平台规定gif最大5M，所以压缩了一下，见谅！
一．前言
本次利用PyQt5+YOLOv8开发一款“智慧交通分析平台”，利用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，主屏右侧操纵区域可以控制绘制结果。
二．效果预览
1.目标辨认与检测
本体系利用YOLOv8对目标进行辨认与检测
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，采取灵活的Backbone和Neck计划，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提供多种预训练模子（从轻量级YOLOv8n到高性能YOLOv8x），平衡速度与精度，是计算机视觉范畴的先辈工具之一。
本次利用YOLOv8版本对车辆和行人进行辨认，车辆的类型包罗：小汽车、摩托车、自行车、卡车，行人就是马路上行走的人，体系采取队列对读取到的视频流帧进行处置惩罚，标注分析好之后利用信号的方式发射给PyQt5的前端，前端设置槽函数吸取、处置惩罚、展示数据。
2.可视化展示
本体系利用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 计划，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），答应自定义样式和主题，实用于数据分析、贸易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，不包含在本体系中。
展示的维度包罗：
1.车流量统计
把时间作为横轴，纵轴是具体的数值，采取折线堆叠图展示可视化分析结果
2. 目标种别占比
对检测到的目标种别以及数量，采取圆环饼图进行可视化展示，图例中为全部目标物体
3. 拥堵情况展示
对于当前门路的拥堵情况采取算法动态计算当前门路的拥堵情况，采取水球图展示当前门路拥堵情况
具体来说是利用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，就是怎样设置QWebEngineView隐藏右击菜单：
直接重写QWebEngineView，实现此中的contextMenuEvent方法，忽略这个变乱，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()
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)
这里我们利用了自定义组件，自定义组件是垂直结构，顶部是当前种别的数量，中间是当前种别文字说明，底部是当前种别可视化图像，用户可以直观地看到具体种别的具体数据，因为目标种别的种别数量是确定的，这里我们直接就直接绘制好了效果。
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、标签表现内容控制，这里我们利用了自定义组件-开关组件可以或许方便地和用户交互，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。
4.核心内容区
这个区域是本体系的核心部分，主要是对输入的rtmp、rtsp流的帧画面进行视觉分析，利用多线程的方式在线程中处置惩罚视频画面数据，然后利用cv2对图像进行绘制，再利用信号的方式将处置惩罚结果发射到主线程中，主线程界面吸取到数据将画面、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，专为实时视频流处置惩罚计划，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置惩罚：主线程负责从 RTMP 流异步读取帧，子线程利用 YOLOv8 模子进行目标检测、追踪（支持车辆/行人等种别），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）。该类封装了完备的视频分析流水线，实用于智能交通监控等实时视觉应用，并通过模块化计划答应灵活配置检测参数与绘制选项。
1.目标检测参数
本次利用罗列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利用，每个变量都是有表明的。
- 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
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各人，直接调用就可以或许实现帧转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)
我们利用单例模式定义了一个DataManager类，这个类可以或许帮我们动态管理YOLOv8分析后的结果，很方便地在其他类、函数里利用，这里先容一下单例模式
Python 单例模式（Singleton Pattern） 是一种计划模式，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 方法或利用装饰器、元类等方式实现，实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（模块在初次导入时缓存），但显式实现可通过类变量存储实例，并在实例化时查抄是否已存在，制止重复创建，从而保证体系资源的高效利用和状态划一性。
DataManager 是一个数据管理类，用于维护和操纵结构化键值数据（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制止共享题目。核心功能包罗：
- 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）或完备数据副本（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）、查抄键存在（has_key）及删除键（remove）
- 容错计划：自动处置惩罚未定义键（返回0或空字符串），并通过告诫日志提示无效操纵
该类通过全局实例 dataManager 提供统一的数据管理入口，实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），确保数据完备性和操纵安全性。
5.项目结构
本项目在Python3.8环境下开发，依赖pyqt5==5.15.2版本。
本项目是基于YOLOv8的项目，检测模子为yolov8s.pt，这个模子位于./data/models/目次下面，各人可以自行替换自己训练的模子，软件团体的代码文件结构为：
我相信，有下面的示意图，各人能很快的上手本项目！
三．总结
本次和各人分享了我利用PyQt5+YOLOv8开发的智慧交通分析平台，有图有文字，具体地先容了体系以及具体功能实现，但是我以为博客仍然不够直观，各人还是亲身体验比较好！
需要代码可以私聊我，但是CSDN我不常常在，各人可以点击下面的链接加我WX，肯定尽力支持！
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
