0、前言

有几个不同的选项可以将你的Python机器学习模型集成到你的C++ Qt客户端应用程序中。以下是一些可能的解决方案：

1. 创建API： 将你的机器学习模型部署为一个API服务。你可以使用像Flask这样的轻量级Web框架来创建一个简单的HTTP服务。这样，你的Qt应用程序可以通过HTTP请求来与这个服务交互，并获取模型的预测结果。部署完成后，你需要在Qt中使用QNetworkAccessManager或其他HTTP客户端来呼叫远端API。
2. 使用Python和Qt的集成： 如果你希望避免网络请求，可以考虑在你的应用程序中直接使用Python。这可以通过使用像PyQt5或PyOtherSide这样的库实现。
3. C++机器学习库： 如果模型不是特别复杂，你可以考虑使用C++机器学习库（例如Shark、dlib或mlpack）重新实现你的模型。这样可以避免使用Python，但可能需要重新训练模型并调整算法。
4. ⭐使用嵌入式Python解释器： 在你的Qt应用程序中嵌入or指定一个Python解释器。这允许你直接从C++代码中调用Python代码，并使用你的模型。

   	Py_SetPythonHome(L"D:\\Anaconda\\envs\\cp39_torch1_13_1_vision_0_14_cu117");
       Py_Initialize();
   

    通过嵌入式Python部署方法，目标机器（用户的机器）无需单独安装Python。这是因为所有必要的Python组件都应该被包含在你的应用程序中，作为该应用程序的一部分进行分发。这意味着Python解释器和所有必要的库、模块及其他依赖都被静态链接到应用程序或以其他形式捆绑在一起，用户不需要执行额外的安装步骤。

    但是，这种方法也意味着你的Qt应用程序的部署包会更大，因为它可能需要包括Python解释器和额外的Python库。

5. 将模型转换为ONNX： 如果你的机器学习模型支持导出为ONNX（Open Neural Network Exchange）格式，你可以将其转换为ONNX，然后在C++应用程序中使用支持ONNX的机器学习库（例如ONNX Runtime）来加载和运行模型。
6. 使用远程服务器处理： 如果客户端应用程序的性能和网络延迟不是问题，你可以在远程服务器上托管你的Python模型，并通过网络请求进行交互。
   每个选项都有其优缺点，你应该根据你的具体需求来决定使用哪一种。比如，第一个选项可能是最简单的开始方式，而第三个和第五个选项可能提供了最好的性能。最后选择哪种方法，取决于你的应用需求、性能考虑以及你对于不同技术的熟悉程度。

最近和之前在做的项目都是在Qt中用c++编码项目的开发，其中的功能涉及到机器学习的算法，之前有尝试过直接调用python，但是一直不成功, 再加上想到直接打包python程序也会更大，遂放弃。前面几篇博客讲到把Yolov8的目标检测和分割模型部署成c++的，是因为当时采用了上述的第五类方法，直接将算法由python转换为c++嵌入到程序中了，但是实际中这样虽然性能最好，但是很麻烦。这次的项目涉及到多种检测算法，且算法需要随着实验进行实时迭代，不可能说将python转换成c++了（这样十分麻烦，涉及到重新编写…配置环境…），于是这次打算再次采用第四种方法，在Qt项目中直接使用c++来调用python。为什么不适用创建API的方法呢？主要还是因为数据涉及到不能通过网络传输。总之，让我们快速进入正题，如何使用Qt调用python把！

一、Qt调用python

如果是vs2019，可以看看前面讲解在vs2019下部署yolov8中的配置依赖环境，都是一样的，这里因为换成你了Qtcreator，那就以qtcreator来讲：

注意，看一下自己的项目环境是否是64位，否则后面会报错：

1.1：pro文件增加python目录

INCLUDEPATH += -I D:\software\anaconda3\envs\yolov8\include
LIBS += -LD:\software\anaconda3\envs\yolov8\libs -lpython39

1.2：将Python集成到Qt中

工具->选项->环境->外部工具，添加->添加目录 (双击可任意更改名称这里更改为RunPy)->添加工具(双击可任意更改名称这里更改为Python3)。点击Python3，配置执行档、参数等配置：

• 执行档: python的安装目录,我这里（D:\software\anaconda3\envs\yolov8\python.exe),你自己找到自己安装的python.exe目录
• 参数:%{CurrentDocument:FilePath}
• 工作目录:%{CurrentDocument:Path}
  

1.3：将相关的文件拷贝到项目的可执行目录

• 所需拷贝文件：python相关的Dll文件、以及对应的你想要调用的py文件

🌸在Qt中创建一个Python脚本测试一下：

• 创建python脚本（或者前面已经将Python脚本移动到可执行目录下，这个时候在Other Files中也能看到）
  

这里我新建一个测试脚本test.py:

import matplotlib.pyplot as plt

def temperImg():
    plt.plot([1, 2, 1, 2])
    plt.show()

temperImg()

• 选中文件->点击 工具->外部->RunPy->Python3,运行脚本
  
  OK可以看到可以成功调用python：
  

1.4：添加环境变量

1.5：修改include文件夹中的object.h文件

修改include文件夹中的object.h文件，因为Python中slots是关键字，Qt中slots也是关键字，会冲突。
编译报错error: expected unqualified-id before ‘;’ token，这是与qt的slots关键字冲突，解决办法是将python中的slot取消宏定义，然后再恢复，如下图

#undef slots

PyType_Slot *slots; /* terminated by slot==0. */

#define slots Q_SLOTS

1.6：C++程序调用

具体流程大概包括以下几个步骤：

1. 设置Python环境：
   使用 Py_SetPythonHome() 指定Python环境路径。这个路径通常指向你希望使用的Python解释器的环境。

2. 调用 Py_Initialize() 来初始化Python解释器。
   检查Python解释器是否初始化成功：

3. 使用 Py_IsInitialized() 验证Python解释器是否已经成功初始化，如果没有，则输出相应的错误日志。

4. 修改Python搜索路径：
   通过 sys.path.append(‘./’) 来修改Python模块搜索路径。这样做通常是为了确保Python能够找到你的脚本所在的目录。

5. 导入Python模块：
   使用 PyImport_ImportModule(“testTunnel”) 来导入名为testTunnel的Python模块。

6. 获取模块中函数的指针：
   获得模块中名为judge_image的函数指针，以便能够调用该函数。

7. 准备函数参数：
   创建一个Python元组（PyTuple_New(1)），用以传递参数给Python函数。
   将C++字符串（在这里是一个文件夹路径）转换为Python字符串，并通过 PyTuple_SetItem() 设置到参数元组中。

8. 调用Python函数：
   使用 PyEval_CallObject(pTest_1,pPara) 来调用Python函数，并传递参数元组pPara。这将执行Python脚本中的judge_image函数。

9. 处理Python函数的返回值：
   PyEval_CallObject() 返回的PyObject* pyValue是Python函数的返回值。需要根据实际情况处理这个返回值。
   错误处理：
   如果在任何步骤中遇到错误，使用 PyErr_Print() 打印Python错误信息，并进行适当的错误处理。

10. 清理资源：
    不要忘记在使用完Python对象后释放资源，比如使用 Py_DECREF() 减少引用计数，以及在最后使用 Py_Finalize() 终止Python解释器。

  // 获取选中项的文本，这里假设是文件夹的完整路径
    QString folderPath = item->text();
    QList<QFileInfo> noTargetList;
    
    
    Py_SetPythonHome(L"D:/software/anaconda3/envs/yolov8");
    Py_Initialize();
    if( !Py_IsInitialized() )
        qDebug()<<"图片加载模块的Python初始化失败";
    
    PyRun_SimpleString("import sys");
    PyRun_SimpleString("sys.path.append('./')");//这一步很重要，修改Python路径
    //创建模块指针
    PyObject* pModule = PyImport_ImportModule("testTunnel");
    if (!pModule)
        qDebug()<<"图片加载模块的Python获取模块指针失败";
    else {
        qDebug()<<"successfuly obtained Module!";
    }
    const char* filename = PyModule_GetFilename(pModule);
    if (filename == NULL) {
        PyErr_Print();
        Py_DECREF(pModule);
        Py_Finalize();
    }
    
    //创建函数指针
    PyObject* pTest_1 = PyObject_GetAttrString(pModule, "judge_image");
    if (!pTest_1) {
        // Failed to get function pointer
        PyErr_Print(); // Print Python error indicator if available
        qDebug() << "获取函数指针失败";
    } else {
        qDebug() << "Successfully obtained function pointer";
    }
    
    PyObject* pPara = PyTuple_New(1);
    if (pPara == NULL) {
        // 元组创建失败，进行错误处理
        PyErr_Print();
        // 继续下一个迭代
    }
    
    qDebug() << "fPath:"<<folderPath;
    const char* cstr = folderPath.toUtf8().constData();  // 将 QString 转换为 C 字符串
    
    PyTuple_SetItem(pPara, 0, Py_BuildValue("s",cstr));  //参数1为String型 "Hello"
    
    
    PyObject* pyValue = PyEval_CallObject(pTest_1,pPara);
    PyErr_Print();
    qDebug() << "pyValue"<<pyValue;
    
    ...
      // 在使用完 pModule 后减少其引用计数
    Py_DECREF(pModule);
    // 在使用完列表后，减少其引用计数
    Py_DECREF(pyValue);
    // 在使用完参数元组后，减少其引用计数
    Py_DECREF(pPara);
    
    //    Py_Finalize();