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

@toc

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

<font size=5 color=gree>最新版已经支持自定义ROI形状，包括：多边形、矩形、圆形，欢迎体验！</font>

另外最新版加入了“中心点”控制显隐开关。

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

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。

在这里插入图片描述

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：

1. 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
2. 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）
3. 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）
4. 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undefined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。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，检测模型为yolov8s.pt，这个模型位于./data/models/目录下面，大家可以自行替换自己训练的模型，软件整体的代码文件结构为： 我相信，有下面的示意图，大家能很快的上手本项目！

在这里插入图片描述

三．反馈问题

1.监控连不上

需要本地局域网或者外网rtmp、rtsp拉流地址，可以参考：https://blog.csdn.net/a1397852386/article/details/148295591?spm=1001.2014.3001.5502，然后修改system_conf.stream_url的值

2.右下角有几个按钮显示不全

调整桌面分辨率为100%

在这里插入图片描述

3.把fa改成fa5s了，因为它一直显示我下的包里没有那个字体，重下更新也没用

pip install QtAwesome==1.3.1

4.OMP: An error has been encountered at line 1 of <internal MIME data>: Premature end of document.:

详细报错

An error has been encountered at line 1 of <internal MIME data>: Premature end of document.: OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.

OMP: Hint This means that multiple copies of the OpenMP runtime have been linked into the program. That is dangerous, since it can degrade performance or cause incorrect results. The best thing to do is to ensure that only a single OpenMP runtime is linked into the process, e.g. by avoiding static linking of the OpenMP runtime in any library. As an unsafe, unsupported, undocumented workaround you can set the environment variable KMP_DUPLICATE_LIB_OK=TRUE to allow the program to continue to execute, but that may cause crashes or silently produce incorrect results. For more information, please see http://www.intel.com/software/products/support/.

文件顶部加入

import os
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"

四．问题回答

1. 系统主要用的什么技术？

软件主要使用了YOLOv8、OpenCV、PyQt5，使用YOLOv8对目标进行检测配合OpenCV将检测结果标注到画面上，最后使用PyQt5实现了用户交互以及可视化图表展示。

2. 车辆检测模型用的哪个，我能换成我自己训练的模型么？

yolov8s.pt，完全可以，替换掉./data/models/yolov8s.pt即可

3. 怎样运行本项目，只会YOLOv8不会PyQt5能上手本项目吗？

假设已经下载了本代码，配置好YOLO和PyQt5以及本地推流环境（https://www.bilibili.com/video/BV1TJ75zmEpc）即可启动本项目。

4. 系统是如何实现测距的，原理是什么？

单目测距，针孔相机模型原理，公式：

在这里插入图片描述

5. 界面上的可视化图表是怎么实现的，如何实现的数据更新？

使用ECharts图配合QWebEngineView，将网页端的 ECharts 图表嵌入到 Qt 的 界面中。 通过 QtWebChannel 实现了 Python 与 JavaScript 的通信，完成了图表数据更新。

五．总结

本次和大家分享了我使用PyQt5+YOLOv8开发的智慧交通分析平台，有图有文字，详细地介绍了系统以及具体功能实现，但是我认为博客仍然不够直观，大家还是亲自体验比较好！