基于YOLOv8的盲道障碍检测系统

基于 YOLOv8 深度学习模型与 PyQt5 桌面框架构建，旨在实时检测盲道上的常见障碍物，为视障人士的出行安全提供辅助。系统提供直观的可视化操作界面，支持图片、视频文件和实时摄像头三种检测模式，并集成了完整的用户认证与历史记录功能。

✨ 主要功能

用户认证系统

• 登录 / 注册：支持用户名与密码的账号体系，密码经 SHA-256 加密后存储于本地 users.json。
• 找回密码：通过安全问题验证身份后重置密码（需注册时设置安全问题）。

多模式障碍物检测

• 图片识别：上传单张图片，系统识别后以标注图和详情表格（类别、置信度、坐标）的形式展示结果，支持一键保存。
• 视频识别：逐帧处理本地视频文件，实时显示检测画面、用时、目标数量及进度条。
• 摄像头识别：调用本地摄像头进行实时画面捕捉和障碍物检测，支持多设备切换。

历史识别记录

• 每次完成图片、视频或摄像头识别后，系统自动将识别时间、来源类型、文件名、目标数量和用时写入本地 history.json。
• 在"历史记录"页面可查看所有记录（按时间倒序排列），支持刷新、删除选中和清空全部操作。

可视化界面

• 浅色渐变主题：默认采用清爽的蓝色渐变主题，同时内置深蓝、绿色、橙色等多种主题可切换。
• 左侧导航栏：在图片识别、视频识别、摄像头识别、历史记录四个模块间快速切换。
• 自动加载权重：启动时自动寻找 runs/train/ 下最新的 best.pt，也支持手动选择。

支持识别的障碍物类别（共 16 种）

🛠️ 技术栈

📁 文件结构

├── gui.py                # 主程序 GUI 界面与核心推理逻辑
├── login.py              # 登录、注册、找回密码模块
├── theme.py              # 主题管理器（浅色渐变 / 深蓝 / 绿色 / 橙色）
├── history_manager.py    # 历史识别记录读写管理
├── train.py              # 模型训练脚本
├── requirements.txt      # Python 依赖清单
├── users.json            # 用户数据库（运行后自动生成）
├── history.json          # 历史记录数据库（运行后自动生成）
├── data/                 # 数据集目录
│   └── data.yaml         # 数据集配置文件
└── runs/                 # YOLOv8 训练 / 推理输出目录
    └── train/
        └── blindtrack_detection/
            └── weights/
                └── best.pt   # 训练好的最优权重（自动加载）

🚀 快速开始

1. 环境准备

• Python 3.8+
• （可选但推荐）NVIDIA 显卡 + CUDA，用于 GPU 加速推理

2. 安装依赖

# 建议先创建虚拟环境
python -m venv venv
venv\Scripts\activate        # Windows
# source venv/bin/activate   # Linux / macOS
pip install -r requirements.txt

3. 准备模型权重

• 自动加载：将训练好的权重目录（含 best.pt）放在 runs/train/ 下，启动时自动识别最新权重。
• 手动选择：在"图片识别"页面点击"选择权重"按钮手动指定 .pt 文件。

4. 启动程序

python gui.py

首次运行会弹出登录窗口，请先注册账号再登录。

📖 使用指南

用户认证

1. 点击"注册账号"，填写用户名（≥3字符）和密码（≥6字符）完成注册。
2. 登录后进入主界面。

图片识别

1. 确认顶部权重路径已加载（或手动选择 best.pt）。
2. 调整置信度阈值（默认 0.25）。
3. 点击"打开图片"，选择图片后系统自动检测。
4. 右侧面板展示目标列表；点击"保存结果"导出标注图。

视频识别

1. 点击"选择视频"选择 .mp4 / .avi / .mov / .mkv 文件。
2. 点击"开始"逐帧检测，进度条实时更新；点击"停止"终止。
3. 识别结束后自动写入历史记录。

摄像头识别

1. 点击"刷新设备"扫描可用摄像头并在下拉列表中选择。
2. 点击"开始"进行实时检测；点击"停止"结束并写入历史记录。

历史记录

• 点击左侧导航"历史记录"可查看所有历史。
• 支持选中行后点击"删除选中"，或"清空全部"一键清除。

📊 模型训练

使用 train.py 对自定义数据集进行训练：

python train.py

训练完成后，结果输出至 runs/train/ 目录，包含以下关键文件：

本项目为个人原创，结构清晰，功能完整，适合计算机视觉方向课程设计、毕业设计和项目演示使用。有定制化需求可以评论或私信作者。