基于YOLOv5的目标检测系统是一个非常实用且强大的工具，尤其是在智能制造领域。你的项目中已经集成了多种功能，包括不同模式的切换以及针对图片、视频和实时摄像头流的目标检测。
普通检测模式与区域检测模式
- 普通检测模式：这种模式下，系统会对整个图像或视频帧进行全面分析，识别出所有可见的目标对象。这适用于那些不需要特别关注某个特定区域的应用场景。
- 区域检测模式（ROI，Region of Interest）：通过设定一个或多个感兴趣区域，系统将只在这个区域内寻找并识别目标。这种方式在资源有限或者只需要关注某些关键区域的情况下特别有用。
3、界面文件是project.ui,可使用QTDesigner打开修改
4、环境依赖
pip install -r requirements.txt python main.py
代码实现细节
对于区域检测的具体实现，你已经描述了如何通过创建掩码（mask）来限制检测范围。这种方法非常直观有效，即首先定义感兴趣的多边形区域，然后利用OpenCV的cv2.fillPoly函数填充该区域作为掩码，最后应用此掩码到原始图像上以排除非兴趣区。这样的处理既保证了计算效率，又满足了用户需求。
扩展功能
除了基本的图片和视频检测外，还可以考虑以下扩展点：
- 性能优化：探索模型量化等技术手段来减少延迟，特别是在边缘设备上的部署。
- 用户交互：增加更多用户友好的特性，比如允许用户直接在界面上划定ROI，而不是硬编码坐标值。
- 数据记录与分析：开发一个后台系统用来收集检测结果，支持后续的数据挖掘工作，如统计分析、趋势预测等。
- 云集成：如果应用场景允许的话，可以考虑将检测服务迁移到云端，这样不仅能够减轻本地硬件的压力，还可以利用云计算的强大算力来提升处理速度。
代码
# 对输入的图片设置mask并对输出图片画出mask区域 if self.state: hl1 = 2 / 10 # 监测区域高度距离图片顶部比例 wl1 = 2 / 10 # 监测区域高度距离图片左部比例 hl2 = 2 / 10 # 监测区域高度距离图片顶部比例 wl2 = 8 / 10 # 监测区域高度距离图片左部比例 hl3 = 8 / 10 # 监测区域高度距离图片顶部比例 wl3 = 8 / 10 # 监测区域高度距离图片左部比例 hl4 = 8 / 10 # 监测区域高度距离图片顶部比例 wl4 = 2 / 10 # 监测区域高度距离图片左部比例 # 输入图片设置mask遮挡 # mask位置数组 pts = np.array([[int(img.shape[1] * wl1), int(img.shape[0] * hl1)], # pts1 [int(img.shape[1] * wl2), int(img.shape[0] * hl2)], # pts2 [int(img.shape[1] * wl3), int(img.shape[0] * hl3)], # pts3 [int(img.shape[1] * wl4), int(img.shape[0] * hl4)]], np.int32) # 2通道全0数组 ---mask mask_black = np.zeros(img.shape[:2], dtype=np.uint8) # mask区域设置 mask_roi = cv2.fillPoly(mask_black, [pts], color=(255, 255, 255)) # 图片叠加mask img = cv2.add(img, np.zeros(np.shape(img), dtype=np.uint8), mask=mask_roi) # 对输出结果绘制mask区域 cv2.putText(showimg, "MASK", (int(showimg.shape[1] * wl1 - 5), int(showimg.shape[0] * hl1 - 5)), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 255, 0), 2, cv2.LINE_AA) # 填充mask设置 # 3通道全0数组 zeros = np.zeros(showimg.shape, dtype=np.uint8) mask = cv2.fillPoly(zeros, [pts], color=(0, 165, 255)) showimg = cv2.addWeighted(showimg, 1, mask, 0.2, 0) # 绘制mask边界 cv2.polylines(showimg, [pts], True, (255, 255, 0), 3)
结果对比
区域限制
没有区域限制
对比结果
结语
总体而言，基于YOLOv5构建的目标检测系统具有很高的灵活性和广泛的应用前景。随着深度学习技术的发展，未来还有很大的空间去探索更先进的算法和技术来改进现有系统。希望这些信息对你完成智能制造系统课程设计有所帮助！如果有任何特定的技术问题或其他方面的需求，请随时告知。
