变量都是有注释的。


class Config(Enum):
	# RTMP 流地址：替换为实际的视频流地址（来自摄像头或推流服务器）
	RTMP_STREAM_URL = 'rtmp://192.168.99.199/stream/cam1'

	# YOLO 模型文件名，可为 yolov8s.pt、yolov8n.pt 等，需确保文件存在
	MODEL_NAME = 'yolov8s.pt'

	# 每个跟踪对象保存的历史帧数，用于计算速度（历史越多越稳定，但更耗内存）
	MAX_TRACK_HISTORY = 5

	# 估算用的像素与实际距离的换算比例（单位：米/像素），用于速度换算
	METERS_PER_PIXEL = 0.05

	# 超速阈值（单位：km/h），超过该速度将高亮显示为红色
	OVERSPEED_THRESHOLD = 30

	# 当无法从视频流中获取 FPS 时使用的默认帧率
	DEFAULT_FPS = 25

	# 框标签文字的缩放比例（影响标签大小）
	LABEL_FONT_SCALE = 0.5

	# 标签边框线的粗细（单位：像素），需为整数
	THICKNESS = 1

	# 使用的字体类型（OpenCV 字体）
	FONT = cv2.FONT_HERSHEY_SIMPLEX

	# 每行标签文字之间的间距（单位：像素）
	LINE_SPACING = 5

	# 标签信息背景透明度（前景图层 alpha 值，范围 0.0 - 1.0）
	OVERLAY_ALPHA = 0.65

	# 标签信息背景透明度（背景图层 beta 值，1 - alpha）
	OVERLAY_BETA = 0.35
	FRAME_QUEUE_SIZE = 60
	FRAME_SKIP = 2  # 每 2 帧推理一次，可根据设备调整

2.帧转QPixmap

我们通过cv2拿到视频帧之后是无法直接展示在界面上的，这就需要用到帧转QPixmap了，这里我封装好一个方法给大家，直接调用就能够实现帧转QPixmap！

def frame_to_pix(frame):
	rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
	h, w, ch = rgb_frame.shape
	bytes_per_line = ch * w
	qt_image = QImage(rgb_frame.data, w, h, bytes_per_line, QImage.Format_RGB888)
	return QPixmap.fromImage(qt_image)

3.数据管理

我们使用单例模式定义了一个DataManager类，这个类能够帮我们动态管理YOLOv8分析后的结果，很方便地在其他类、函数里使用，这里介绍一下单例模式

Python 单例模式（Singleton Pattern）是一种设计模式，确保一个类仅有一个实例，并提供全局访问点。通常通过重写 new 方法或使用装饰器、元类等方式实现，适用于需要全局唯一对象的场景（如配置管理、日志记录、数据库连接池等）。Python 的模块导入机制天然支持单例（模块在首次导入时缓存），但显式实现可通过类变量存储实例，并在实例化时检查是否已存在，避免重复创建，从而保证系统资源的高效利用和状态一致性。

DataManager 是一个数据管理类，用于维护和操作结构化键值数据（如统计图表数据）。它基于 system_conf.base_chart_data 初始化，支持深拷贝原始数据以避免共享问题。核心功能包括：

数据更新：提供单键更新（update）和批量更新（batch_update），支持绝对赋值或累加模式，自动过滤非法键并补全缺失键为默认值
数据查询：可获取单个键的值（get）、中文标签（get_label）或完整数据副本（get_all，确保包含所有默认键）
数据维护：支持重置所有值为零（reset）、检查键存在（has_key）及删除键（remove）
容错设计：自动处理未定义键（返回0或空字符串），并通过警告日志提示无效操作
该类通过全局实例 dataManager 提供统一的数据管理入口，适用于需要动态维护标准化数据集合的场景（如实时数据可视化、状态监控等），确保数据完整性和操作安全性。